关键词： 蒸馏塔   金属腐蚀图像   检测方法   Ostu算法   聚类中心   分割阈值  

摘要： 受到光照条件以及背景复杂度等多种因素的影响,金属腐蚀区域与背景区域混合,待检测区域较大,导致腐蚀检测质量不佳,信噪比较高,对此,提出基于改进Otsu算法的原油蒸馏塔金属腐蚀小目标检测方法。采用二维函数,对图像亮度进行描述,结合双边滤波算法提取出光照分量,引入伽马因子以及亮度均值,对光照分量进行校正。在原有分割标准的基础上,加入颜色特征与以及纹理特征参数,结合类间方差构建出分割阈值,从而实现金属腐蚀区域与背景区域的分离处理。将金属区域分割结果划分为不同的子单元,结合疑似腐蚀检验系数对每个子单元进行判断,通过迭代,更新腐蚀区域聚类中心,结合光照分量,输出腐蚀区域检测结果。仿真结果表明,该方法应用后,金属腐蚀图像处理信噪比更高,可以在每个单元下识别出重度腐蚀区域,并具备更为精准的检测效果。

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： 合成孔径雷达(SAR)   舰船图像   旋转检测   注意力机制   YOLOv5  

摘要： 针对合成孔径雷达(SAR)小目标成像特征不显著、目标具有任意朝向易出现漏检、检测精度较低的问题,提出面向SAR舰船小目标的ES-YOLOv5检测算法.添加小目标检测层调整感受野大小,更适应小目标尺度特征,方便进行多尺度融合.引入EMA注意力机制重点关注目标关键信息,强化特征的表达能力.使用圆平滑标签(CSL)技术适应角度的周期性,实现了对角度的高精度分类.实验结果表明,在RSDD-SAR数据集上,该方法在交并比阈值为0.5时的平均检测精度达到90.9%,在提高SAR舰船小目标检测精度方面比基准算法YOLOv5提高了6%,显著改善了模型的检测性能.

关键词： 目标检测   绝缘子检测   可变形卷积   注意力机制  

摘要： 针对目前绝缘子缺陷目标检测算法中存在的误检、漏检和检测精度低等问题,提出一种改进的YOLOv8绝缘子及其自爆缺陷目标检测算法。在YOLOv8模型原有的结构上添加了一个小目标检测头,使得网络模型对小目标物体更加专注。使用可变形卷积(Deformable ConvNets v2,DCNv2)替换了C2f模块中的普通卷积,使得模型可以更好地捕捉和感知被检测目标的特征。在主干网络中引入反向残差注意力模块(Inverted Residual Mobile Block,iRMB),使模型能够捕捉局部特征和复杂空间之间的关系,从而更加专注于检测目标的特征信息。使用Wise Intersection over Union(WIoU)作为损失函数,使得模型在训练时能够取得更好的效果,从而提高检测精度。在输电线路绝缘子数据集上,该算法的平均检测精度(mean Average Precision,mAP)提高至98.0%,相比于原始算法提高了2.9%,精确率和召回率分别提高至92.8%和94.8%。改进后的算法相比原始算法,特别是针对小目标缺陷的检测有明显提升,证明了算法改进后的可行性。

关键词： 卷积神经网络   水面漂浮物   目标检测   注意力   黄河郑州段  

摘要： 针对水面漂浮物感知目标小、易受干扰、识别精度低的问题,提出ATD-CNN目标检测模型。结合注意力机制,将注意力模块嵌入Faster R-CNN改进模型的基本主干网络,计算特征图内部特征点之间的长距离相关系数,对显著性特征进行有效增强,以提升基本主干网络对图像特征的提取能力。基于河南省郑州市惠济区南裹头黄河沿岸采集的图像数据,对ATD-CNN模型检测效果进行验证,并将该模型性能与Faster R-CNN改进模型、YOLOv5单阶段目标检测模型进行对比。结果表明:与Faster R-CNN改进模型相比,ATD-CNN模型对水面漂浮物的漏检率下降,其mAP值提升了6.80%,F1 Score平均值提升了2%。与YOLOv5X、Faster R-CNN改进模型相比,ATD-CNN模型的mAP值分别提升了2.91%、6.80%,有效提高了水面漂浮物检测精度。

关键词： 行人重识别   对抗学习   知识蒸馏   图像检索   计算机视觉  

摘要： 近年来,随着城市化进程的加速和社会经济的发展,公共安全问题也愈发引起人们的关注.为了保障社会稳定和公民生命财产安全,各地政府开始大力推进智能安防和智慧城市的建设.行人重识别就是构建智慧城市的核心技术之一,对安防监控和刑事调查申请具有重要意义.行人重识别旨在检索不同摄像头下捕捉到的特定人物.然而,由于光照、视角、遮挡和姿势等造成的类内差异,行人重识别在计算机视觉领域仍然是一项具有挑战性的任务.受限于数据和标记匮乏,已有的全监督行人重识别任务在模型层面上改进的方法效果基本达到瓶颈.引入更复杂多样且标记易获得的大型虚拟数据集来进行辅助训练,并提出了一种基于摄像头感知的非对称领域对抗学习方法,同时缓解领域间差异和多摄像头间类内差异的影响,使模型从更丰富多样的数据中学到摄像头差异无关的特征表示.此外,为了缓解虚拟数据集夹带的误导信息带来的不利影响和对抗训练中真实世界数据集的数据分布向虚拟数据集的数据分布发生偏移的问题,提出使用基于真实数据训练的辅助网络来约束主干网络的训练.实验在2个公开的数据集上进行验证,表明了所提方法的有效性.

