关键词： 图像处理   相位相干   机器视觉   晶体   缺陷检测  

摘要： 针对目前在晶体内部微缺陷研究上的检测精度较低、检测尺度不足的问题,提出了一种基于四焦距相位相干机器视觉的晶体内部微缺陷检测法,并建立了相应的检测系统。本方法通过四焦距相位相干光路,将晶体内部缺陷的相位信息转化为灰度信息,形成晶体内部缺陷特征图像。利用机器视觉算法,提取缺陷特征图像中的相位信息丢失点,并通过滤波算法对这些点进行恢复。然后通过特征提取、灰度分析算法,对缺陷特征图像进行处理分析,最后得出晶体内部缺陷的厚度,完成对晶体内部微缺陷的检测。实验结果表明,利用该方法对有机玻璃表面中心镀60 nm的二氧化硅膜的模拟相位缺陷进行检测,相对误差为1.83%,检测分辨率达到纳米量级。相对于动态泰曼干涉仪检测的2.4%的相对误差以及激光聚焦线扫描法的40μm检测分辨率,有着较大的提升,也证明所提出的方法能够有效运用于晶体内部的微缺陷的检测。

关键词： 接触网   支持装置   目标跟踪   高铁巡检  

摘要： 考虑到高铁场景复杂多变,无人机对支持装置进行跟踪时易受到背景干扰、遮挡、形变等问题,本文对基于相关滤波和显著性检测的实时目标跟踪算法进行研究。首先,采用基于相关滤波的跟踪算法,能够实现无人机机载平台实时性跟踪的要求;其次,针对支持装置所处场景较为复杂,支持装置附近的背景信息会对相关滤波器的训练产生干扰的问题,采用显著性检测对目标跟踪搜索区域进行前背景分离,提高算法对目标外观表征的学习能力,提升算法的鲁棒性。经实验验证,该算法有效提高了跟踪的精度,并能满足在无人机机载平台部署、实时运行的要求。

关键词： 智能化检测   样本扩充   生成对抗网络   目标检测   损伤检测  

摘要： 在轨运行的航天器表面形成损伤有可能导致严重的后果,需要对航天器进行在轨实时损伤检测。针对航天器损伤检测图像样本难以获取的问题,本文采用智能化检测方法,提出了一种用于航天器表面损伤样本扩充的生成对抗网络,该网络能够学习单张输入图像的特征纹理表示,从而生成大量与输入图像特征相似的细粒度尺度样本,实现了少量图像数据样本的扩充。利用YOLO目标检测算法在扩充的图像样本中进行表面缺陷与损伤的检测识别,获取了较高的检测精度,为未来航天器健康状态监测与评估、通用化服务机器人应用及太空原位建设等提供了技术支撑。

关键词： 目标检测   防溺水   DyHead   注意力机制   Focal-EIoU  

摘要： 针对情况复杂而无法实现人员全天全面监管的场所,在实时检测人员防溺水方面存在困难的问题,提出了一种融合统一注意力机制动态头的YOLOv5-Dy-GBCA模型。首先,通过在YOLOv5的Head前引入动态检测头(DyHead),增强头部感知目标的空间位置、尺度和检测任务的能力;其次,将Backbone中的C3模块替换成由GhostBottleneck结构和坐标注意力模块(CA)构成的幻影坐标注意力特征提取模块(GBCA),有效改善了因水上人员相互遮挡、人体在水面浮现体积较少而造成输入的特征语义信息不丰富,特征信息提取不足的问题;然后,引入加权双向特征金字塔网络(BiFPN),增强模型在不同尺度上的特征融合能力;最后,采用Focal-EIoU损失函数,改善难易样本不平衡对检测结果的影响。实验结果表明,YOLOv5-Dy-GBCA模型在维持了原模型检测速度的同时,取得了91.50%的平均精度(mAP),相较于传统算法和其他主流算法检测效果更优。

关键词： 视频   目标检测   运动方向检测   昆虫复眼   神经计算   人工神经网络   多层级模型   视叶神经网  

摘要： 如何对杂乱背景中物体(目标)的运动方向做出准确可靠的检测与感知,是计算机视觉研究领域中一个重要问题。自然界中,飞虫(如苍蝇、蜻蜓等)高适应性和高可靠性的感知目标运动是一种自然特性,本文基于飞虫−果蝇视叶神经纤维网最新的生理学研究成果,提出一种基于果蝇视觉感知目标运动方向的多层级检测模型系统。通过对不同场景下拍摄的视频序列样本进行实验和测试,并与2-Q运动检测器模型、基于ON和OFF信号通道处理运动信息的检测模型等进行了对比,验证了其在杂乱背景下对于目标水平和垂直方向运动检测的有效性和鲁棒性。

