关键词： 对抗样本   语义信息   目标检测   无锚框模型   深度学习  

摘要： 深度神经网络容易受到对抗样本的干扰。现有的针对无锚框目标检测器对抗样本的研究较为缺乏,导致此类模型更易受到对抗样本的影响。为改善这种情况,采用一种针对无锚框目标检测器的对抗样本通用框架,其基于识别到的类快速进行梯度收集,其比基于单个候选框生成扰动的方法效率更高。同时提出一个提取语义信息掩码的方法,使得对抗扰动仅集中于图像中语义信息丰富的区域,使得产生的扰动更为稀疏和集中。在两个数据集上的结果表明该方法在白盒和黑盒实验中都达到了最先进的性能,可为此类网络鲁棒性的改进优化提供支撑。

关键词： 小目标检测   YOLOv11   特征金字塔   感受野   特征调制  

摘要： 针对无人机航拍视角下目标检测中存在的小尺寸目标密集、多尺度变化显著及复杂场景干扰导致的检测精度不足问题,提出一种基于YOLOv11n改进的无人机航拍图像目标检测算法DMF-YOLOv11。设计双重双向辅助特征金字塔网络(dual bidirectional auxiliary feature pyramid network,DBAFPN)作为Neck结构,通过多层级特征双向融合机制增强极小目标与常规小目标的特征表征能力;构建多分支混合卷积模块(multi-branch hybrid convolution,MBHConv),采用并行异构卷积路径提升模型对小尺度目标的感知灵敏度;将自调特征聚合网络(self-modulating feature aggregation network,SMFANet)与主干网络C3K2模块深度融合,提出C3K2_FMB模块以协同提取局部细节与非全局上下文特征。在VisDrone2019数据集上的实验表明,DMF-YOLOv11的mAP50与mAP50-95分别达到46.2%和28.4%,较基准模型YOLOv11n分别提升11.5和8.3个百分点,召回率提升9.4个百分点至44.6%。改进算法有效提升了无人机航拍场景下的目标检测精度。

关键词： 军事目标识别   光学遥感   自适应融合   混合注意力  

摘要： 针对军事遥感目标检测图像分辨率低、目标尺度不一、目标混叠等检测难点,提出YOLO-MRO目标检测算法。构建自适应卷积模块,提升了不同尺度目标的检测效果。基于小波池化设计了小波池化卷积,增强了算法抗混叠的能力。最后,引入混合注意力,减轻了算法的计算负担。实验结果表明,改进后的算法相较于基准算法在自建数据集RSMOD上准确率提升了6.7%,达到了81.1%,能够满足军事遥感目标的检测任务。

关键词： 目标检测   深度学习   钛棒表面缺陷   YOLOv8   可变形卷积  

摘要： 钛棒打磨是钛材型材制造的关键步骤,其表面裂纹检测定位是自动化打磨的基础。针对传统目标检测模型对狭长裂纹检测精度低、泛化能力差、计算效率低等问题,提出基于改进YOLOv8s的DEBM-YOLO模型。通过添加ELA注意力机制捕捉裂纹的长距离空间依赖关系;采用DCNv3卷积模块增强主干网络的感受野和表示能力;使用双向加权特征金字塔结构替换YOLOv8中原有特征金字塔结构改善多尺度特征融合;最后,采用MPDIoU替换CIoU以提升泛化性能和收敛速度。在实地拍摄的数据集上的实验结果表明,改进后的DEBM-YOLO模型参数量下降4.5%,精确度上升1.9%,mAP@0.5上升1.4%,mAP@0.5:0.95上升1.9%,召回率上升4.9%,同时得到了检测精度提升与轻量化。

关键词： 长时跟踪   状态判断模块   孪生网络   红外目标  

摘要： 针对红外目标长时跟踪场景下跟踪置信度的可信度不足、相似目标中易出现误判所导致的跟踪错误问题,本文提出了一种基于状态判断模块的红外长时目标跟踪方法。该方法以孪生网络作为基础跟踪器,融合跟踪器输出的几何信息、判别信息、状态信息进行状态判断模块构建,包括LSTM网络堆叠适配设计、场景的自适应调节设计以及触发重检测机制设计等,实现了对红外目标跟踪状态的精准评估和长时跟踪。方法在红外长时跟踪数据集LSOTB-TIR-LT上进行了测试验证,结果表明:本文方法的F分数达到0.681,相较于经典的SiamRPN++LT算法性能提升了17.6%,特别适用于红外目标被遮挡、消失、被相似目标干扰或尺度发生显著变化时进行持续跟踪的应用场合。

