关键词： SAR图像目标检测   非下采样剪切波变换   显著性检测   活动轮廓模型  

摘要： 针对合成孔径雷达图像舰船目标检测问题,提出了一种结合选择机制与轮廓信息的多层显著性目标检测方法。首先,利用非下采样剪切波和频谱残差法进行全局显著性区域提取。其次,提出了一种基于动态恒虚警率的活动轮廓显著性模型,逐步滤除候选区域的虚警,提取目标轮廓,从而实现目标的精确检测。所提方法能够由粗到细地快速捕获目标区域,从而实现高效、高分辨率合成孔径雷达图像舰船检测。最后,在真实SAR数据集进行了测试,与其他经典的舰船检测方法相比,所提算法不仅有效地抑制了海杂波的影响,而且在检测精度上有较大提高。

关键词： 声呐小目标检测   背景抑制   多尺度直线分割检测(LSD)   声呐图像  

摘要： 针对声呐小目标检测由于水下环境复杂、目标回波信号弱等因素造成虚警率和误检率较高的问题,文章提出基于背景抑制和改进直线分割检测(Line Segment Detection,LSD)的检测算法。首先对原始声呐数据截取序列片段,构建多周期累积历程图,凸显运动目标轨迹线特征;其次设计边缘滤波算子,有效滤除部分背景噪声,并结合投影变换进行线特征增强,不仅实现了断裂直线重连,还抑制了剩余噪声;然后基于图像金字塔改进了多尺度LSD直线分割检测算法,有效缓解了过检测问题,大幅增加了直线平均长度;最后为了合并冗余检测信息,利用运动轨迹时空一致性特征设计后处理模块,提高了检测定位精度。通过多组无人遥控潜水器(Remotely Operated Vehicle,ROV)、潜水员、空心球靶小目标序列的湖试、海试数据的定量与可视化结果定性分析,实验结果显示,文中算法与传统LSD相比,误检率和漏检率分别降低了11.2和3.9个百分点,定位误差下降了1.495个像素。结果表明,文中所提算法大幅提高了声呐小目标检测精度,为后续水下目标识别、跟踪等任务奠定重要基础。

关键词： YOLOv5   行人检测   目标检测   损失函数  

摘要： 针对雾霾天气下拍摄到的图像退化模糊,难以进行准确识别与检测的问题,提出一种基于YOLOv5s改进的雾霾天气下行人与车辆检测算法。在图像预处理部分采用暗通道去雾算法,提高模型对特征的可分辨性与鲁棒性;在主干网络中采用基于自注意力机制的BoT3模块替换CSP2_1模块,提高模型对全局特征的提取能力;在主干网络输出端加入轻量化混合注意力机制(Hybrid Attention Module, HAM),增强模型对重要特征的捕获能力;在预测部分采用Wise-IOU损失函数替换CIOU损失函数,提高模型收敛效率,加快收敛速度。实验结果表明,在自建的雾霾天气行人车辆检测数据集中,改进算法相比于YOLOv5s,模型的检测精度提高了4.13%,单张图片的检测时间为18.8 ms。改进后的算法提升效果明显,基本可以满足雾霾天气下对行人与车辆的检测要求。

关键词： 卷积神经网络   深度学习   遥感图像处理   高光谱   图像分类  

摘要： 针对传统遥感图像处理中的时间成本和人工成本高、效率低等问题,以提高遥感高光谱图像分类中的处理速度、精度,降低参数量为目标,提出改进的2DCNN模型En-De-2CP-2DCNN.首先,使用1DCNN、2DCNN与3DCNN在Pavia University HSI数据集上分别进行分类实验,对比分析各自优缺点.其次,在保持较快的处理速度和不增加模型参数量的前提下,选择2DCNN为基础模型,参考SegNet的Encoder-Decoder结构,融入双卷积池化思想进行基础模型改进,同时优化学习策略.结果表明:En-De-2CP-2DCNN模型F1为99.96%,达到3DCNN的同等水平(99.36%),较改进前(97.28%)提高2.68个百分点;处理速度(5 s/epoch)和1DCNN位于同一量级,快于3DCNN(96 s/epoch);参数量(2.01 MB)较改进前降低了1.54 MB,虽高于3DCNN(316 KB),但远低于1DCNN(19.21 MB).En-De-2CP-2DCNN模型在处理速度和参数量方面的改进,有利于进一步实现移动端的轻量化部署.

关键词： 机器视觉   卷积   目标跟踪   特征提取   SiamFC  

摘要： 针对全卷积孪生神经网络目标跟踪速度较慢等问题,研究基于全卷积孪生网络(fully-convolutional siamese networks, SiamFC)算法提出一种卷积层替换的改进方法。将原算法的卷积层进行相应的替换,减少卷积过程中的参数计算量,以此提升网络速度以及判断力。研究采用一种深度可分离卷积与混合深度卷积进行结构更新,通过不同尺寸卷积核提取图像特征。研究利用数据集对改进算法进行验证,实验中,改进SiamFC算法相较于SiamFC算法的一次性评估成功率提了2%左右,精度提升了3%左右;在空间鲁棒性上的成功率提升了3%左右,精度提升4%左右;在时间鲁棒性上的成功率分别提升2%左右,精度分别提升5%左右。结果表明,研究改进的算法的性能得到一定程度提升。

