关键词： 图像处理   行人检测   深度学习   点云  

摘要： 激光雷达点云有明显的离散性,其信息密度远低于图像,从而导致行人检测在此背景下的检测精度较低。为了解决此问题,提出了一种基于改进型复合你只看一次(complex-YOLO)的激光雷达行人检测方法。设计了一种新的网络特征提取结构,增强主干网络的特征学习能力,以便在数据稀缺的情况下更充分地挖掘信息;使用的级联特征金字塔网络及其多分支线性融合方法能够融合不同尺度、不同深度的特征,提升网络的泛化性能,以应对数据特征畸变的情况;在训练过程中还采用了增强交并比(EIoU)以加速网络的收敛速度。结果表明,改进后的算法检测精度提升了3.03%。该研究对在稀疏数据情况下提高行人检测精度是有帮助的。

关键词： 目标检测   光伏板   深度学习   轻量化  

摘要： 针对无人机搭载嵌入式设备的算力有限以及现有光伏板缺陷检测模型参数量大、计算复杂的问题,提出一种基于深度学习的轻量化检测方法。该方法以SSD算法为基础,采用Mobile NetV3作为主干网络,旨在减少模型的参数量和计算复杂度。同时引入一种注意力机制,以增强模型的特征提取能力,提高检测的准确率。此外,对自制数据集进行数据增强以丰富数据集的内容,从而增强模型的泛化能力。结果表明:相较于原SSD算法,改进后的算法在计算量上减少了68.9%,平均精度提升了4.3%,检测速度达到了45.6 FPS。改进的算法能够快速准确地检测出光伏板表面的污损,有助于提高光伏电站的发电效率。

关键词： 水下图像增强   对比学习   循环生成式对抗网络   目标检测  

摘要： 水下图像因存在色彩失真和细节损失,严重影响了水下机器人的视觉感知能力。为实现图像增强,同时提高检测精度,提出了一种基于对比学习的水下图像增强与目标检测多任务学习框架,既生成视觉友好图像,又提高目标检测精度,实现面向目标检测任务的图像增强。针对目标纹理特征不清晰的问题,通过检测任务的区域生成模块构建对比学习的正负图像块,保证目标区域与原始图像在特征空间更加接近,同时利用检测的梯度信息引导图像增强朝着有利于目标检测的方向进行。此外,通过基于循环生成式对抗网络的图像翻译方法来学习并保留清晰图像特征实现图像增强,不需要成对的水下图像,降低了对数据的要求。最后,在EUVP、U45和UIEB数据集上进行了增强算法验证,在RUOD、URPC2020和RUIE数据集上进行了检测算法验证。实验结果表明,本文算法在主观视觉上可以有效修正颜色失真问题,同时保留了原始图像及目标的结构纹理;在客观指标上,峰值信噪比达到24.57 dB,结构相似度达到0.88。图像增强后在Faster R-CNN和YOLOv7算法上检测精度平均提升了2%。

关键词： 遥感图像   目标检测   倒残差   自注意力机制   多尺度   空间金字塔   特征提取   特征融合  

摘要： 针对遥感图像目标检测存在背景信息干扰严重、待检测目标尺寸差异大等问题,提出一种结合倒残差自注意力机制的目标检测方法。首先,使用具有强特征提取能力的倒残差自注意力机制骨干网络充分提取目标特征,降低复杂背景信息的干扰;其次,构造多尺度空间金字塔池化模块,提供多尺度感受野,增强捕捉不同尺寸目标的能力;最后,提出轻量级特征融合模块,对骨干网络提取的特征图进行融合,充分结合低层与高层特征,提高网络对不同尺寸目标的检测能力。与传统网络及其他改进目标检测算法进行对比,实验发现该方法的检测精度明显优于其他算法。此外,在DIOR数据集和RSOD数据集上设计消融实验,结果表明,该方法在DIOR数据集与RSOD数据集上的平均精度均值比YOLOv8算法分别提升4.6和4.2百分点,明显提升遥感图像目标检测的精度。

关键词： 地理信息系统(GIS)   数字高程   数字相控阵   智能优化   超分辨测向  

摘要： 高可靠探测和高精度测量低空目标是地面防空雷达的一大难点,而随着地面信息系统和相控阵雷达的数字化,以及有效利用环境先验信息并结合先进模型和算法,有望实现其性能的显著提升。为此,依托地理信息系统提供的数字高程信息,对低空目标回波的多径传播路径进行精确建模,进而建立阵列接收的结构化模型;根据阵地附近强散射体的空间分布情况,采用智能优化算法实现方向图副瓣的精细分区优化,以有效提升回波信杂噪比和弱目标检测能力;针对结构化模型对子空间类算法进行修正,在无须预估多径幅相因子的情况下,实现精确的超分辨仰角估计。本文所提模型和方法可以应用于地面雷达对低空多目标的高可靠探测和精确仰角测量,仿真结果验证了其有效性。

