关键词： 机器视觉   DETR算法   目标检测   轻量化   注意力机制  

摘要： 交通标志检测是智能车辆行驶过程中的关键,对于车辆分析路况有着重大的意义。针对现存交通标志检测算法参数较多、精确率不高的问题,提出一种基于改进RT-DETR(real-time detection transformer)的轻量化交通标志检测算法。首先,将模型主干网络中的ResNet网络替换为VanillaNet网络,减少网络的层数与参数量;其次,使用加权双向特征金字塔模型(bi-directional feature pyramid network,BiFPN)代替RT-DETR特征融合模块中的PAN(path aggregation network)结构,增加模型的融合能力,提取更加丰富的特征信息;最后,在特征融合模块中添加GAM(global attention mechanism)注意力机制,加强模型对全局信息的感知,提升多目标与被遮挡目标的检测性能。该算法在交通标志数据集上进行测试,结果说明改进后的RT-DETR算法的mAP(mean average precision)值达到了87.7%,相比原始算法提高了3.6%,且参数减少21%,满足智能车辆设备的部署需要,证明了改进算法的有效性。

关键词： 唐墓壁画   光谱分析   高光谱图像处理   壁画颜料层   壁画绘制工艺  

摘要： 2022年11月出土于陕西西安白杨寨晚唐墓M1373是一项保存较好的晚唐墓葬遗产,其多彩多姿的墓葬壁画对于研究晚唐时期的祭祀、礼仪、音乐、服饰、艺术等具有重要意义,特别是为研究唐宋之际的壁画风格题材转变提供了直接材料。然而,由于年代久远,该壁画颜料层依旧出现了许多典型病害,如颜料脱落、起甲、泥水污染等,加之后续揭取会给壁画颜料层带来人为干预,这会使得壁画信息受到一定影响。为此,利用高光谱成像技术在壁画揭取之前进行一体化图谱信息获取,而后采用光谱分析与高光谱图像处理技术对壁画表面颜料层进行分析,并以乐舞图为例,研究该壁画绘制的颜料与工艺。实验结果表明:该壁画红色、黄色、绿色等颜料采用了传统的赭石、土黄/石黄、石绿等矿物颜料,且在绘制地毯花卉时,红色颜料和绿色颜料被大量稀释使用,而黄色颜料使用并不明显;壁画绘制时用墨色或硬笔起底稿,用红线勾勒,底稿线与表层勾勒线大多存在偏移,且有些区域勾勒线与底稿线偏移较严重,说明起稿和定稿之间有一定的改动;同时,部分区域底稿线较为明显,部分区域则不太清晰,通过高光谱图像处理方法,发现了隐藏于颜料层表面或勾线之下的起稿线;该壁画主要采用了分布式非重叠二维直视的画面布局方式,空间立体感稍差,但对于乐手手指和乐笛交汇的多个位置,有的出现了前景与背景图案非重叠的二维直视绘制方式,有的出现了少量前景与背景图案重叠的二维透视绘制方式,说明该壁画在绘制前和绘制时进行较好的布局设计,且未出现明显的涂改。此外,还发现该壁画存在一些隐藏的污水污染病害。上述研究为该壁画的现场保护方案制定和后续研究与保护修复等提供了数据资料、研究方法和初步结论支撑。

关键词： 中国兵工学会   重点科研项目   基金项目   光电信息   传感技术   图像处理   ISSN   中北大学  

摘要： 《测试技术学报》(ISSN1671-7449 CN14-1301/TP)由中北大学和中国兵工学会主办,是“中国兵工学会测试技术学会”会刊,刊登有关测试技术的重点科研项目、基金项目的研究成果以及兵器及民用测试的应用技术,是“中国科技核心期刊”。本刊稿件来源于全国各大高校、研究院所及国外一些大学,在国内本专业学者中受到高度重视,重点关注测试技术与理论研究、光电信息与传感技术、故障检测、信号检测、数据采集、图像处理、通信技术等领域。

关键词： 遥感图像   目标检测   注意力机制   全局特征融合   锚框优化  

摘要： 针对遥感图像目标检测中复杂背景干扰、多尺度目标检测以及检测精度差的问题,提出一种基于改进YOLOv8的遥感图像目标检测算法CGF-YOLOv8。首先,将CPAM双重注意力模块嵌入特征提取网络之后,使模型提取的特征更充分,在处理复杂背景时更好地区分目标与非目标区域。其次,GFPN通过跨尺度特征融合的方式,将不同分辨率的特征信息有效地结合起来,使模型在处理多尺度目标时达到更高的检测准确性。最后,利用FIoU的锚框优化策略,通过赋予每个特征点不同的权重,在提升预测框与真实框匹配精度的同时,显著提高定位精度。在RSOD数据集上的测试结果表明,此方法的平均精度达到了98.6%,帧率FPS为每秒112帧。与原YOLOv8算法比,mAP提升了6.8%,帧率提升了12帧,达到了实时检测的效果。

关键词： 合成孔径声呐   变化检测   目标检测   声呐图像处理  

摘要： 水下环境和水声信道随时间动态变化,合成孔径声呐形成的地貌或目标结果也会随之变化,导致目标漏检和场景认知度低,给水下安防和无人导航等带来较大隐患。针对该问题,该文提出了基于双时相的合成孔径声呐变化目标检测方法,根据帧间声图地理信息和特征的匹配,完成像素级的差异分析比对,实现变化目标的检测和标注。经试验数据验证,该方法能够准确检测和标注预设的变化区域,对水下场景变化规律的掌握和威胁目标的监测具有重要意义。

