关键词： 多帧检测   启发式搜索   无人机   目标检测   极化雷达  

摘要： 针对复杂电磁环境下无人机目标低可观测性、高机动性带来的检测难题,本文提出一种基于启发式搜索的极化雷达无人机检测方法。通过建立融合运动学约束、加速度约束与极化能量一致性约束的启发式搜索框架,有效解决了传统多帧检测方法计算复杂度高、机动适应性差的瓶颈。首先,基于雷达数据经短时傅里叶变换后的时间-距离-速度三维数据矩阵构建三维状态空间。其次,设计多约束融合的启发式函数:运动学约束基于运动学方程建立速度-距离映射模型,推导相邻帧间可达区域以压缩搜索空间;加速度约束引入加速度惩罚项抑制非物理机动轨迹;极化能量一致性约束通过结合双极化通道能量聚焦特性,构建几何平均与最小值双重约束的交叉验证机制。最后,通过线性加权将三类约束整合为统一的启发式函数评价准则,并采用贪心最佳优先搜索方法实现动态剪枝与路径优化。仿真实验表明,在信噪比5 dB以上时,本方法对匀速、匀加速及变加速三类运动模式的检测率均超过80%,较传统恒虚警率检测方法显著提升;目标跟踪航迹正确率大于80%时所需的信噪比较传统方法降低5 dB以上。经实测数据验证,针对固定翼无人机和旋翼无人机,本方法在信噪比起伏条件下仍保持连续轨迹检测能力。仿真分析与实测结果表明,所提出的多约束启发式搜索机制通过物理规律与观测数据的协同优化,实现了复杂机动无人机的有效检测。

关键词： 目标检测   YOLO   注意力机制   工作状态识别  

摘要： 现有的煤炭安全监督多采用“以人为主”的模式,存在主观性强、精力消耗大等问题,易发生工作人员玩手机、抽烟、睡岗等疏忽行为,难以确保煤矿安全生产稳定有序地进行。鉴于此,利用目标检测技术,基于深度学习方法,研究了煤矿调度室人员工作状态的智能识别方法。首先,构建基于YOLOv5的煤矿调度室人员工作状态识别方法;然后,通过在特征融合子网络中引入卷积注意力模块,以提升模型在不同通道和不同空间位置的信息提取能力;最后,利用具有多尺度特征融合能力的阶梯残差卷积模块,增强模型对调度室人员的细微特征提取和全局特征融合的能力。实验结果显示,所提方法的全状态识别平均准确率达到91.7%,对玩手机和抽烟这些小尺度动作状态识别的平均准确率分别为94.4%、86.0%,验证了所提模型在调度人员工作状态识别中的有效性。

关键词： 裂缝检测   注意力模块   轻量化   YOLOv5s模型   目标检测  

摘要： 为解决当前混凝土裂缝检测模型庞大难以部署到移动端设备且裂缝检测不准及漏检问题,提出一种基于多维注意力模块的轻量化混凝土裂缝检测方法。该方法针对当前主流的裂缝检测模型庞大的问题,采用深度可分离卷积对YOLOv5s中的CBS特征提取模块进行重构,得到轻量化CBS(LCBS)特征提取模块,以减少网络的参数量及计算量;针对裂缝检测不准的问题,提出一种多尺度特征(MSF)提取模块用于替换YOLOv5s第1层的卷积层,以增强网络对不同尺寸裂缝特征的提取能力;针对裂缝漏检问题,提出融合空间及通道信息的多维注意力(MDA)模块,以增强裂缝特征提取能力和减少裂缝漏检。实验结果表明,所提方法比YOLOv5s参数量减少了35.2%,计算量减少了50.9%,模型规模减小了32.8%,且平均精度均值(mAP@0.5)提高了4.2百分点,与目前主流的同类目标检测方法相比,具有较低的参数量和较高的检测精度。

关键词： 煤泥浮选   灰分预测   深度学习   图像处理   卷积神经网络  

摘要： 煤泥浮选过程具有多工况、多参数、固液气三相变量强耦合等因素,这使得浮选过程难以实现全流程智能化控制,其中煤泥浮选灰分实时检测是卡脖子问题。因此实时预测浮选产品灰分,对煤泥浮选过程形成闭环智能决策,建设智能化选煤厂十分关键。通过基础数学机理模型、简单过程变量模型或者单一的图像处理和深度学习模型均无法有效检测浮选产品灰分,提出通过图像处理对浮选精煤与尾煤产品灰分进行实时初步预测,同时采用深度学习算法对浮选过程变量数据深度挖掘进行补偿预测,将二者耦合构建多模型算法,可以实现浮选产品灰分在线实时准确检测,为复杂工况下多变的浮选过程生产指标预测建模的世界性难题提供理论指导,为浮选生产过程智能控制提供技术支撑,对促进煤炭行业自动化水平的提升具有重要意义。

关键词： 深度学习   激光雷达   组合池化   空洞卷积   三维目标检测  

摘要： 为增强激光雷达(LiDAR)在三维目标检测中的点云特征提取能力,提高对目标物体的检测精度,在PointPillars基础上提出一种多阶段特征提取的目标检测方法。首先,将点云特征编码模块中的最大池化改进为组合池化,减少池化过程中空间信息丢失;然后,引入全局注意力机制,增强不同维度之间的信息交互和伪图像特征表达能力;最后,在柱状特征提取网络中融入空洞卷积模块,增大感受野并进一步增强特征提取能力。在KITTI数据集上的测试实验结果表明,相较于原始网络,所提方法的平均检测精度提升了2.91百分点,推理速度达到17.08 frame/s,能够满足自动驾驶汽车实时检测的要求。

