关键词： 红外热成像   目标检测   火点判别   烟雾检测  

摘要： 针对滞洪水库地形复杂,大范围内林木防火监测预警困难的问题,本文通过引入红外热成像技术,结合现代化的网络传输技术,介绍了红外图像处理技术的工作原理,重点研究了K-means火点监测和目标检测算法,设计了森林火灾监测预警系统,真正实现库区防火的实时监控和预警信息传输,可以提早发现隐形火灾隐患,为冬季滞洪水库林木防火工作提供了有效的技术支撑。

关键词： 多无人船   分布式协同控制   目标跟踪   最佳跟踪点  

摘要： 针对海上船舶目标跟踪中无法应对目标航向大角度突变的情况,提出了一种多无人船分布式协同跟踪策略。建立协同目标跟踪任务模型,按照与目标间的距离将跟踪任务分段,分别采用卡尔曼滤波器结合速度障碍法的追击策略和分布式模型预测控制的跟随策略。通过仿真验证,所提策略能够令多船系统实现快速追击并维持长时间跟踪。相较单无人船,多无人船协同跟踪能够有效应对更大的目标航向突变范围以及更快的目标航向变化频率,维持更好的稳定跟踪效果。

关键词： 目标检测   多尺度卷积核   坐标注意力   EIOU损失函数  

摘要： 目前,目标检测和识别技术正在迅速发展。在公共场所,犯罪活动日益多样化,给社会治理带来了重大挑战。本团队设计了YOLOv10-EN检测网络,以满足公安实战应用的需要。在模型的主干和颈部网络部分设计了多尺度卷积(MSConv)模块,以在不同的感受野下捕获多个尺度的空间特征,增强模型对目标的适应能力。在主干网络输出PSA模块引入坐标注意力机制,通过一维全局池化分别聚合水平和垂直方向的特征信息,捕获长距离依赖关系,强化全局语义信息,形成方向感知的全局表征。同时,坐标注意力机制在表征方向向量上保留了池化操作结果的位置信息,以进行特征编码,实现精准的目标建模,从而提升定位精度,降低模型尺寸与计算开销。在C2f模块的Bottleneck部分引入残差连接与多尺度卷积机制,依托残差连接跳跃结构优化信息流传递,缓解梯度消失与爆炸,实现高效的特征融合,同时采用多尺度卷积捕获不同感受野的特征信息,进一步增强网络的多尺度适应与特征表达。在模型训练期间引入EIOU损失函数,以提升边界框回归的精度和收敛速度。实验结果表明,YOLOv10-EN检测网络在F1得分、mAP@0.5、模型参数量、计算开销这4项关键指标上均有所提升。对比YOLOv10n基线模型,所提模型的F1得分、mAP@0.5分别增长6.25%、6.46%,模型参数量与计算复杂度分别下降20.45%、22.97%。实验结果表明,YOLOv10-EN网络可在实现轻量化的同时实现更为精准的检测效果,满足边缘移动设备的便携式部署要求。

关键词： 图像处理   裂纹提取   U-net   语义分割  

摘要： 多孔隙材料表面的黑色高辐射涂层在实际使用过程中,由于热应力作用表面产生微米级尺度的微裂纹,为方便后续开展热应力作用下裂纹缺陷演变扩展规律,开展了低对比度涂层表面裂纹形态视觉检测技术研究。提出了融合光学优化与深度学习的检测方法,通过设计光源激励单目视觉系统,首先从系统设计方面优化照明方式与入射角度参数以增强采集裂纹图像局部对比度,其次提出一种适应低对比度图像裂纹对比度增强的算法。进而构建改进U-Net网络,通过嵌入注意力模块、深度超参数化卷积及激活函数,提升低对比度裂纹特征提取能力。实验结果显示,在高照明方式入射光30°时所采集图像局部对比度最高,预处理后图像对比度从10.507提高到42.662,有效降低了图像低对比度时背景噪声对裂纹信息的影响,并且更能突出裂纹的形态特征。在改进网络对裂纹分割性能指标上Dice系数、SSIM指标和准确率Acc分别达到0.862、0.892、0.901,对宽度大于9.6μm裂纹检测率达90%以上,裂纹形态及走向清晰可辨。

关键词： 物联网   监控视频   实验室安防   目标整合   跟踪方法   图像处理  

摘要： 实验室环境中,复杂光照、目标快速移动或低帧率视频都可能导致图像模糊,增加跟踪难度。当目标快速移动或方向多变时,其运动不连续及视频帧率限制使得逐次逼近法仅能通过离散的采样点或帧间数据进行目标定位,相邻帧间目标位置变化显著,导致轨迹中出现离散空白,难以形成连续的轨迹,影响跟踪精度。为此,文章提出了一种基于物联网监控视频增强的高校实验室安防目标跟踪方法。该方法通过滤波器将视频帧划分为不同尺度的图像块,提取多尺度特征目标,增强特征提取的鲁棒性。利用单尺度Retinex算法对图像像素点进行校正,确定模糊跟踪目标,消除光照不均对图像质量的影响。并通过期望输出匹配目标进行对照,实现单尺度像素匹配。结合斜率监测和自适应图像分割与搜索,采用逐次跟踪逼近的方法逐步逼近并定位运动目标。采用插值计算方法,结合二次跟踪逼近结果和动态变动角度描述,设计插值安防目标跟踪矩阵,填补轨迹中的离散空白,生成连续、平滑的目标轨迹,实现对实验室范围内目标的精准定位和跟踪。实验结果表明:该方法得出的均方根误差被控制在3 mm以下,表明其对跟踪精度具有重要作用。

