关键词： 水面漂浮小目标   计算机视觉   目标检测   图像处理   改进YOLOv5s   CBAM   NWD损失函数  

摘要： [目的]针对无人船视角下的水面漂浮瓶识别易出现错检、漏检等问题,基于YOLOv5s算法,提出一种改进的YOLOv5s水面漂浮小目标检测算法。[方法]对原始数据集Flow-Img进行数据增强和扩充,从而避免模型出现过拟合的现象;为了提高深度学习模型对极小目标的检测精度,在YOLOv5s的3个检测层的基础上,增加1个极小目标检测层,同时去掉用于大目标的检测头,避免数据不均衡带来的先验框分配问题;接着,在骨干网络中增加CBAM注意力模块,以解决模型在水面漂浮瓶检测任务中目标特征信息捕捉能力不足的问题;最后引入归一化Wasserstein距离(NWD)的回归损失函数,将IoU损失函数和NWD损失函数进行加权组合,形成一个综合的回归损失函数,从而进一步提高对水面漂浮瓶识别的准确率和精度。[结果]实验结果表明,所提算法在水面漂浮瓶检测时mAP@0.5值达到95.7%,比原始YOLOv5s算法的mAP@0.5提升了2.6%,mAP@0.95提升了4.5%,同时,模型参数量下降了61.9%。[结论]在实现轻量化的同时使得水面漂浮瓶检测结果更加准确,为水面小型漂浮物的检测提供了重要的技术参考。

关键词： 弹道导弹   主动段防御   目标跟踪   轨迹预报  

摘要： 主动段拦截是多层反导防御体系中的第一道屏障,高精度的弹道导弹目标跟踪与预报是主动段拦截成功的重要前提和基础。主动段跟踪与预报的主要目的是输出目标导弹在当前及未来时刻的运动状态估计值和相关弹道参数。从弹道导弹目标主动段实时跟踪与轨迹预报两方面对国内外研究现状及发展动态进行了综述。回顾了主动段跟踪中涉及的主动段运动建模和状态估计方法;将弹道导弹轨迹预报归纳为轨道解析、数值积分和函数逼近3类方法,并对各类方法的特点进行了分析;总结并展望了该领域的技术发展方向。

关键词： 目标检测   YOLOv8   高效多尺度注意力   NWD损失函数  

摘要： 为了提高水下目标检测的效率和精确度,提出了一种新的EN-YOLOv8算法。该算法采用了高效的多尺度注意力机制(EMA),以实现不同空间维度信息的有效聚合。此外,该算法还引入了改进的新加权回归损失函数(NWD-CIoU_Loss),以更精确地衡量小物体间的相似性。利用该算法在TrashCan数据集上进行消融实验发现,EN-YOLOv8算法相较于原始的EMA,在特征表达能力上提升了2.8%,同时对小物体的检测精度相较于原始的NWD损失函数提高了2.2%,有效提高了水下目标检测的效率和精确度。

关键词： 动态衰减网络   复杂航拍图像   目标检测   高低频特征   双重注意力  

摘要： 为了提高航拍图像目标检测准确性,提出基于动态衰减网络的检测方法.该方法通过构建动态衰减网络模型可自适应调整目标权重,强化关键特征并衰减干扰特征;利用高低双频特征提取方法全面捕捉图像细节和结构,结合双重注意力模型融合特征,强化关键信息并抑制冗余信息;采用基于锚点的稀疏目标标注方法,实现目标检测.实验结果表明,该方法无人机图像目标检测平均精度显著提升,高于95.1%,图片数量均值高于20.1,且在不同光照条件和目标尺度下均表现出色,误检率和漏检率均为0,验证了其在复杂环境下航拍图像目标检测的高效性与准确性.

关键词： 蓄电池故障   缺陷检测   深度学习   YOLO v4   VovNet  

摘要： 【目的】蓄电池故障常常伴随显著的外观缺陷。针对变电站蓄电池室蓄电池故障检测领域高度依赖人工检测的问题,提出一种基于图像识别的深度学习方法VoLoNet,用于实时检测监控录像,识别蓄电池外观缺陷。【方法】该算法基于YOLO v4框架,设计了新的特征提取网络VoVNet-A,能够有效识别图像细粒度特征;改进了注意力模块CSAM作用于聚合特征,区分聚合特征不同通道、不同区域的重要性,能够有效过滤特征聚合带来的冗余特征;此外,还优化了预选框的选择;采用了多种数据增强手段扩充了缺陷数据,最终提升了蓄电池缺陷的检测效果。【结果】消融实验表明,以上改进能够不同程度地提升检测精度。对比实验表明,相比于常用的目标检测算法Fast RCNN、SSD-VGG16、YOLO v4,该方法对蓄电池缺陷的平均精度均值mAP分别提升11.5%、21.5%和3.3%,每秒处理帧数FPS分别增加16、12和4帧。

关键词： 深度学习   混凝土缺陷   卷积神经网络   目标检测   语义分割   实例分割  

摘要： 基于深度学习的混凝土缺陷检测通过提供结构状况的初始评估,可有效降低基础设施运营风险以及节约维护成本。文中归纳了近年来混凝土缺陷检测技术的研究进展,对相关研究的已有成果进行分析,讨论对比了各类检测方法的差异及优缺点。对可用于混凝土缺陷检测的图像数据集进行了梳理与介绍,再从实际应用出发,对混凝土缺陷检测中可能会存在的问题进行梳理,阐述与分析了能解决相应检测问题的相关研究。最后,针对该研究后续可能的发展方向进行展望。

