关键词： 无人移动视觉   复杂动态场景   图像增强   三维重建   场景分割   目标检测   异常检测  

摘要： 随着人类活动范围的不断扩大和国家利益的持续发展,新域新质无人系统已成为世界各大国科技战略竞争的制高点和制胜未来的关键力量。无人移动视觉技术是无人系统辅助人类透彻感知理解物理世界的核心关键之一,旨在基于无人移动平台捕获的视觉数据,精准感知理解复杂动态场景与目标特性。深度神经网络凭借其超强的非线性拟合能力和区分能力,已经成为无人移动视觉技术的基准模型。然而,实际应用中无人系统通常面临成像环境复杂动态、成像目标高速机动—伪装对抗、成像任务需求多样,导致基于深度神经网络的无人移动视觉模型成像质量大幅退化,场景重建解译与目标识别分析精度显著下降,从而严重制约无人系统在复杂动态场景下对物理世界的感知解译能力与应用前景。针对这一挑战,本文深入探讨面向复杂动态场景的无人移动视觉技术发展现状,从图像增强处理、三维重建、场景分割、目标检测识别以及异常检测与行为分析等5个关键技术入手,介绍每项技术的基本研究思路与发展现状,分析每项技术中典型算法的优缺点,探究该技术目前依然面临的问题与挑战,并展望未来研究方向,为面向复杂动态场景的无人移动视觉技术长远发展与落地奠定基础。

关键词： 雷达目标   自适应检测   训练样本筛选   非均匀环境   异常值剔除  

摘要： 在雷达目标自适应检测中,常假定训练样本与被检测单元中杂波分量独立同分布。实际应用中,各种非均匀因素易导致部分训练样本受异常值污染,因此,研究合适的训练样本筛选方法具有重要意义。将训练样本筛选方法分为4类,主要包括杂波功率法、知识辅助法、特征相似度法和其他筛选方法。其中:基于杂波功率的筛选方法可细分为功率选择训练、广义内积和自适应功率剩余等;基于知识辅助的筛选方法主要分为两类,一类是利用信息直接筛选地形数据,另一类则对检验协方差矩阵进行重构;特征相似度方法主要研究训练样本间频谱和协方差矩阵的差异性;其他筛选方法侧重于融合稀疏恢复、子孔径、多帧处理和深度学习等技术进行训练样本筛选。最后,对训练样本筛选方法进行总结和展望,给出现有研究在实际应用中所面临的潜在问题和挑战。

关键词： 杂草识别   机器视觉技术   图像处理   图像识别   人工智能算法  

摘要： 农田杂草是影响作物生长和制约农产品优质高产的重要因素之一,准确识别农田杂草是有效防除杂草的关键。随着计算机技术的迅速发展,机器视觉技术正逐步被应用于农田杂草识别领域,该应用显著提升了除草效率。为进一步推动机器视觉技术在农田杂草识别领域的应用,现对图像识别技术和图像处理技术在农田杂草识别领域的应用现状进行总结,并针对机器视觉技术在杂草识别领域应用中存在的主要问题进行分析,在此基础上,在提高硬件运行效率、开发通用应用软件、优化人工智能算法等方面,提出了相关对策与建议。

关键词： 无人机   目标跟踪   孪生网络   多尺度特征融合  

摘要： 针对传统目标跟踪算法计算量大、跟踪精度低等问题,提出了一种结合孪生网络和Transformer的轻量级目标跟踪算法,能够有效应对无人机跟踪场景的各种挑战。首先,基于轻量级特征提取网络GhostNet设计模型的主干网络,提取目标的多尺度特征;随后,利用改进的Transformer结构搭建模型的多尺度特征融合层,充分融合目标的多尺度特征;最后,将改进的Transformer结构与孪生网络的互相关操作相结合,整合特征的全局与局部信息,实现对跟踪目标的精确定位。在UAV123、GOT-10k和LaSOT等数据集上的实验结果表明,所提算法跟踪性能优秀,跟踪速度达到87帧/s,在GPU和CPU平台上均实现了实时目标跟踪。

关键词： 肺结节   语义分割   目标检测   图像分类   早期辅助诊断  

摘要： 早期肺癌往往缺乏典型症状,导致诊断不仅依赖于医生的经验,还受制于其工作的疲劳程度,进而影响诊断的准确性和效率。此外,传统筛查方法诊断流程繁琐、误诊率较高、筛查成本昂贵。基于AI深度学习的早期肺癌辅助诊断系统利用物联网技术和U-net、YOLOv5及残差网络(ResNet)等先进深度学习模型,实现对肺部CT扫描图像中异常区域的准确识别和分类。系统在早期肺癌辅助检测中,通过目标检测技术,可以识别CT扫描中的肺结节,并确定结节的位置和大小。通过图像分类技术,利用残差神经网络对目标检测出的肺结节进行分类,区分良性还是恶性。实现高效的肺分割、肺结节检测及良恶性分类,从而显著提升了诊断流程的效率和准确性,进而提高患者的生存率和生活质量。这不仅展现了高水平的人工智能技术应用,而且具有显著的临床应用潜力和广阔的市场前景。