关键词： 无人机   避障传感器   计算机视觉   事件相机  

摘要： 无人机自主飞行避障技术是无人机安全飞行和应用中最为基础和关键的技术,也是当前无人机领域的研究热点。随着深度学习在计算机视觉方向的应用,以及事件相机等视觉传感器技术的迅速发展与不断完善,基于视觉传感器的无人机自主飞行避障方法取得一定的进步,但目前有些研究方法在复杂场景下仍存在很大的挑战以及存在一些列亟待解决的问题,在精准性、实时性以及算法鲁棒性方面仍有改进空间。首先介绍无人机避障的相关概念及问题难点;然后将基于视觉传感器的避障算法根据采用的硬件及技术手段,具体划分为传统避障方法、基于深度学习避障方法、基于处理事件流的避障方法、基于传感器融合避障方法,和基于视觉避障的决策层避障方法,并分别介绍每类避障方法相关研究进展与研究成果,以及分析各类避障方法的优缺点;最后总结现有无人机避障算法存在的问题,并对未来研究工作进行展望。

关键词： 目标检测   YOLOv8   深度学习   风机叶片   表面损伤检测   双层路由注意力   EIoU  

摘要： 针对风机叶片维护成本高的问题,本文将目标检测技术用于检测风机叶片损伤,为精确定位损伤位置提供可行性方案,降低因停机检修带来的经济损失,保障风机的可靠运行。本文基于改进YOLOv8算法提出一种新颖的风机叶片损伤检测模型YOLOv8-BE。在骨干网络中结合双重路由注意力机制,在训练过程中提升特征图之间的关联度,提升检测的精度。采用EIoU损失函数代替CIoU损失函数,提高模型的定位能力。在风机叶片损伤数据集上,对比YOLOv8s网络,YOLOv8-BE的mAP值提升2.1%,精确率提升3.7%,召回率提升0.7%。与YOLOv3、YOLOv4和YOLOv5s等模型相比,本文提出的模型检测精度最高,mAP为90.7%,精确率为94%,召回率为84.6%。通过实例分析和比较,验证了本文方法的有效性和优越性。这些研究成果可应用于风机叶片损伤的检测,减少风机叶片维护成本,具有一定的研究价值。

关键词： YOLOv8s   目标检测   矿井   effectiveSE   安全帽检测  

摘要： 矿井下光照缺失、环境复杂,安全帽目标尺寸较小,导致一般目标检测模型对安全帽的检测效果不佳.针对上述问题,提出了一种基于改进YOLOv8s的矿井下安全帽佩戴检测模型.首先,将effectiveSE模块和YOLOv8s Neck层中的C2f模块相结合,设计得到新的C2f-eSE模块,提高了网络结构的特征提取能力,并用Wise-EIoU损失函数替代CIoU损失函数,提高了模型的鲁棒性;其次,在检测头中引入空间和通道重建卷积模块SCConv,并根据参数共享思想设计了新的轻量化SPS检测头,降低了模型的参数量和计算复杂度;最后在模型中增加一层P2检测层,使模型的特征提取网络融入更多的浅层信息,提高了对小尺寸目标的检测能力.实验结果表明,改进后模型的mAP50指标提升了3.2%,参数量降低了1.6%,GFLOPs降低了5.6%.

关键词： 无线传感器网络   目标跟踪   网络攻击   分布式集员滤波   高斯混合模型   聚类融合  

摘要： 针对网络攻击下无线传感器网络中的目标跟踪,构建一种高斯混合分布式鲁棒集员滤波算法,旨在提高网络恶意攻击下移动目标跟踪的一致性和精确性.该算法可分解为校正/测量更新、聚类融合和预测/时间更新3个步骤:校正/测量更新步是指根据传感器采集的测量值更新前一时刻的状态估计(先验估计);聚类融合步是指采用高斯混合模型聚类算法对传感器节点估计进行分类,分为信任节点估计和非信任节点估计,非信任节点估计会被忽略而信任节点估计将参与融合;预测/时间更新步是指预测目标状态的先验估计,将目标的当前时刻状态估计传递至下一时刻.仿真结果表明:算法在抵御随机攻击、拒绝服务攻击、虚假数据注入攻击、重放攻击以及混合攻击这5种常见的网络攻击方式下具有较好的鲁棒性.

关键词： 高光谱成像   空谱联合   Gabor滤波   约束能量最小化  

摘要： 高光谱图像目标检测技术在多个领域具有显著的应用潜力,为充分挖掘高光谱图像中丰富的空间和光谱信息,提出了一种结合Gabor滤波与约束能量最小化(constrained energy minimization,CEM)的高光谱图像目标检测方法Gabor-CEM。该方法充分结合了Gabor滤波器和CEM算法的优点,利用Gabor滤波器有效地提取高光谱图像的空间纹理和方向特征,为目标检测提供丰富的空间信息;凭借CEM算法对目标光谱信息的高效利用,对目标进行定位和识别。利用野外成像光谱仪拍摄的高光谱图像进行实验,结果表明,相较传统方法,Gabor-CEM方法能够更准确地检测出目标,降低误检率和漏检率,在目标检测任务中具有显著优势,为高光谱图像目标检测提供了一种新的有效途径。