关键词： 大型射电望远镜   变形重构   图像处理   亚像素  

摘要： 对大型射电望远镜主反射面的单块面板变形进行了研究,将机器人学六自由度姿态变化应用至大型射电望远镜反射面面板的变形研究当中,提出了一种基于刚体六自由度变形的面板变形表征方式。基于该刚体六自由度姿态变形理论,提出了一种基于光学方法的天线面板变形重构技术,该项技术通过固结于面板上的激光单元所呈现的光斑图像来快速高精度地重构出面板的变形。深入地探究了激光光斑与天线面板变形两者之间的映射关系,将天线面板空间变形问题转化为有限区域内的激光光斑位移问题;对该方案的光斑图像进行了研究,提供了有效的光斑图像处理算法;将图像差分方法与Canny边缘检测算法相结合,能够有效地解决传统Canny算法在处理小目标时的问题,还采用了高精度亚像素质心定位算法,能够对光斑点进行亚像素级别的定位。为天线面板的测量提供了一种新的、可靠的图像处理方法,也为提高天线面板测量的精度和效率提供了新思路和方法。

关键词： 目标检测   军事飞机   YOLOv5s   FPGM   SIoU Loss  

摘要： 针对遥感图像中军事飞机目标检测存在的精度低、漏检和虚警率高等问题,提出了一种基于YOLOv5s的轻量化遥感图像军事飞机目标检测算法——YOLO-Military Aircraft Recognition(YOLO-MAR)。提出新的网络结构,完成多尺度感受野权重调整,重设计特征提取网络和特征融合网络,实现小目标特征权重增加,并进行轻量化处理;使用FPGM对重构后的模型进行剪枝,极大地降低了模型的参数量和体积;使用SIoU Loss作为模型的损失函数,使模型的收敛速度加快并提升检测的精度。结果表明,在公开军用飞机数据集MAR20上,YOLO-MAR相比于原YOLOv5s,模型体积降低至3.95 MB,缩小了71.5%,经过剪枝后的模型体积最小可缩减至0.2 MB,模型平均检测精度最高可达91.7%,提高了2.34%,并且在检测效果、模型体积、参数量和计算量等方面具有先进性,能够对军用飞机目标进行高质量实时检测。

关键词： 深度学习   工人不安全行为   目标检测   行为识别   施工现场  

摘要： 随着深度学习的发展,目标检测和行为识别方法在工人不安全行为识别领域取得了较大进展,对近年来国内外相关研究工作进行系统性归纳,详细阐述了目标检测方法和行为识别方法中的常用模型和效果,重点评述了两类方法在不安全行为识别上的应用和两类方法结合使用的相关研究,对各种方法的优势、局限性、识别行为类别及适用场景进行了全面分析对比。在此基础上,针对近年来目标检测和行为识别的优化措施,总结了常用的优化方向和手段,归纳了在不安全行为识别上成功应用的改进方法,梳理了该研究领域的难点和问题,并给出建议和未来发展趋势展望,为该领域的研究提供参考和借鉴。

关键词： 图像处理   损伤检测与识别   支持向量机   飞机蒙皮  

摘要： 在民机机体表面维修领域中,飞机蒙皮损伤检测是非常重要的环节.首先采集飞机蒙皮表面损伤图像,将采集到的图像分为裂纹和腐蚀损伤图像并完成图像预处理工作;为了获得有效准确的特征数据,采用一种结合主成分分析法和形状特征提取的特征提取方法;最后采用支持向量机分类模型进行分类识别,通过选择高斯径向基核函数和合适的惩罚因子,从而对蒙皮损伤类型进行精确分类识别.实验结果表明,该方法能够精确地完成分类识别工作,损伤识别准确率达到95%,满足飞机蒙皮损伤日常检测与维修的需求.

关键词： 计算机视觉   塑料产品   自动分拣  

摘要： 综合分析计算机视觉实际应用包含的关键技术及优势,总结基于计算机视觉技术对塑料产品进行分拣的具体方法,了解分拣系统的鉴损功能,充分发挥现代技术手段的优势。根据现有分拣系统及相关实验数据可知,基于计算机视觉技术设计的针对塑料产品形状、颜色、标号等的分拣系统分拣效率和质量较佳。计算机视觉技术在塑料产品分拣及检测中的应用具有极强的实用性,能够为塑料产品分拣、塑料垃圾回收提供便利,提升塑料产业的经营效益。

