关键词： 无人机   导航系统   目标检测系统   路径规划  

摘要： 本文旨在研究无人机的导航与目标检测系统,首先介绍了无人机导航和目标检测系统的基本构成,讨论全球定位系统(global positioning system,GPS)在无人机中的应用,以及惯性导航系统在无人机中的应用,说明了它们在导航过程中的重要性和应用。其次阐述了无人机导航与目标检测系统集成的需求,包括实时性、精度和稳定性等方面的要求。介绍了集成系统的设计思路,包括传感器数据融合和算法融合等方法。讨论了集成系统的实现方式,描述了集成系统的性能评估方法,包括精度、鲁棒性和实时性等指标。最后列举了军事领域、民用领域和科研领域方面的应用案例,说明了该系统在不同领域的潜在应用价值。本文通过系统地介绍无人机导航与目标检测系统的研究进展,旨在提供对该领域的全面了解,并为相关研究和应用提供参考和指导。

关键词： 目标检测   现场可编程门阵列加速   卷积算子优化   剪枝   量化   特制加速器  

摘要： 针对目标检测算法受限于越来越严苛的硬件算力与存储,导致在小型化设备上的部署存在巨大困难,本文提出一种基于现场可编程门阵列(FPGA)的深度学习模型专用加速器方案来实现目标检测的边缘部署。通过优化原始模型的卷积算子并进行剪枝和量化,使参数量减少52%。移植在MLK-F20-CM02-3EG开发板上的实验表明,特制化的加速器理论算力峰值达到407 GOPS,实际算力达328 GOPS,数字信号处理器(DSP)使用率为64%,在边缘设备上的功耗相比图形处理器大型平台降低了98%。

关键词： 车辆工程   环境感知   目标检测   混合固态激光雷达   特征增稳  

摘要： 稳定的点云特征提取对激光雷达三维目标检测至关重要。针对现有深度学习算法仅能处理机械旋转式激光雷达点云数据,而对混合固态激光雷达数据支持不足的问题,本文基于IA-SSD搭建了适用于混合固态激光雷达的目标检测模型。首先,在点云编码前端添加了Cloth Simulation Filtering(CSF)用于地面次优点过滤;其次,利用局部特征融合和全局双线性正则化层组成的注意力机制,从局部和全局共同推动点云几何信息与特征信息融合;再次,利用GhostGConv替换原有低效的逐点卷积,通过通道混洗机制加强点云的特征交互,构建了增强型特征提取网络。最后,在点检测器IA-SSD中整合了上述模块完成模型构建。在混合固态激光雷达数据集SimoSet开展的验证结果表明,所提出的方法显著优于SimoSet数据集支持的其他算法精度指标;在KITTI数据集中等难度检测中,所提方法将IA-SSD三分类平均检测精度分别提升了1.17、1.47、0.5百分点。

关键词： 红外小目标检测   张量恢复   张量核范数   多结构元Top-Hat滤波  

摘要： 针对复杂背景下的红外小目标检测,在非对称时空正则化约束的非凸张量低秩估计算法基础上,提出了一种新的核范数估计方法代替原算法中的估计方法。提出基于结构张量与多结构元顶帽(Top-Hat)滤波的自适应权重张量对目标张量进行约束,增强目标张量稀疏性的同时抑制其中残存的强边缘结构。实验结果表明,所提改进算法能够更好地消除图像中强边缘结构对检测结果的影响,在保证检测率的情况下,较原算法具有更低的虚警率。

关键词： 目标检测   YOLOv5模型   交通标志检测   注意力机制  

摘要： 针对自然场景中交通标志检测模型存在准确率低、识别效果差等问题,以YOLOv5为基础网络进行改进。首先,引入卷积注意力模块,获取更多细节特征;其次,采用BiFPN作为Neck层中的特征融合网络,以更好地实现多尺度特征融合;最后,采用深度超参数化卷积DO-Conv代替网络中部分传统卷积,增加网络可学习的参数数量。结果表明,与原始YOLOv5相比,改进后的YOLOv5网络模型检测精度提升了1.2%,检测速度提升了1.4fps,该模型能更快速、精准地识别交通标志。

