关键词： 无人机遥感图像   目标检测   数据集   评价指标  

摘要： 目标检测技术在无人机遥感图像方面具有巨大发展潜力。为了有针对性地设计出适合遥感图像的目标检测算法,需要准确把握当前各类算法的优势及局限,探索新的解决策略。本文对基于传统技术和深度学习的目标检测方法进行了全面系统的分析,并将各类算法进行了对比;总结了常用的遥感图像数据集及目标检测算法的评价指标;针对遥感图像目标检测中目标较小、含有遮挡物以及背景环境复杂等关键问题,深入剖析了现有方法在处理这些难点时所面临的挑战;鉴于遥感图像的背景环境以及特性,从5个方面探讨了当前算法可能的改进方向,为无人机遥感图像目标检测技术的发展提供了参考。

关键词： YOLOv5   口吃识别   语谱图   目标检测  

摘要： 语言交流效率得分是量化口吃严重程度的方法,该方法需要获得口吃发生的时间,但目前相关研究仅能判断语音段中是否存在口吃,无法精确定位口吃的发生位置,不利于对口吃严重程度的判别.针对目前深度学习检测口吃类型无法可视化定位目标的问题,首先使用短时傅里叶变换将语音转化为语谱图,然后对其进行口吃类型标记,最后使用YOLOv5对口吃类型进行检测.在YOLOv5的基础框架下尝试YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x 4种不同深度和宽度的模型,实现口吃类型的分类和定位,并选择在其性能最优的模型YOLOv5l中引入高效通道注意力机制和CIOU目标框损失函数对基础模型进行改进.实验结果表明,改进的YOLOv5l模型在训练损失值有明显降低,在准确率、召回率和mAP_0.5上分别提升了1.2、0.6和0.4个百分点,较原模型漏检情况有所改善.

关键词： 堆石料   级配   Segment Anything Model(SAM)   图像识别   快速检测  

摘要： 堆石料级配检测是堆石坝施工过程中质量控制的重要环节,传统方法通常采用现场人工筛分法测量,存在检测样本少、效率低、干扰施工等问题。提出了一种基于图像处理的堆石料级配计算方法,采用国际最新Mata AI开源的通用图像分割大模型Segment Anything Model(SAM)对筑坝堆石料进行自动图像分割,提出堆石长宽比、面积比等堆石形态学几何参数用于提取堆石料图像中的堆石颗粒目标;同时,建立堆石形态数据库、堆石实例分割数据库,并分析参数取值和验证堆石图像级配计算方法的有效性;最后,试验验证结果表明该方法能够有效识别出图像中的堆石颗粒目标,实现级配曲线的智能识别,以及曲率、不均匀系数等级配指标的快速计算。该方法计算获得的级配与真实筛分法测的级配相关性可达0.94,平均绝对误差约5%,能够在堆石坝施工过程中有效辅助检测堆石料的颗粒级配信息,服务堆石坝的施工碾压质量控制。

关键词： 遥感图像   小目标检测层   Shape-IoU   注意力机制  

摘要： 针对遥感图像目标检测任务中存在特征信息不足和分布密集的问题,提出一种基于特征交互注意力的遥感图像目标检测算法。首先,对于遥感图像中目标分布密集的问题,在网络的Backbone部分采用C2f-DAT模块和AIFI模块来处理图像的多尺度特征,使网络更好地检测目标;其次,为了解决遥感图像中小目标特征信息不足的问题,在Neck部分使用SlimDy结构来优化网络的卷积和上采样模块,来突出小目标的特征信息,同时在网络结构中添加小目标检测层以增强网络对小目标的感知能力;最后,使用Shape-IoU损失函数来替换原损失函数,进一步提高网络检测预测框的准确性。通过在Dotav1和SIMD数据集上实验验证,改进方法的mAP@0.5达到了76.3%和82.3%,模型整体效果优于目前对比主流算法。

关键词： 无人机(UAV)   小目标   YOLOv8   轻量级   复合特征   多尺度特征融合  

摘要： 针对目前无人机航拍图像小目标检测算法存在的漏检、误检、精度与速度不平衡等问题,提出复合特征与多尺度融合的无人机小目标检测算法CM-YOLOv8s(composite and multi-scale YOLOv8s)。通过在空间金字塔池化模块引入通道特征,实现目标复合特征质量提升;通过重建模型颈部结构,提高目标细节特征的保留比例;通过设计DRHead检测头,实现多尺度特征检测图融合,增强多尺度目标检测适应性;通过采用Wise-IoU损失函数提升模型收敛速度。相比于基准算法,改进后的CM-YOLOv8s算法参数量仅为3.5×10^(6),参数量降低了69%。实验结果表明,提出的CM-YOLOv8s算法在数据集VisDrone2019上的mAP50显著提升了6.8个百分点;同时,在UAV-DT和DIOR数据集上验证了提出算法的泛化性和有效性。

