关键词： 冬小麦   遥感   倒伏   图像处理   提取  

摘要： 为快速准确地提取冬小麦倒伏面积,以德州两次冬小麦倒伏过程为研究案例,采用高分六号卫星数据和哨兵一号合成孔径雷达数据,根据倒伏小麦与正常小麦光谱特征的不同,实现冬小麦倒伏面积精准提取。结果表明:(1)对正常小麦和倒伏小麦进行光谱分析,在高分六号影像中后者绿光波段反射率和垂直-水平(vertical-horizontal, VH)极化影像中后向散射强度均明显高于前者;(2)基于此两种特征提取的冬小麦倒伏面积普遍大于实测面积,倒伏严重时,相对误差百分率为3.1%~4.6%,较之严重倒伏,轻度倒伏时提取的面积相对误差偏大;(3)当倒伏伴有明显积水时,基于高分六号卫星的提取结果更为准确。研究成果为进一步提高冬小麦倒伏面积提取精度提供参考,也为及时做好冬小麦倒伏预防补救提供数据支撑。

关键词： 目标检测   多尺度通道分割   加权跳动多级特征融合   感受野协调注意力   解耦网络  

摘要： 目前目标检测技术虽然趋向于成熟,但是对航拍图像的检测仍然存在挑战。针对航拍图像中目标排列密集、背景复杂、小目标数量多导致目标检测精度较低的问题,提出一种基于YOLOv7改进的加权跳动多级特征融合网络WBMFF-YOLO。首先构建多尺度通道分割模块,增强浅层特征图中的空间位置等细节信息;设计加权跳动多级特征融合结构,将之前的Concat采用加权方式进行替换,使不同层级的特征相互补充,增强特征表达的丰富性和鲁棒性;使用感受野协调注意力机制模块对融合后的特征图进行更新,扩大特征图的感受野,减少特征信息损失;为了解决小目标漏检问题,设计新的解耦头加强对小目标的检测能力。实验证明,在VisDrone2021和DOTA1.5数据集上,提出的方法检测精度分别达到56.2%、77.6%。相比于原始YOLOv7,分别提高了7.3%和2.2%,证明了改进方法在航拍图像中的有效性。

关键词： 空间小目标   目标检测   异面交会   可见光图像   态势感知  

摘要： 空间交会任务执行成功与否的关键在于目标检测的准确性。针对远距离异面交会过程中空间目标与恒星成像相似、特征少、成像轨迹随机、星点像移缓慢等特点,提出了一种基于星点关联和轨迹匹配的空间目标检测算法。首先对多帧星图图像进行预处理,包括噪声处理、阈值分割、质心定位、以及图像配准,然后,基于所提出的关联度函数与关联法则进行多帧星点关联,滤除游离噪点的同时提取出星点帧间运动的轨迹,最后以目标尺寸、速度、方向三个指标进行轨迹匹配,检测出空间目标。经仿真验证算法满足异面交会过程中的检测要求,在存在一定程度帧间失配情况下,空间目标检测率可达99.8%,虚警率为0.04%,可以适应复杂空间环境下的目标检测需求。

关键词： 低空系统   YOLOv8   目标跟踪   多线程机制  

摘要： 低空环境下利用无人机进行侦察打击已经成为信息化战争的主要技术手段,基于双通道图像进行快速目标检测跟踪是当前低空防御的研究重点。文章提出一种全局与局部融合策略,先选择YOLOv8作为目标检测器,建立特有的空中目标数据集进行针对性训练,之后利用相关滤波算法进行高速跟踪,借助目标检测结果实时矫正跟踪位置,通过引入多线程机制充分利用资源,构建一套具备快速响应能力的目标检测跟踪系统。该系统部署在国产化人工智能(Artificial Intelligence,AI)平台,检测响应时间小于30ms,能够有效抑制背景噪声带来的跟踪丢失问题,具有较高的工程应用价值。

关键词： 煤矿智能化   目标检测   深度学习   数字孪生   具身智能  

摘要： 随着深度学习理论的研究与发展,基于深度学习的目标检测技术在智能化矿山领域取得了显著进展,目标检测已成为人工智能技术在煤矿应用场景的典型范式和研究热点。然而深度学习目标检测对标注数据集依赖性强,存在模型可解释性差、计算复杂等问题,如何提高矿井目标检测精度、模型自适应性和计算效率,是矿山人工智能领域亟待解决的研究课题。对煤矿井下智能目标检测技术及其研究进展进行综述。首先,简要概述了目标检测技术,介绍了基于深度学习的目标检测技术演进过程和算法分类,并分析比较了基于CNN和Transformer的目标检测网络。然后,重点研究了矿井智能目标检测的数据增强、超分辨率重建、特征提取等关键技术,并围绕煤矿“人-机-环”应用需求,详细阐述了基于深度学习的目标检测在井下人员安全监测、矿井设备智能检测、工况环境感知等方面的研究进展。最后,指出了煤矿应用场景下智能目标检测技术在数据集构建、模型优化、多源异构数据融合等方面仍存在挑战,讨论了煤矿智能目标检测技术的发展趋势。并提出未来应致力于将目标检测技术与小样本学习和多模态融合、模型轻量化和边缘计算、数字孪生和具身智能等新兴技术相结合,以此促进智能检测技术与煤矿安全生产的深度融合与应用,为矿井智能目标检测技术体系构建提供理论参考。