关键词： YOLOv7   CARLA驾驶模拟器   自动驾驶   目标检测  

摘要： 随着自动驾驶技术的迅速发展,精确识别模拟环境中的动态与静态对象成为了实现高度自动化驾驶的关键挑战之一,而仿真数据集具有获取成本低、易获取极端场景、有较强的连续性等特征。文章中采用CARLA驾驶模拟器作为实验平台,结合最新的YOLOv7目标检测网络,通过改进网络结构和优化训练策略,提升目标检测的精度和速度。文章介绍了CARLA模拟器的基础架构与YOLOv7算法的核心原理,详细描述了实验的设计与实施过程,包括数据集的准备、网络训练及测试评估。实验结果表明,基于YOLOv7的目标检测方法在自动驾驶模拟环境中具有出色的性能,能够根据输入图片准确识别出车辆、行人等多种目标。文章探讨了实验结果的意义,指出该研究在提高自动驾驶模拟器的现实感和安全性方面的潜在应用,并对未来研究方向提出建议。

关键词： 隧道衬砌   裂缝   多尺度网格   目标检测   目标标记方法  

摘要： 为提高盾构隧道衬砌裂缝检测方法效率与精度,使Faster R-CNN目标检测模型能够更为精确地在多尺度上完成对裂缝的识别,增加网格检测器作为小尺度的目标检测手段,同时采用Swin Transformer作为特征提取骨干网络来获取盾构隧道衬砌表观缺陷的特征,优化大尺度目标监测模型,以达到多尺度网格裂缝识别的效果。收集现场管片裂缝图像作为数据集,验证了所提出方法的有效性。研究结果表明:(1)改进后的大尺度目标检测的mAP50-95精度达到了79.1%,小尺度目标检测的分类精确度达到了95.3%。(2)Swin Transformer网络具有更好的性能,在大尺度目标检测中,精度提升了4.0~7.0%。(3)通过多尺度目标检测分支的精度指标绘制的最终目标检测结果能够更好地对混凝土表面的裂缝进行预测。本文改进后的裂缝检测模型将更加准确高效地反映裂缝问题,可为现场隧道衬砌裂缝识别提供参考依据。

关键词： 图像处理   OpenCV   视频监控系统   高斯滤波   腐蚀  

摘要： 针对实时获取监控视频车流量的迫切需求,利用OpenCV-Python实现监控视频车辆计数统计功能。首先,通过背景减除法的前景提取算法来分割出图像中的车辆。然后,通过轮廓检测和形态学操作对车辆进行处理和过滤,以消除噪声和不必要的检测结果确保准确计数。最后,将该方案与YOLOv5模型和SORT算法相结合作对比。实验结果表明,两种方案都能够有效地实现车辆的计数,但传统图像处理没有深度学习精度高,且难以适应不同路段的道路场景,为此提出将传统图像处理与深度学习相结合的建议,为车辆计数提供更好的解决方案。

关键词： 图像处理   U-Net++   AG   杂质检测   机器视觉  

摘要： 为满足燕窝领域的杂质自动化检测,实现对燕窝中羽绒杂质的快速精准分割,提出一种应用于燕窝领域的两阶段杂质检测算法。第一阶段,基于U-Net++模型引入注意力模块,以抑制因燕窝强度不均所引起的图像分割不精准和密集卷积造成的干扰噪声;第二阶段,针对特征提取输出的概率张量,通过二值掩膜以实现对燕窝杂质和非杂质区域的精确分类。采集并预处理燕窝图像,通过消融试验对比分析杂质检测算法与U-Net,U-Net++,传统图像方法在同等条件下的测试集数据。试验表明,杂质检测算法的F1系数为94.80%,较其他3种算法分别提高2.78%,1.12%,20.71%,召回率为97.90%,精确率为91.89%,整体检测结果优于对比算法。研究为燕窝杂质检测提供一种新的思路。

关键词： 图像处理   激光清洗   k均值聚类   边缘检测   热应力  

摘要： 为了避免激光清洗后的飞机蒙皮图像难以直接观察、分析蒙皮特性与机制的问题,采用了一种基于Lab颜色空间的k均值聚类算法和基于Canny算子的边缘检测相结合的漆层宏观图像和微观图像共同分析的方法。首先对清洗后的图像进行颜色空间转换,将原本的RGB颜色空间转换为Lab颜色空间,并通过k均值聚类的算法进行图像分割,再将各漆层连接处的电镜图通过Canny算子进行边缘检测提取边缘信息,然后通过处理后的图像分别进行特性和机制研究,最后将图像处理结果通过热应力分析进行验证。结果表明,采用该方法,激光能量密度分别为6.37 J/cm 2和1.91 J/cm 2时,飞机蒙皮的面漆和底漆能被激光完全消除。该研究为激光自动除漆提供了参考。