关键词： 合成孔径雷达   深度学习   YOLOv5   目标检测  

摘要： 合成孔径雷达(SAR)在船只检测中至关重要,因其能够在复杂环境中捕捉高分辨率图像。然而,目前的模型在这些环境中仍然存在误报和漏检的问题。为了应对这些问题,本文提出了一种基于YOLOv5的新型检测方法AABWYOLO。首先,为了增强多尺度目标检测,采用了可变卷积核模块(AKConv)进行自适应卷积核调整,并将原模型的“颈部”部分替换为渐进式特征金字塔网络(AFPN);其次,将BiFormer注意力机制集成到YOLOv5的骨干网络中,以提高复杂环境下小型船只的检测能力;第三,采用了WIoU损失函数,以加速收敛速度并提高泛化能力。基于SSDD和HRSID数据集的评估表明,增强后的网络显著提高了性能,AABW-YOLO分别在这两个数据集上实现了97%和83.7%的AP值,超越了基线YOLOv5及其他领先方法。

关键词： 目标位置检测   机器视觉   优化方案   仿真模拟   目标监测系统  

摘要： 文中从传统目标检测的工作原理出发,用模拟扫描结果的方法分析了动态扫描替代静态扫描的可行性、误差变化,提出了融合其他系统激光器动态扫描的方法以减少动态扫描的误差,进而引入机器视觉的方法。以吊具相机的成像作为研究对象,采用常规边缘检测方法检测出相交线的顶点,并计算出若干高度上的理想误差;而机器视觉方面比较了125张图片和加入100张模拟图片作为训练集在YOLOv10-s模型上的训练,并得出结果。结果表明:原生YOLOv10-s可以对大中锁孔进行检测,且加入模拟图片的训练结果好于仅真实图片的训练结果。

关键词： 深度学习   卷积神经网络   超材料   拓扑优化   图像处理  

摘要： 基于卷积神经网络模型,建立了超材料微带天线拓扑结构布置图-增益性能数据库,实现了超材料微带天线拓扑结构性能预测。针对数据库预测精度不足的问题,改进卷积神经网络结构模型,引入了深度卷积方法和反向残差结构等。改进后的数据库性能比较优良,损失函数下降至0.008,且在验证集上达到了99%的预测准确率,验证了基于深度卷积神经网络的超材料微带天线拓扑结构性能预测的有效性。

关键词： 声音增强   遥感图像   超分辨率   目标检测  

摘要： 为提升超分辨率遥感图像在复杂场景下的目标检测精度,采用声音增强技术对图像边缘细节进行补偿与结构重建,构建多通道协同融合架构,研究其在目标识别中的应用效果。结果表明,该方法在平均精度(mean Average Precision,mAP)、F1分数及边缘保持率等指标上均优于传统方案,显著增强目标边界表达与检测稳定性。

关键词： 目标检测   口罩检测   特征融合   YOLOv5n   特征金字塔网络  

摘要： 口罩作为基础的个人防护物品,在公共卫生领域发挥着重要作用。针对复杂场景下口罩检测精确度低的问题,提出一种基于YOLOv5n改进的轻量级口罩检测算法Mask-YOLO,以提高口罩检测精确度和模型训练的稳定性。在特征提取阶段的卷积模块组中采用Softplus激活函数,提升模型非线性映射效率,加快模型的收敛速度;在主干特征提取深层网络中添加Coordinate Attention,通过嵌入位置信息得到通道注意力,使网络获取更大的物体区域信息和通道目标特征,同时避免较大的内存开销;在深层网络将快速空间金字塔池化(SPPF)模块替换为接受域模块(RFB),借助不同的膨胀率来扩大卷积特征采样的感受野,以获取高层网络中丰富的物体语义信息;在多尺度特征融合网络PANet结构的基础上,添加BiFPN跨阶段多尺度特征融合设计,使得具有不同尺度空间信息和语义信息的目标特征充分融合交互,进一步提升小目标检测精度;采用DIoU作为边界框损失函数,用以解决边界框回归不稳定和目标漏检的问题;采用Soft-NMS的方法,通过降低重叠检测框置信度得分的方式,进一步提升检测效率。实验结果表明,Mask-YOLO与基准模型YOLOv5n相比,在mAP@0.95综合评价指标上性能提升8.58%,解决了原始YOLOv5n算法在口罩检测中小目标检测精度低、边界框回归不稳定、模型训练收敛慢等问题,实现了高效的口罩检测。