关键词： 空时结构张量   低秩稀疏逼近   子空间学习   红外小目标检测   组合干扰场景  

摘要： 红外目标检测系统是可靠探测和识别背景辐射与其他干扰条件下高价值目标的有效技术手段之一,广泛应用于各个领域。红外弱小目标检测作为系统的重要组成部分,仍是当前具有挑战性的关键核心技术。本文提出了一种基于低秩张量子空间学习的方法,该方法在考虑序列在空时连续一致性的同时,也保留了红外图像结构的完整性。通过空时滑动窗获得空时张量块模型,利用多子空间学习策略构建不同场景下的红外张量字典模型。最后,采用最优化算法求解所提出的红外张量目标函数,获得低秩背景和稀疏目标张量,通过重构图像检测出感兴趣的红外弱小目标。实验结果表明,在复杂背景高反虚警环境及组合强干扰场景下,该方法目标检测性能优于其他现有检测算法。

关键词： 水下生物目标检测   YOLOv7-tiny   注意力机制   通道剪枝   复杂水下环境  

摘要： 在利用水下机器人进行生物捕捞与识别时,色偏、雾效应与光干扰等复杂水下环境的干扰会导致模型存在漏检和误检现象,同时,由于带宽受限,水下设备计算资源也受限制。为解决上述问题,提出了一种高检测精度的轻量级改进的YOLOv7-tiny模型。使用SiLU激活函数和EIOU损失函数提高模型收敛速度;使用双重注意力叠加的GAM注意力机制和三重注意力叠加的DyHead检测头更好地抵御环境噪声的干扰;最后,利用通道剪枝策略降低模型参数量。实验结果表明:在RUOD数据集上,改进后的模型有效的缓解了色偏、雾效应与光干扰等复杂水下环境下的漏检和误检现象,浮点数计算量降低8.4%,提高了水下设备在计算资源受到限制时的可用性。所提方法可适用于水下检测系统和水下机器人。

关键词： 门控快速傅里叶卷积   高频特征融合   红外小目标检测  

摘要： 针对在远距离复杂场景下红外小目标尺寸和形状差异大、检测精度欠佳的问题,提出了一种基于门控卷积和高频特征融合的红外小目标检测模型。为了解决复杂场景下目标尺寸差异的问题,通过在U-Net下采样过程中使用门控快速傅里叶卷积(gated fast Fourier convolution,GFFC)模块提取多尺度的全局和局部特征,为提升模型在不同复杂程度数据集上的训练效果,利用超参数门控调节网络对目标全局和局部特征的权重,以平衡对全局和局部特征的需求。为解决红外小目标形状差异的问题,采用了高频特征融合(high-frequency feature fusion,HFF)模块,进一步提取高频子带特征,增强红外小目标细节纹理信息。在SIRST和IRSTD数据集上的实验结果表明,相比基准UCF方法,提出的方法在两个数据集的评价指标下分别提升了0.83个百分点、0.40个百分点和5.18个百分点、0.23个百分点,证明了该方法的有效性。

关键词： 小目标检测   YOLOv11   特征提取   感受野注意力  

摘要： 为了有效应对无人机航拍中小目标检测面临的复杂背景、目标密集、目标微小化和移动端部署等挑战,对YOLOv11n模型进行了改进。使用RFCBAMConv模块改进C3k2,增强了特征提取能力。设计了膨胀特征金字塔卷积(dilated featurepyramidconvolution,DFPC)模块,替代了原有的SPPF层。通过多尺度膨胀卷积,加强了对无人机小目标细节特征的提取。提出了一种新的特征金字塔结构,在P2层增加160×160尺寸的特征图输出,以提取小目标特征信息。该方法替代了传统通过添加P2小目标检测头的做法。引入了CSPOK模块和ContextGuidedBlock_Down(CGBD)卷积,显著提升了全局特征的提取能力和多尺度特征的融合能力。采用动态检测头(DyHead)替代了原有的检测头,提升了模型的目标检测精度。实验结果表明,改进模型在VisDrone数据集上的mAP@0.5和mAP@0.5:0.95指标分别提高了0.071和0.049。此外,在AI-TOD和SODA-A等数据集上的泛化实验也显示,改进模型在mAP@0.5上分别获得0.055和0.048的提升,充分验证了模型的有效性和泛用性。

关键词： 深度学习   特征网络优化器   检测跟踪识别一体化   重新捕获  

摘要： 目标跟踪作为图像处理领域的重要组成部分,广泛应用于智能视频监控、军事侦察等领域。但在面对物体形变以及遮挡等复杂应用场景时,相关滤波算法由于缺乏目标和背景判别区分以及遮挡状态判断等策略,存在跟错目标、缓慢漂移到背景等现象,在遮挡后目标重新出现时,缺乏重检测机制,这些问题导致了跟踪性能在实际工程中大幅下降。针对以上问题进行改进设计,首先在跟踪过程中,使用网络优化器更新多层深度特征提取网络,优化损失函数提高目标与背景的判别能力;其次,采用多重检测抗遮挡优化机制,确定跟踪器状态更新机制;最后,基于深度学习进行检测跟踪识别一体化设计,实现跟踪前典型目标的自动捕获,目标受遮挡后重新出现时实现对典型目标的重新捕获定位。在实验分析中,分别从跟踪精度、可视化定量损失以及算法速度等方面进行了性能验证。实测数据显示,本文采用的方法在以上方面性能表现良好,优于改进前的ECO(efficientconvolution operators for tracking)算法。