关键词： 采矿沉降   沙盘物理模型   裂缝检测   计算机视觉   图像处理  

摘要： 通常采用沙盘物理模型与近距离摄影测量相结合的方法来探索上覆地层的断裂机制,但由于沙土物理模型裂缝图像的信噪比较低,该算法往往提取得不完整。鉴于此,提出了一种基于计算机视觉的图像梯度原理、图像匹配和区域筛选技术(GMS算法)的裂隙检测算法。首先利用峰峰市九龙煤矿15235工作面的钻孔柱状图建立沙盘物理模型;再利用定焦数码相机拍摄该模型的正射影像;最后根据模型图像的纹理特征,分别采用图像匹配技术、区域筛选技术分割规则的大面积非裂缝纹理和微小非裂缝纹理。研究结果表明,GMS算法具有很强的抗干扰能力,能准确识别并自动提取相似模拟材料中上覆地层的裂隙场。

关键词： 苹果   YOLOX-S   目标检测   位置注意力   成熟度检测  

摘要： 准确检测果园中未成熟与成熟的苹果对果园早期作物的负荷管理至关重要,提出一种能够实时检测苹果成熟度,并估算出整棵果树果实数量的方法。为提高YOLOX-S网络在复杂场景下的检测能力,在FPN(特征金字塔)的残差连接处增加了CoordinateAttention(位置注意力);为更好地检测图像中生长密集、存在遮挡、尺寸较小的苹果,将位置损失函数IoU_Loss更换为CIoU_Loss。试验结果表明,所提出的改进YOLOX-S检测算法相较于原算法,mAP值提高约1.97%,苹果低成熟度、中等成熟度和高等成熟度的AP值分别为90.85%、95.10%和80.50%。

关键词： YOLOv8   目标检测   C2f结构   损失函数  

摘要： 为了降低交通隐患,提高交通系统的可靠性与安全性,保证车辆检测的实时性和准确性。采用了深度学习领域的目标检测YOLOv8算法,该算法是基于YOLOv5的进一步提升与改进,在Backbone部分使用了梯度流更加丰富的C2f结构,Head部分换成了目前主流的解耦头结构,损失函数使用了Task-Aligned Assigner正负样本匹配方式以及其他一些改变。将车辆划分成7种类型的数据集为例进行车辆检测,首先将数据集进行拆分和归一化,然后调整相关的参数,最后训练模型。实验结果表明,YOLOv8算法在该实验数据集的车辆类型识别上mAP达到了95%,该方法在车辆类型的检测中结果较好,能够应用在实际的交通系统中。

关键词： 目标检测   YOLOv3算法   特征提取网络   损失函数  

摘要： 农作物图像在进行目标检测时,由于作物种植较密集、成像质量不佳等原因严重影响目标检测算法的检测精度。针对存在的问题,提出一种基于YOLOv3的改进算法优化在农作物目标检测的检测性能:对YOLOv3的主干特征提取网络进行优化,利用原网络中输出的4倍降采样特征图对目标进行检测,并且在算法原网络残差块的基础上增加残差单元,以检测目标较小的农作物位置信息;提出高斯衰减函数,对图像中高度重叠的农作物候选框的衰减较强,在有效抑制冗余框的同时也可以有效地降低漏检率;对回归损失函数进行优化改进,用CIOU Loss作为损失函数,使得目标检测过程中最终的目标定位更加精确。将改进的YOLOv3算法和原YOLOv3算法、Faster R-CNN算法在实拍的玉米作物图像数据集上进行对比实验,结果表明改进后的YOLOv3算法能有效检测农作物小目标,算法检测的平均准确率均值和检测速度都有明显的提升。

关键词： 近岸场景   SAR图像   舰船检测   注意力机制   Shuffle unit  

摘要： 针对大场景SAR图像近岸场景舰船目标检测中遇到的陆地目标虚警和岸边目标漏检等问题,基于YOLOX设计了一种轻量化的改进模型CAM-YOLOX。首先,在骨干部分嵌入CAM,增强舰船特征提取以保持较高的检测性能;其次,在特征金字塔网络结构中增加一个浅层分支,以增强对小目标特征的提取能力;最后,在特征融合网络中用Shuffle unit替换CSPLayer中的CBS和堆叠的Bottleneck结构,实现了模型压缩。在LS-SSDD-v1.0遥感数据集上进行实验,实验结果表明,本文改进算法相较于原始算法在近岸场景舰船检测的精确率P提高了5.51%,召回率R提高了3.68%,模型参数量减小了16.33%。本文算法能在不增加模型参数量的情况下,有效抑制近岸场景中陆地上的虚警和减少岸边舰船漏检率。