关键词： 目标检测   语义编辑   测试数据生成   深度神经网络   图像生成  

摘要： 目标检测系统的测试数据生成对评估模型性能和发现潜在缺陷至关重要。现有方法在生成数据的多样性和真实性方面仍存在局限。该文提出了一种基于自动语义编辑的目标检测测试数据生成方法SemaGen,通过构建高质量语义对象库并结合自动化语义编辑策略,实现对图像的插入、删除和替换等高级语义操作。具体而言,该方法首先通过多重筛选机制构建语义对象库,确保对象的语义完整性和场景适应性;其次,利用场景复杂度量化模型,综合考虑背景占比、实例数量和空间分布等因素,实现编辑策略的自适应选择;最后,提出基于对象重要性的替换策略、迭代式删除方法以及考虑语义相似度的智能插入机制,确保生成图像的真实性和多样性。实验结果表明,SemaGen在三种对象操作任务上显著优于现有方法,生成的图像质量更高,FID得分更优,证实了该方法在生成数据质量方面的优越性。在目标检测模型测试中,SemaGen成功发现YOLO v11、SSD和Mask R-CNN等主流检测器在复杂场景下的性能缺陷,为目标检测测试用例生成提供了新的思路和工具。

关键词： 深度学习   目标检测   注意力机制   油菜杂草检测   Swin Transformer  

摘要： 针对复杂田间环境下(目标尺度小、植株重叠遮挡)导致的油菜与杂草检测精度低、实时性不足的问题,该研究提出了一种实时识别算法CSE-YOLOXs(YOLOXs with coordinate attention,Swin Transformer high-resolution prediction head,and EIoU loss function)。首先,以YOLOXs为基础模型,在特征金字塔网络之后引入CA(coordinate attention)注意力机制,以减少背景因素的干扰并增强对目标的关注度;其次,构建Swin Transformer高分辨率预测头,利用浅层特征的空间位置信息和窗口多头自注意力机制,有效捕获图像的局部细节特征,从而提高模型对小目标和重叠遮挡目标的检测精度;最后,采用EIoU(enhanced intersection over union)损失函数,提升模型对目标位置和形状的回归预测精度,进而更准确地定位油菜与杂草。试验结果表明:CSE-YOLOXs模型检测油菜与杂草的平均精度值分别达到90.03%、81.58%,模型参数量仅为9.61 M,实现了68帧/s的帧率,满足实时检测的需求。相比于其他6种目标检测模型——SSD、Faster R-CNN、YOLOv5s、YOLOv7、YOLOv8s和YOLOXs,平均精度均值分别提升了18.43、32.18、7.90、2.74、6.25和5.29个百分点。此外,CSE-YOLOXs在3次田间测试中的平均精度均值皆不低于83%,单幅图像的平均检测时间约为33 ms,模型具有较高的鲁棒性和实时检测性能,研究成果可为油菜田的精准喷洒农药和智能除草提供技术支持。

关键词： 多传感器数据融合   巡检无人船   目标检测  

摘要： 为了提升巡检无人船目标检测的性能,研究多传感器数据融合技术在复杂水域场景下的应用,采用递归神经网络结合多模态数据融合算法,实现船只监测、障碍物检测、污染物检测以及环境监测。实验结果表明,该技术在检测精度、实时性和健壮性等方面具有显著优势,为智能巡检系统的发展提供了技术支持。

关键词： 目标检测   深度学习   电子元件   可分离卷积   YOLOv5  

摘要： 以YOLOv5为基准模型,针对电子元件在电路板上检测容易出现漏检、精度较低的问题。通过使用卷积块注意力模块(convolutional block attention module,CBAM)在进行特征提取过程中提升检测精度,改进边界回归损失函数的方法来改善模型在检测中出现的漏检问题。首先,利用卷积层提取元件的特征信息;其次,在路径聚合网络(path aggregation network,PANet)中引入了CBAM模块,既丰富了元件特征信息,又改善了模型精度较低的问题;最后,通过多尺度预测和自适应的锚框来实现对不同尺度元件的准确检测。实验结果表明,改进后的CCM-YOLO算法在自制的数据集上的均值平均精度(mean average precision,mAP)值达到96.8%,它的漏检率达到4.5%,相较于YOLOv5网络均值平均精度的88.8%,提高了8.3%的数值,在漏检率上由原基准模型的13.7%降低了9.2%。因此,该算法有效提高了检测精度,并显著减少了漏检,为元件检测提供了一种有效的检测方案。

关键词： 雷达成像   机载太赫兹雷达   目标识别   目标检测  

摘要： 低空对地监控是我国公共安全监控和人民安全防护的重要手段,机载探测感知系统与技术是低空对地监控能力实现的核心要素。太赫兹雷达成像为全天候、视频级、高分辨监视提供新的技术与装备,为交通监控、应急救援、安防反恐等领域提供可靠信息来源。如何基于机载太赫兹雷达视频中的动/静目标信息,进行重点区域目标检测、识别、跟踪,值得深入探索。此外,视频SAR与可见光、红外宽谱段集成,还可以视频级高刷新率实现低空对地多模态、高精度感知,多模态传感信息集成将有力提升重点目标识别跟踪鲁棒性。本专题拟对以上问题进行探讨。