关键词： 小目标检测   深度学习   注意力机制   通道重排   轻量化模型  

摘要： 无人机自主察打对地攻击场景中,针对无人机作战时效性强,地面目标识别场景复杂,存在模型训练、推理速度慢,小目标检测漏检、误检的问题,提出一种基于注意力机制与通道重排思想的无人机对地目标检测算法。该算法引入CA(coordinate attention)注意力机制,可提高网络对关注部分的特征提取能力;且对主干网络进行通道重排(channel shuffle)轻量化处理,可有效减少多次卷积造成的特征损失;最后,为提升战时训练及推理速度,替换部分激活函数为H-Swish,优化其损失函数为CIoU(complete intersection over union)。实验证明:采用改进的新算法,提升了28.4%训练速度,目标识别的平均精度均值(mean average precision, mAP)达99.1%,可实现最小目标检测为19*25像素,经TensorRT加速后检测速率达72.99 FPS,满足实时检测需求,针对复杂地形下的坦克小目标检测性能较好。

关键词： 目标检测   注意力机制   YOLOv7   NMS算法   吸烟识别  

摘要： 井下矿工的吸烟行为严重影响煤矿生产安全,对井下矿工吸烟行为的有效识别迫在眉睫。针对煤矿井下的特殊环境和传统识别方法准确率低的问题,提出一种基于YOLOv7的矿工吸烟行为识别算法YOLO-SFN。将SimAM嵌入到YOLOv7的网络结构中,用Focus模块替换MPConv下分支中的3×3卷积核,提高模型在复杂背景下的特征提取能力。在后处理阶段采用Soft-NMS作为网络模型的后处理算法,解决了传统NMS算法在复杂密集环境中的漏检问题。实验结果表明,该方法的准确率为96.45%,召回率为92%,精确率为97.05%。研究成果已经在陈四楼煤矿得以推广应用,实现了对煤矿井下矿工吸烟行为的有效监管。

关键词： 机动目标跟踪   扩展卡尔曼滤波   BP神经网络   更新因子   优化模型  

摘要： 卡尔曼滤波是雷达目标跟踪场景最常用的目标状态跟踪估计算法,但针对非线性运动模型和噪声模型适配失配后,其滤波算法跟踪精度会出现下降。针对这些问题,提出一种机动目标场景下改进自适应扩展卡尔曼滤波的雷达目标跟踪算法,通过目标位置偏差范围来修正预测的位置信息,使用BP神经网络算法来自适应进行扩展卡尔曼滤波(extended kalman filter,EKF)算法预测信息结果的修正;根据噪声影响情况,提出基于实际情况可调的更新因子,用于进行修正后的EKF预测位置信息、测量信息和修正后的BP-EKF预测信息值的权重处理,基于优化模型,自适应选择最优的位置预测信息。仿真分析表明,所提出的算法在目标跟踪的滤波精度和稳定度都得到提升。

关键词： 光流法   运动目标检测   边缘检测   CUDA   并行优化  

摘要： 使用经典HS光流法对视频图像中的运动目标进行识别与检测时存在环境噪声多、检测效率低等问题。为此,对光流法进行改进。首先设计新的判定方法降低求解光流的迭代次数,减少算法执行时间;然后结合边缘检测等算法设计满足精度约束的算法,降低环境噪声的影响;最后使用GPU分别对光流法和边缘检测算法并行优化,从而进一步提高算法效率。实验结果表明,所提算法在CDNet2014数据集上的检测精度为88.1%,检测到的运动目标清晰度高。此外,该算法在GPU上的最大加速比为89倍,性能较传统算法有很大提升。

关键词： 疵点检测   YOLOv7   目标检测   特征提取   注意力机制  

摘要： 针对织物疵点检测中多尺度、微小目标检测精度低、速度慢等问题,提出一种基于改进YOLOv7模型的织物疵点检测算法。在YOLOv7的特征提取网络中替换标准卷积块,采用可形变卷积融合更多感受野在采样时更贴近疵点的形状和尺寸特征;同时嵌入瓶颈注意力模块,捕获更多疵点的特征信息强化对微小目标的敏感度。经试验,改进YOLOv7模型对各类别样本的检测精确率P达到97.3%,相比于原始YOLOv7算法提升5.2个百分点,召回率R提升5.9个百分点,mAP@0.5提高14.3个百分点。改进后的YOLOv7模型可以准确地实现对织物疵点的检测。