关键词： 雷达目标检测   杂波环境   图神经网络   多尺度特征融合  

摘要： 本文针对复杂杂波环境下的雷达目标检测问题,提出了一种基于图神经网络的多尺度特征融合雷达目标检测方法,该方法利用多个脉冲回波之间的特征关联性检测目标。具体而言,其首先利用多个级联的特征提取模块从回波中提取多尺度特征。然后,该方法利用多尺度特征构造多个有向完全图,图中每个节点对应一个脉冲。之后,每个节点利用图神经网络的消息传播机制聚合其邻居节点的信息,以此学习脉间回波高阶相关性。进一步地,该方法融合多尺度特征以丰富对目标和杂波的特征表示。最后,对融合后特征进行非线性映射,以二分类的形式得到检测结果。基于公开雷达数据集的试验验证了所提方法的有效性。

关键词： 激光雷达   图像处理技术   火车装车   偏载  

摘要： 目前在火车储装运卸料过程中,物料质量、偏载程度与物料装载表面平整性等参数需符合装车要求,故要对每一节车厢装车散料进行分析。在既有技术中,通常使用雷达扫描车厢内物料横截面,利用高速相机捕捉火车车顶图像,并根据捕获图像判断车厢运动状态,逐帧拼接扫描,此方法要求火车处于匀速运动状态并不适用各种突发场景。原煤进入筒仓后经过洗选加工成不同产品,根据需求装车作业。车厢偏载、亏吨会对轨道衡称重带来影响。如何检测车厢物料装载效果并研制一套车厢物料装载、偏载监控系统,对物料流动性动态检测,最终得到物料体积与质量,是主要探讨内容。

关键词： 智能交通   复杂交通场景   目标检测   深度学习  

摘要： 在复杂道路场景下检测图像存在光照变化、遮挡、背景杂乱等问题,导致对场景里多目标的检测难度增大,尤其是在山地城市的道路场景下的检测。为解决此类问题,提出了一种基于YOLO算法的目标检测模型YOLO-MIS(YOLO for Multi-target in Infrared Scene)。在典型山地城市数据集上的实验结果表明:YOLO-MIS在满足网络模型轻量的情况下,与原模型相比其检测精度提升了57%,实现了在复杂交通场景中对目标的精确检测。

关键词： 多目标跟踪   协同探测   概率假设密度滤波   信息关联   最小方差加权  

摘要： 针对多平台被动、主动雷达探测信息异步和高密度杂波混叠导致多目标状态估计精度下降与多目标数量过度估计的问题,提出基于信息关联加权的概率假设密度滤波算法。构建多目标跟踪模型,并分析了现有算法易受杂波影响的机理。推导了基于信息关联加权的多目标跟踪算法,根据目标速度和可容忍误差设置容忍时间参数,将异步时间较短的探测信息近似为同步,利用关联算法筛选来源于同一目标的被动、主动雷达信息,利用最小方差加权融合提升探测精度,而随机分布的杂波由于角度数值差距较大导致难以关联而被剔除。仿真分析表明,所提算法相比于现有算法提升了多目标状态估计精度,减少多目标数量过度估计情况。

关键词： 目标跟踪   运动规划   无人艇   双向拟合算法   保距跟踪   操纵性  

摘要： [目的]针对无人艇在对水面移动船舶进行保距跟踪过程中,由于目标摆脱运动度大且环境中定位精度不足,导致跟踪过程中出现振动与滞后问题,开展无人艇跟踪策略的研究。[方法]首先采用基于多项式和粒子群的双向拟合算法对雷达采样数据进行误差消除;然后基于无人艇与动态目标船的运动态势,以无人艇保距稳定跟踪为导向,规划无人艇航速航向。[结果]实艇试验结果表明,经双向拟合算法滤波后的数据更平滑,符合船舶运动规律;无人艇基于规划的航速航向可稳定跟踪目标船。[结论]该方法能有效满足无人艇稳定跟踪需求,对单目标跟踪具有良好的效果。