关键词： 彩/谱图像特征融合   环境残差感知   多正则化相关滤波   高光谱视频   目标跟踪  

摘要： 在背景快速变化的情况下,现有高光谱视频目标跟踪算法存在跟踪效果不佳的问题。为此,提出一种基于背景环境残差感知的高光谱目标多正则化相关滤波(MRCF)跟踪算法。首先,为了降低相关滤波(CF)跟踪算法的复杂度,采用背景感知谱段选择方法,从高光谱图像中选择目标和其周围背景区域差异性得分最大的前三个谱段,构成三谱段光谱图像。然后,分别提取伪彩色图像与三谱段光谱图像中目标的三种典型的特征:方向梯度直方图(HOG)、强度和三维HOG特征,再通过朴素相加的方式获得目标融合特征,对目标特征进行描述。最后,将目标融合特征输入改进的MRCF并预测目标位置,当MRCF在训练相关滤波器时,在其岭回归函数中引入背景环境残差感知正则化项来抑制背景快速变化带来的干扰。实验结果表明,与当前的其他算法相比,所提跟踪算法在目标快速运动和尺度变化情况下具有更好的跟踪性能。

关键词： 叶绿素含量   无人机遥感   图像处理   双向门控循环单元   特征融合  

摘要： 叶绿素含量作为深入了解果树生长和健康状态的关键参数,对于指导果园管理决策具有重要作用。然而,在大规模果园环境下,快速且准确地获取整个果园的叶绿素含量数据是一项重大挑战。为此,利用无人机遥感平台结合深度学习算法,提出了一种新的解决方案。通过多光谱无人机采集石榴树冠层RGB及多光谱图像,利用图像处理技术提取RGB图像颜色特征、纹理特征和多光谱图像植被指数等参数并建立不同数据集。在此基础上,结合地面实测叶绿素数据,构建一种结合双向门控循环单元(BiGRU)与卷积神经网络(CNN)的深度融合网络模型CNN-BiGRU,并且与原始CNN和随机森林(RF)进行试验对比。结果表明,组合模型在预测石榴树叶绿素含量方面的效果明显好于其他模型,尤其是在使用特征融合集建模时,其决定系数高达0.973 7、均方根误差低至0.823 3。该精度满足对石榴树叶绿素含量的精准预测,为大面积果园管理提供实用参考。

关键词： 凡纳滨对虾   生长表型   深度学习   计算机视觉   测定系统  

摘要： 【目的】为解决凡纳滨对虾生长表型人工测量效率低、误差大等问题。【方法】本研究设计了对虾专用图像采集箱,获取标准化、高质量的对虾侧面图像。在此基础上,利用高分辨率网络(HRNet)模型识别凡纳滨对虾9个关键特征点,实现对体长等体尺相关性状的测量;基于掩膜卷积神经网络(Mask R-CNN)进行凡纳滨对虾的轮廓分割,实现对虾体表面积的计算;最后复合体长以及体表面积构建回归模型预测对虾体重。通过开发配套的图像处理与数据管理软件,建立凡纳滨对虾生长表型精准测定系统。【结果】HRNet模型对9个特征点的识别率均超过98%,其中7个特征点的识别率超过99%。使用直尺人工测量和图像人工标注特征点测量两种方法测定体长和腹节长的真实值,计算体长和腹节长的预测准确性分别为0.91~0.97和0.91~0.93,平均相对误差分别为1.39%~4.63%和2.46%~4.59%。以人工分割虾体轮廓方式获取体表面积作为参考,评估Mask R-CNN模型对体表面积的预测准确性为0.98,平均相对误差为1.73%。以体长、体表面积、性别为变量,构建了4种回归模型来预测体重,所有模型的准确性均在0.94以上,其中以同时包含体长和体表面积的模型的预测准确性最高(0.97)。【结论】利用深度学习算法可以较为准确地获得凡纳滨对虾体长和体表面积等生长表型并预测体重。本研究结果可为凡纳滨对虾生长表型性状的准确、快速测量提供高效工具。

关键词： 单片机   自主循迹   目标检测   语音播报  

摘要： 本设计利用单片机技术与传感器检测技术,设计了一种赛道安全巡检车,该车以STM32F103系列单片机为控制核心,利用红外传感器模块确保巡检车的定轨循迹,利用超声波模块让巡检车实现自主避障,利用OpenMV模块内嵌的目标检测子程序,实现路面坑洼、凹陷等非安全路况的检测。同时,利用QtCreator软件设计了上位机管理员操作界面,其中有小车控制界面以及路况播报助手功能,帮助管理员实时了解路面状况。上位机与下位机之间采用WiFi通信,实现了赛道安全智能巡检,为赛道安全提供了保障与便捷。

关键词： 深度学习   物理攻击   目标检测  

摘要： 深度神经网络强大的特征学习能力为计算机视觉任务提供了强有力的支撑,但已被证明容易受到对抗性样本的干扰从而输出错误的结果。现有的对抗攻击可分为数字攻击和物理攻击,与在数字像素中产生扰动的数字攻击相比,物理对抗性样本在现实世界中产生的误导作用更具有威胁性。目标检测任务作为计算机视觉领域中应用最广泛的任务之一,在自动驾驶、智能监控以及医学图像分析等领域发挥重要作用。针对目标检测任务的物理攻击,阐述了攻击的基本流程。根据不同电磁波波段将目标检测任务分为可见光目标检测和红外目标检测,并详细讨论了这两类任务中不同的物理攻击方法。探讨了当前物理对抗性攻击面临的问题以及未来可能值得研究的方向。