关键词： 图像处理   语义分割   无人机   DeepLabV3+   注意力机制  

摘要： 针对现有语义分割方法检测高速公路护栏时存在预测速度慢、分割精度低的问题,提出一种基于改进DeepLabV3+的无人机高速公路护栏检测方法。首先,采用MobileNetv2网络替换原模型的主干并输出中层特征,减少参数量的同时恢复降采样过程中丢失的空间信息;然后,采用密集连接扩张卷积改进空洞空间金字塔池化,以减少漏分割现象;最后,在编码器部分引入空间分组增强(SGE)注意力机制,减少错分割现象。实验结果表明,改进后模型平均交并比、平均像素准确率、画面每秒传输帧数达到了79.20%、87.89%、52.59,相比基础模型,分别提高了2.59%、2.93%、56.70%,参数量降低了78.85%,能够在保障模型预测速度的同时提高对护栏的分割精度。

关键词： 水稻叶部病害   YOLOv3   病害检测   注意力机制   图像处理   目标检测  

摘要： 为了解决水稻小病斑检测不准确的问题,提出一种基于改进YOLOv3的水稻叶部病害检测方法Rice-YOLOv3。首先,采用K-means++聚类算法,计算新的锚框尺寸,使锚框尺寸与数据集相匹配;其次,采用激活函数Mish替换YOLOv3主干网络中的Leaky Relu激活函数,利用该激活函数的平滑特性,提升网络的检测准确率,同时将CSPNet与DarkNet53中的残差模块相结合,在避免出现梯度信息重复的同时,增加神经网络的学习能力,提升检测精度和速率;最后,在FPN层分别引入注意力机制ECA和CBAM模块,解决特征层堆叠处的特征提取问题,提高对小病斑的检测能力。在训练过程中,采用COCO数据集预训练网络模型,得到预训练权重,改善训练效果。结果表明:在测试集下,Rice-YOLOv3检测水稻叶部3种病害的平均精度均值(mAP)达92.94%,其中,稻瘟病、褐斑病、白叶枯病的m AP值分别达93.34%、89.68%、95.80%,相较于YOLOv3,Rice-YOLOv3检测的m AP提高了6.05个百分点,速率提升了2.8帧/s,对稻瘟病和褐斑病的小病斑的检测能力明显增强,可以检测出原始网络模型漏检的小病斑;与Faster-RCNN、YOLOv5等模型对比,Rice-YOLOv3提高了对相似病害和微小病害的识别能力,并在原始的基础上提高了检测速率。

关键词： 呼吸器油位计   语义分割   异常检测   计算机视觉  

摘要： 针对变电站异常数据量少、难以支撑深度神经网络训练的问题,以变压器的呼吸器油位计识别问题为例,提出一种融合虚拟数据和语义分割的呼吸器油位计异常检测方法,目标是提升变压器状态监测的识别能力。具体地,构建融合语义分割和分类器的异常检测模型,通过油位计图像的语义分割获取具有空间语义信息的特征,同时采用分类器获得准确的异常状态类别;提出融合虚拟数据和真实数据的模型训练方法,通过调整两种类型数据的比例,实现在少量真实数据下模型的有效训练。实验结果表明,虚拟数据能够有效缓解真实数据不足的问题,且该方法相比采用DCNN模型的直接分类,能够达到更高的异常检测精度。

关键词： 绝缘子   小样本学习   目标检测   缺陷识别   卷积神经网络  

摘要： 基于深度学习的目标检测技术已广泛应用于绝缘子缺陷检测中,然而现有目标检测算法主要基于大量缺陷样本训练网络模型,无法对少样本缺陷进行准确识别。针对绝缘子缺陷检测过程中缺陷样本量不足的问题,该文提出了一种基于局部特征深度信息的绝缘子小样本缺陷检测方法。首先采用旋转目标检测网络改进Faster R-CNN(faster region-based convolutional neural network)模型提取绝缘子串区域,然后对绝缘子串特征进行划分,提取绝缘子串局部特征并基于深度推土距离(deep earth mover’s distance,Deep EMD)网络实现小样本缺陷检测。实验结果表明,在玻璃绝缘子自爆缺陷检测中,所提出方法采用2张训练样本可取得与现有目标检测方法 200张训练样本相同的效果,采用10张训练样本的绝缘子自爆检测在与真值框的交并比阈值为0.5至0.95之间的平均精度(mean average precision,mAP)达到0.65,该方法为小样本电力设备缺陷智能化检测提供了新的方法和思路。

关键词： 特高压输电   换流站   电气设备检测   YOLOv5   聚类算法   注意力机制   可解释性分析  

摘要： 针对换流站多种电气设备检测时背景复杂干扰性强而又需要快速准确检测出故障的实际情况,提出基于改进YOLOv5(You Only Look Once)的检测方法。首先,为提高算法的准确性和收敛速度,通过K-means聚类算法对YOLOv5模型中的锚框预设进行改进,在数据集预处理阶段得到更适用于换流站电气设备的锚框,使其更加契合换流站电力设备数据集;然后,为提高算法检测过程的识别速度,在特征提取网络添加注意力机制模块,筛选出重要的特征信息。将改进后的算法网络识别效果与YOLOv5中的原始算法网络检测结果进行对比分析。结果表明,检测平均识别精度均值由71.16%提高至92.51%,检测速度由21帧/s提升至31帧/s;同时与R-CNN(Regions with convolutional neural networks)等算法相比,检测精度与速度都有较大提升。添加可解释性分析,将识别结果通过热力图的形式显示,可以更好地应对算法的潜在风险。