关键词： 目标跟踪   交互多模型   ADS-B   转移概率矩阵   跟踪误差  

摘要： 为了提高场面监视效率,实现场面运动目标精准跟踪,考虑到传统交互多模型由于固定马尔可夫转移概率矩阵导致模型跟踪精度降低,该文提出一种转移概率自适应改进的交互多模型滤波算法。该算法利用观测数据和滤波残差数据,结合模糊推理算法,构建机动强弱模糊推理系统,推理出观测数据与隐马尔可夫显状态集合的映射关系,得到显状态集下的状态序列;根据隐马尔可夫模型中的Baum-Welch算法实时求解状态转移矩阵和更新观测概率矩阵,优化状态转移概率矩阵自适应更新策略;将机动强弱模糊推理系统和隐马尔可夫模型融入交互多模型算法中,构成机动目标实时估计的模糊隐马尔可夫-交互多模型算法,以提高跟踪精度;最后,基于实际场面ADS-B轨迹数据进行了验证,验证结果显示,改进后的交互多模型能够在非等间隔预测条件下实现参数的自适应调整,且在双维度4项统计指标中,位置跟踪精度方面分别提高了63.5%,54.3%,40.3%,22.7%,速度和加速度的轨迹拟合精度均得到了提高,验证了改进算法的优越性。

关键词： 非合作设备   信号识别   时频特征   目标检测   YOLO架构  

摘要： 随着各种通信、导航、遥控设备的广泛使用,电磁环境变得愈发复杂。在多类信号混杂的电磁环境中对电磁频谱进行监测布控,实现针对非授权、非合作设备的准确识别成为迫切需求。近年来,基于深度学习的识别技术得到快速发展,但在多域特征融合机制方面仍有所欠缺,在非合作条件下识别性能仍相对较弱。针对多信号混杂情境下特定电磁目标信号识别问题,提出一种基于多域特征融合与目标检测架构的电磁信号识别方法。该方法利用短时傅里叶变换实现了时频域信号特征的融合,基于YOLO目标检测架构,设计了时频域联合特征提取识别机制。算法在实测数据和公开数据集上进行性能验证,实验结果表明本算法的识别准确率明显优于对比深度学习识别方法。

关键词： Python语言   OpenCV库   银行卡卡号识别   计算机视觉   图像处理  

摘要： 深入介绍了利用Python编程语言及OpenCV库开发的一款用于银行卡卡号识别系统,详细阐述了整个项目的设计与实现过程。通过对图像预处理、特征提取、模板匹配等关键技术的研究和应用,不仅阐述图像处理和模式识别在实际运用中的核心技术,而且为处理诸如车牌号识别、身份证号码识别、产品序列号识别等类似项目,提供了有效的参考和借鉴。

关键词： 图注意力网络   注意力机制   硬样本挖掘   目标检测  

摘要： 针对电力系统图纸矢量化需求,提出一种基于图注意力神经网络(GAT)的图纸符号连接关系识别算法,有效解决繁杂的符号种类与连接关系识别的问题。通过注意力机制赋予符号图片中关键特征更大的权重以提升整体的精度;采用硬样本挖掘训练策略,解决电力符号数据集中类别不平衡问题。实验表明,该算法在检测精度上显著优于传统方法,克服了样本分布不均带来的识别偏差,实现了电力系统符号检测和连接关系识别的同步优化,为电力图纸的智能化管理提供了可靠的技术方案,具有工程应用价值。

关键词： 复杂作业场景   机器视觉   目标检测   YOLO   视觉动态感知  

摘要： 针对煤矿井下复杂作业场景中高粉尘、低照度、人机多目标混杂与跨尺度变化等因素导致作业人员与装备的目标检测效果不佳问题,提出一种基于机器视觉的煤矿多场景关键目标检测方法。首先,采用CGNet(context guided network)特征提取模块、SlimNeck特征融合模块与Dyhead动态检测头对YOLOv5s算法进行优化,以构建YOLOv5s-CSD网络模型。其次,基于自建煤矿数据集,围绕YOLOv5s-CSD模型开展消融实验、对比实验与嵌入式检测实验。实验结果表明,在煤矿井下掘进、支锚、采煤与辅助运输4种复杂作业场景中,YOLOv5s-CSD的检测精度达91.0%,相较于YOLOv5s算法提升了3.5%,并且其与YOLOv9s、YOLOv11s、YOLOv12s等6种主流目标检测算法相比,模型复杂度适中且检测精度最高。在实验测试平台上,YOLOv5s-CSD模型对工作人员、支护装置、电机车等7类关键目标的实时检测精度均在90.0%以上,并且其实时检测速度达38.6 fps,检测精度高且实时性强,可为煤矿井下复杂环境的视觉动态感知提供技术支撑。