关键词： 无人机遥感   轻量级目标检测   通用逆向瓶颈结构   移动多头查询注意力   跨尺度特征融合   最小点间距交并比  

摘要： 针对边缘硬件环境中无人机遥感影像目标实时检测问题,在第八代仅看一次算法(YOLOv8)的基础上,提出一种轻量级通用移动跨尺度(UMC)-YOLOv8检测方法。以通用逆向瓶颈结构对骨干网络进行轻量化重构,同时在骨干网络后两层引入轻量级移动多头查询注意力,计算全局尺度的目标上下文注意力。基于跨尺度特征融合机制,构建了轻量级特征融合网络。在检测头中,以最小点间距交并比函数,计算目标框位置回归损失。实验结果表明,UMC-YOLOv8模型在公开数据集无人机基准目标检测(UAVDT)与视觉无人机(VisDrone)上的平均精度均值达到89.34%与88.56%,优于当前主流轻量级检测模型。在低功耗硬件场景下,UMC-YOLOv8模型的检测速度达到35.21 fps,较YOLOv8模型提高12.47 fps。结果表明,UMCYOLOv8模型能够在轻量硬件环境下,开展实时无人机遥感目标检测。

关键词： 自动驾驶   目标检测   注意力机制   多尺度特征融合   尘雾环境  

摘要： 针对扬尘、雾霾等恶劣环境下,车辆目标检测中漏检、误检及远小目标检测精度低等问题,提出了EPMYOLOv8的目标检测算法。将高效通道注意力(ECA)模块集成到YOLOv8n算法的C2f模块,使骨干网络更加关注浅层较小的目标特征信息;通过增加目标检测层,并设计多尺度特征融合架构,提高模型目标特征提取能力与检测精度;使用基于最小点距离交并比(MPDIoU)损失作为损失函数,提高检测框回归精度。试验结果表明:EPM-YOLOv8模型检测框查准率达到83.6%,检测精度达到76.8%,对尘雾恶劣环境的检测性能具有一定优越性。

关键词： 喷嘴   雾化颗粒   均匀性   图像处理  

摘要： 建立卷烟糖料喷嘴雾化颗粒的均匀性评价方法,通过图像处理算法,对糖料喷嘴雾化后形成的喷射角度、液滴颗粒直径及其均匀系数进行准确计算,提高对糖料喷嘴喷射后雾化颗粒的均匀性评价的能力。该方法能够有效对糖料喷嘴雾化颗粒均匀性进行评价,相较传统方法更高效、更便捷。

关键词： 尺寸测量   双目视觉   图像处理  

摘要： 为解决传统眼镜镜框尺寸测量方法在指导镜片精密加工方面的局限性,创新性地提出了一种利用非接触式光学技术的解决方案,旨在精确测量眼镜框的内侧轮廓。该方案核心为构建由一对高性能OV5693摄像头构成的双目视觉系统,从不同视角同步采集图像,大幅度增强了信息获取的丰富度。经过设计的图像处理算法流程,系统能有效识别并提取眼镜框内侧轮廓的关键特征点,继而通过图像处理算法完成轮廓参数的精确测量与分析。验证结果显示,该双目视觉眼镜框内侧轮廓尺寸测量系统能够针对不同材质、颜色及形状的眼镜框,高效、迅速地完成二维坐标点的精确定位,准确还原出镜框的真实尺寸,误差控制在0.2mm范围内,具有一定的应用价值。

关键词： 苹果   YOLOv8n   目标检测   Slim-neck   高效多尺度注意力机制   损失函数  

摘要： 为快速精准检测自然场景下的苹果外观品质,该研究提出了一种基于改进YOLOv8n的苹果外观品质检测模型ZAL-YOLOv8n。首先,使用融合了部分卷积(partial convolution,PConv)与高效多尺度注意力机制(efficient multiscale attention,EMA)的EP-C2f模块替换骨干网络中的C2f模块,提升模型对复杂遮挡情况下苹果目标的特征提取能力。其次,为改善患病苹果表皮病斑区域定位不准的问题,引入基于最小点距离的损失函数(multiple path distance intersection over union,MPDIoU)作为边界回归损失函数来加速预测框与真实框之间的位置拟合,提高模型对病害识别能力。最后,使用Slim-neck架构重建YOLOv8n的特征融合网络,实现颈部网络轻量化,提高模型运行速度。结果表明,与原模型相比,改进后的YOLOv8n模型的准确率、召回率和平均精度均值分别提高了3.4、1.1、1.3个百分点,同时,浮点运算量、参数量和模型大小分别缩减了22.2%、17.7%、15.9%。该模型在提高检测精度的同时实现了一定程度的轻量化,可为苹果智能采摘机器人的研发提供技术支撑。