关键词： 船舶检测   小目标检测   样本重构   深度学习   旋转目标  

摘要： 针对遥感影像船舶目标尺度小、场景分布不均匀、目标尺寸相对样本尺寸占比小以及深度学习模型对于小目标泛化性能不好的问题,提出一种样本重构的方法。首先对船舶目标按其最小外接矩形进行裁剪,然后采用多种方式合成标准尺寸样本,通过样本重构,可以提高样本中的目标占比,解决不同场景下目标分布不均匀的问题。实验发现,使用样本重构方法训练的模型,对于小目标的检测能力有所提升,结合在网络中添加小目标检测层,结果显示,模型在测试样本上的平均准确率(average precision, AP)从0.502提升到0.674,验证了该方法的有效性。

关键词： 图   图卷积神经网络   激光雷达点云   3D目标检测  

摘要： 随着激光雷达传感器的快速发展,目标检测算法从传统的2D检测快速转向3D检测。然而,激光雷达产生的点云是不规则和非结构化的数据,传统的卷积神经网络无法对其进行处理。基于此提出了一种新颖的图卷积神经网络,能够更好地利用数据的几何关系和拓扑结构直接从点云中学习特征以进行3D目标检测。首先将原始激光雷达点云数据进行下采样,再进行固定半径邻域图的构建,随后设计了一个新型的图卷积神经网络对点云进行编码来预测图中每个顶点所属对象的类别和形状。为提升检测准确度,网络中加入了一种校准机制来减少特征在不同维度变化时引入的平移误差,此外还引入了注意力机制,以使用权重来进一步强化输出的顶点特征。在KITTI数据集上进行实验,实验结果表明,此方法能够有效对3D目标进行检测。对比其他多种检测算法,此方法在检测准确度上具有一定的优势。

关键词： 森林防火   深度学习   目标检测   YOLOv5算法   注意力机制  

摘要： 研究采用深度学习技术,基于YOLOv5算法识别森林火灾初期图像,提高预警效率,减少生态及社会损失。在YOLOv5算法的基础上进行了网络结构优化,提出了一种能够在野外识别林火中火焰特征的模型方法,通过对数据集采用数据预处理、数据增强、模型训练与优化等步骤得到检测模型,通过指标评估得到模型的检测精度。该算法在林火监测中具有较高的准确率和实时性,能够有效降低火灾发生的概率,减少火灾带来的损失。基于YOLOv5改进网络的早期林火监测算法研究具有重要的理论价值和广泛的应用前景。

关键词： 轻量化   深度学习   特征金字塔网络(FPN)   YOLOv5   大核卷积  

摘要： 针对移动端目标检测算法需要模型参数量与计算量更少、推理速度更快和检测效果更好以及目标检测算法对于小目标误检、漏检及特征提取能力不足等问题,提出一种基于YOLOv5改进的轻量化目标检测算法。该算法使用轻量级网络MobileNetV2作为目标检测算法的骨干网络降低模型的参数量与计算量,通过使用深度可分离卷积结合大卷积核的思想降低网络的计算量与参数量,并提升了小目标的检测精度。使用GhostConv来替换部分普通卷积,进一步降低参数量与计算量.本文算法在VOC竞赛数据集,COCO竞赛数据集两份数据集上均进行了多次对比实验,结果表明本文算法相比于其他模型参数量更小、计算量更小、推理速度更快以及检测精度更高。

关键词： 无人机航拍图像处理   特征图注意力生成器   动态特征加权融合   注意力机制   非极大值抑制  

摘要： 针对无人机航拍图像目标检测中目标尺度多样、相似目标众多、目标聚集导致的目标漏检、误检问题,提出了改进YOLOv5的无人机航拍图像目标检测算法DA-YOLO。提出由特征图注意力生成器和动态权重学习模块组成的多尺度动态特征加权融合网络,特征图注意力生成器融合处理不同尺度目标更重要的特征,权重学习模块自适应地调节对不同尺度目标特征的学习,该网络可增强在目标尺度多样下的辨识度从而降低目标漏检。设计一种并行选择性注意力机制(PSAM)添加到特征提取网络中,该模块通过动态融合空间信息和通道信息,加强特征的表达获得更优质的特征图,提高网络对相似目标的区分能力以减少误检。使用Soft-NMS代替YOLOv5中采用的非极大值抑制(NMS)以改善目标聚集场景下的漏检、误检。实验结果表明,改进算法在VisDrone数据集上检测精度达到37.79%,相比于YOLOv5s算法精度提高了5.59个百分点,改进后的算法可以更好地应用于无人机航拍图像目标检测中。