关键词： 穿墙雷达   分布式雷达   无线组网   信号增强   目标检测   目标匹配   联合定位  

摘要： 超宽带雷达具有抗干扰能力强、穿透性强等特点,被广泛应用于穿墙人体目标探测。单发单收雷达具有体积小、重量轻的优势,但是无法实现目标的二维定位。MIMO阵列雷达能够实现对于目标的定位,但是存在着体积与分辨率之间的相互制约,同时运算时间较长。该文基于分布式穿墙雷达,提出了一种基于分布式雷达的多目标自动检测方法。首先,对回波信号进行时域预处理、时频转换等,基于恒虚警检测的目标距离测量方法获取目标候选距离单元,使用滤波矩阵进行候选信号增强;基于生命信息对增强后信号进行关联,实现目标匹配;最后使用定位模块来实现雷达位置自确定,进而实现生命目标位置的快速、自动检测。为了避免偶发误差对最终定位结果的影响,该文使用定位场景剖分的方法实现穿墙场景下的生命目标二维定位。实验结果表明,该文所提方法可以实现穿墙场景下多目标的检测定位,在实测数据中运算时间为0.95 s,优于其他对比方法4倍以上。

关键词： 深度学习   轻量化   YOLOX   目标检测   注意力机制  

摘要： 针对现有的车牌检测算法在复杂环境下检测多方向车牌效果不佳、实时性差以及模型参数量和计算量过大等问题,提出了一种基于YOLOX的轻量级多方向车牌检测算法。通过调整残差组件的数量,并采用大卷积核结合深度可分离卷积的方法,降低了主干网络的参数量。引入通道注意力机制,以有效提取通道交互信息,减少噪声的干扰。使用深度可分离卷积和调整扩展率的方法对特征融合网络进行轻量化处理。设计了旋转解耦头,通过添加角度预测分支,使其能够更精准地预测多方向车牌的旋转边界框。采用旋转IoU损失代替水平IoU损失,提高检测的准确性。CCPD数据集上的实验结果表明,改进算法的参数量和计算复杂度分别为2.38×10^(6)和12.97GFLOPs,相较于YOLOX-tiny分别减少了45%和33%,检测精度AP70为94.9%,每秒检测帧数为76.6FPS。改进后的车牌检测模型能够在保持高精度的同时实时检测多方向车牌。

关键词： 显著性目标检测   RGB图像   深度图像   深度学习   多模态图像处理  

摘要： 显著性目标检测是计算机视觉领域的基础问题之一,旨在对图像中最吸引人注意的目标进行检测和分割。随着深度学习技术的发展,基于RGB(Red-Green-Blue)图像的显著性目标检测算法取得了巨大进步,在简单场景下已经取得较为满意的结果。然而,局限于可见光相机的成像能力,RGB图像易受到光照条件的影响,且无法捕捉场景的三维空间信息。相应地,基于RGB图像的显著性目标检测算法通常难以在一些复杂场景下取得较好的检测效果。近年来,随着深度成像技术不断发展和硬件成本不断降低,深度相机得到了广泛应用。其捕获的场景空间信息,与可见光图像获取的场景细节信息相互补充,有助于提升复杂场景下显著性目标检测性能。因此,RGB-深度(RGB-Depth,RGB-D)图像显著性目标检测引起了学者广泛研究。本文对近期基于深度学习的RGB-D图像显著性目标检测算法进行了整理和分析。首先,分析了多模态RGB-D图像显著性目标检测所面临的关键问题,并以此对现有算法解决这些关键问题的主要思路和方法进行了总结和梳理。然后,介绍了用于RGB-D图像显著性目标检测算法研究的主流数据集和常用性能评价指标,并对各类主流模型进行了定量比较和定性分析。最后,本文进一步分析了RGB-D图像显著性目标检测领域有待解决的问题,同时对今后可能的研究趋势进行了展望。

关键词： 合成孔径雷达   目标检测   小目标   遥感图像   深度学习   YOLO模型   计算机视觉  

摘要： 针对SAR图像上的小目标难以被检测的问题,提出一种STSAR-YOLOv5目标检测算法。在YOLOv5基础上增加一层检测头捕捉小目标;在骨干网络部分加入BoTNet模块,其具有全局信息获取能力,能够在高度密集场景下定位小目标。在自主构建的SSAD数据集上进行对比实验,实验结果表明,STSAR-YOLOv5的检测效果较YOLOv5有明显提升,该方法平均检测精度(mAP_0.5:0.95)提高了7.8%。相比YOLOv5算法,该算法对SAR图像中的小目标表现出较好的检测性能和鲁棒性。