关键词： 散射光   表面疵病   照明系统   图像处理  

摘要： 随着光学技术的不断发展,现代光学工业对光学元件表面质量的要求越来越高,其表面的气泡、划痕、碎边等疵病的存在都将造成不同程度的散射,严重影响成像质量。目前国内外对精密光学元件表面的疵病检测大多是根据疵病对光的不同的散射特性来判别,如目视法和低通滤波成像法等。但由于一些光滑表面的疵病在不同的光照射下,疵病显现不同,特别有些疵病具有光强选择和光谱选择性,深入研究不同光强和不同光谱照射被测表面,对于光滑表面的精密检测具有重大的实际意义。本文采用光学显微散射成像系统,通过光纤光源产生四种单色散射光及其组合,以及特定的角度照射光学元件的光滑表面检测,对不透明、半透明、以及全透明的光滑表面照明成像,调整照明角度、光强、单色光与多光谱光组合的照明方式,进入光学成像系统,对多光谱采集的图像融合,并经过计算机处理,得到光学元件表面的疵病信息。该方法可以大大提高光滑表面的疵病发现和检测精度,理论与实验验证了该检测方法的可行性。

关键词： 无人机   目标检测   红外目标   光学目标   视频SAR  

摘要： 当前无人智能在各领域广泛应用,无人自主感知监视相关技术正快速发展,为军事侦察和民用监控开辟了全新视野。从传感器应用的角度出发,综述了基于无人机载荷的运动目标检测领域的研究成果,并探讨了未来技术发展的趋势。首先,概述了无人机目标检测的通用方法;然后,重点介绍了无人机在红外、光学和视频合成孔径雷达(SAR)目标检测方面的进展,并揭示了相关技术的优势和局限性;最后,从发展跨模态目标检测技术、构建智能化检测系统以及提升超大模型能力等方面展望了未来的研究方向,以期为后续研究提供参考和指导。

关键词： 囊腺瘤   黏液   体层摄影术   X线计算机   图像处理   计算机辅助   卵巢   诊断显像  

摘要： 目的分析卵巢黏液性囊腺瘤的多层螺旋CT检查图像特征,评估其诊断价值。方法回顾性分析2022年3月至2024年3月浙江省荣军医院接收并经术后病理诊断的60例卵巢占位性病灶患者的临床资料,所有患者行多层螺旋CT检查,以病理检查的结果为金标准,分析多层螺旋CT检查对黏液性囊腺瘤的诊断结果和诊断效能。结果在选取的60例卵巢占位性病灶患者的临床资料中,病理检查结果显示,60例患者中,40例确诊为黏液性囊腺瘤,20例确诊为交界性黏液性囊腺瘤,检出率为100.00%。多层螺旋CT检查诊断:38例为黏液性囊腺瘤,18例为交界性黏液性囊腺瘤,共检出56例,检出率为93.33%,Kappa值为0.868,与病理检查一致性较好。多层螺旋CT检查的灵敏度、特异度、准确度、阳性预测值、阴性预测值分别为95.00%、90.00%、93.33%、95.00%、90.00%,与病理检查具有较高的一致性,具有较高的诊断效能(χ^(2)=0.51、0.53、2.33、0.51、0.53,均P>0.05)。结论多层螺旋CT诊断卵巢黏液性囊腺瘤的准确度较高,临床可借助该方法提高患者的诊断率,改善其预后。

关键词： 目标检测   复杂交通场景   YOLOv8n   Neck-ARW   RepBlock   LAMP算法  

摘要： 为提高复杂交通场景下车辆目标检测模型的检测精度,以YOLOv8n(you only look once version 8 nano)为基准模型,设计具有复合主干的Neck-ARW(包括辅助检测分支、RepBlock模块、加权跳跃特征连接)颈部结构,减少信息瓶颈造成沿网络深度方向的信息丢失;引入RepBlock结构重参数化模块,在训练过程中采用多分支结构提高模型特征提取性能;添加P2检测层捕捉更多小目标细节特征,丰富网络内小目标的特征信息流;采用Dynamic Head自注意力机制检测头,将尺度感知、空间感知和任务感知自注意力机制融合到统一框架中,提高检测性能;采用基于层自适应幅度的剪枝(layer-adaptive magnitude based pruning,LAMP)算法,移除模型的冗余参数,构建YOLO-NPDL(Neck-ARW,P2,Dynamic Head,LAMP)车辆目标检测模型。以UA-DETRAC(university at Albany detection and tracking)数据集为试验数据集,分别进行RepBlock模块嵌入位置试验、不同颈部结构对比试验、剪枝试验、消融试验、模型性能对比试验,验证YOLO-NPDL模型的平均精度均值。试验结果表明:RepBlock模块同时嵌入辅助检测分支和颈部主干结构时对多尺度目标的特征提取能力更优,在训练过程中可保留更多的细节信息,但参数量和计算量均增大;采用Neck-ARW颈部结构后模型的平均精度均值E mAP50、E mAP50-95分别提高1.1%、1.7%,参数量减小约17.9%,结构较优;剪枝率为1.3时,模型参数量、计算量分别减小约38.0%、24.0%,冗余通道占比较少,结构较紧凑;与YOLOv8n模型相比,YOLO-NPDL模型在参数量基本相同的基础上,召回率增大2.7%,E mAP50增大2.7%,达到94.7%,E mAP50-95增大6.4%,达到79.7%;与目前广泛使用的YOLO系列模型相比,YOLO-NPDL模型在较少参数量的基础上,检测精度较高。YOLO-NPDL模型在检测远端目标、雨天及夜景等实际复杂交通情景中无明显误检、漏检情况,可检测到更多的远端小目标车辆,检测效果更优。