关键词： 太阳能   红外热成像   图像处理   损伤识别   土工膜  

摘要： 以实验室中厌氧反应池土工膜结构为研究对象,通过实验研究的方法,使用基于太阳能热波激励的热成像技术进行高密度聚乙烯(HDPE)土工膜结构缺陷检测的探索性研究。所提方法利用太阳能辐射作为热波激励,验证了利用云层遮蔽导致的太阳能辐射短期波动进行红外结构监测的可行性。此外,基于结构的瞬态变温过程应用红外热图像序列降温过程温度变化累加对比的方法,以增强缺陷区域的温度对比度。研究结果表明,利用太阳能辐射波动观察到的结构瞬态温度响应可用于确定土工膜结构是否存在缺陷。

关键词： 遥感图像   目标检测   多尺度特征   特征融合   YOLOv5  

摘要： 遥感图像目标检测是计算机视觉领域中的一个重要研究方向,广泛运用在军事和民用领域。遥感图像中的目标具有尺度多样、密集排列和类间相似等特点,使得用于自然图像的目标检测方法在遥感图像目标检测中存在较多漏检和误检等现象。针对这一问题,在YOLOv5的基础上,提出一种基于多尺度特征融合的遥感图像目标检测方法。首先,在骨干网中引入融合多头自注意力的残差单元,通过该模块充分提取多层次特征信息,缩小不同尺度间的语义差异;其次,引入融合轻量级上采样算子的特征金字塔网络,用于获取高层语义特征和低层细节特征,通过特征融合的方式获得特征信息更丰富的特征图,从而提升不同尺度目标的特征分辨率。在公开数据集DOTA和NWPU VHR-10上评估了所提方法的有效性,相比基准模型,所提方法的准确率(mAP)分别提高了1.5%和2.0%。

关键词： 石英坩埚   气泡检测   形态学   自动化   图像处理  

摘要： 针对石英坩埚透明层中气泡检测依赖于人工肉眼检测,存在着效率低、准确性不高的问题,提出了一种基于深度融合气泡检测算法(DFBDA)。首先,利用智能机械臂夹持工业显微镜,自动采集石英坩埚透明层的气泡视频图像;然后,使用融合形态学变换的气泡分割和轮廓提取算法,以确保对气泡的准确分割;最后,通过深度融合方法对多帧相似气泡进行融合,实现了对气泡准确位置的三维重建。针对不同坩埚样品的测试验证,实验结果表明,方法对气泡的平均识别准确率达到了98.7%,速度和精度都满足工业需求。

关键词： 餐厨垃圾   深度学习   图像处理   类型识别   注意力机制  

摘要： 厨房产生的尾菜垃圾以及餐后垃圾在质地上差异较大,预处理环节若不能有效识别餐厨垃圾的类型,进而采取合适的工作参数,经常导致减量化处理设备处理效果差甚至无法正常进行的问题。针对尾菜垃圾和餐后垃圾在图像上的差异,对不同季节的蔬菜产生的尾菜垃圾以及不同饮食风格下产生的餐后垃圾进行图像采集和处理,在此基础上采用ResNet18作为基础网络,引入注意力机制设计1个全新深度学习模型进行餐厨垃圾识别,并用ResNet18、ECANET+ResNet18、SENET+ResNet18、SANET+ResNet18模型进行对比。结果表明:上述4种网络模型均有较高的准确率。准确率分别为96.73%、97.10%、97.28%和96.92%;损失率分别为4.35%、4.11%、3.76%和4.17%;在训练时间方面,ECANET+ResNet18的训练时间最短,比ResNet18快350 s。ECANET+ResNet18网络有效提高了ResNet18网络的性能,达到了最高准确率和最小的损失率,能够满足餐厨垃圾的机器识别要求。

关键词： 弱监督定位   目标检测   对比层级相关性传播理论   类激活映射算法   目标感知损失函数  

摘要： 受益于深度学习的发展,目标检测技术在各类视觉任务中得到广泛关注。然而,获取目标的边框标注需要高昂的时间和人工成本,阻碍了目标检测技术在实际场景中的应用。为此,该文在仅使用图像类别标签的基础上,提出一种基于高分辨率类激活映射算法的弱监督目标实时检测方法,降低网络对目标实例标注的依赖。该方法将目标检测细划分为弱监督目标定位和目标实时检测两个子任务。在弱监督定位任务中,该文利用对比层级相关性传播理论设计了一种新颖的高分辨率类激活映射算法(HR-CAM),用于获取高质量目标类激活图,生成目标伪检测标注框。在实时检测任务中,该文选取单镜头多盒检测器(SSD)作为目标检测网络,并基于类激活图设计目标感知损失函数(OA-Loss),与目标伪检测标注框共同监督SSD网络的训练过程,提高网络对目标的检测性能。实验结果表明,该文方法在CUB200和TJAB52数据集上实现了对目标准确高效的检测,验证了该文方法的有效性和优越性。