关键词： 自动准直   任意反射面速度干涉仪(VISAR)   基于Windows的控制和自动化技术(TwinCAT)   二维镜架   模糊控制   图像处理  

摘要： 针对现有任意反射面速度干涉仪(velocity interferometer system for any reflector,VISAR)装置中依靠人工准直光路的现状,同时为满足未来对远程自动化控制的需求,提出一种新的光路自动准直的方法。该方法通过互补金属氧化物半导体(complementary metal oxide semiconductor,CMOS)间接测量并以光斑的像素偏差为系统输入,通过系数矩阵转换和离散模糊反馈控制方法快速消除误差。基于Windows的控制和自动化技术(the Windows control and automation technology,TwinCAT)中视觉和运动等模块,将各模块分别运行在不同的实时内核中,消除了视觉与运动控制模块间的通信环节,实现了快速实时的闭环控制。经过冲击波速度测量实验验证,该系统实现了远程“一键式”自动准直,可将准直时间缩短到2 s,准直精度为4.5μm,解决了现有装置人工调节效率不高的问题,提高了系统的精度和稳定性。

关键词： 深海影区   有源声呐探测   海底反弹模式   多径结构   信号检测  

摘要： 使用海底反弹模式探测深海影区时,信号受海底反射损失影响导致信噪比下降,为目标检测带来极大困难。因此结合深海影区声传播规律建立信号模型,分析了信号在影区信道下的多径结构特征,并利用其单波束多径结构特点和空域波束分裂特性,依据广义似然比检验原理设计了适用于影区目标检测的检测器。仿真结果和实测数据处理结果均表明,所提检测器相较于传统的匹配滤波检测器,通过对影区信号回波多径结构特征的提取与利用,检测性能提升明显。

关键词： OpenCV   水稻考种   图像处理   谷粒计数   Python  

摘要： 该试验采用OpenCV计算机视觉库对水稻谷粒图像进行考种分析。使用基于OpenCV库的Python程序对采集的图像执行灰度处理、二值化、开运算和腐蚀运算等处理,并识别谷粒轮廓并对水稻谷粒计数;通过矩形拟合函数获取谷粒的粒长、粒宽考种数据。研究结果表明,对200粒以内的谷粒计数,程序的准确率为100%;程序测量获取的谷粒10粒长、宽数据有95%的概率与人工测量为同一组数据。与人工考种对比,图像处理程序考种具备更高的效率和准确性,用该程序进行水稻考种分析具有可行性。

关键词： 深度学习   苹果叶片病害   卷积神经网络   目标检测  

摘要： [目的]本研究旨在开发一种准确检测苹果叶片病害的轻量化模型方法。[方法]构建了一个自然复杂场景下包含15 190张高质量RGB图像的苹果叶片病害数据集ALD6,涵盖了实际生产中最为常见的5种病害类型和1个健康对照类。提出基于YOLOv8s改进的高效苹果叶片病害检测模型ADDN-YOLO。用BoT替换部分C2f结构以更好地捕捉图像中的全局和局部的丰富信息,提高模型特征提取能力的同时降低计算开销;设计了更轻量化的检测头以降低模型复杂性,更易部署于硬件设备上;引入MPDIoU损失函数优化了原CIoU对目标尺寸变化不敏感的问题,更加全面考虑目标的位置和尺寸差异信息,提高目标的定位能力。[结果]在ALD6数据集上病害识别的平均精度均值为94.9%,相较原始基准模型提高0.7%,计算量和模型大小比基准模型降低35.6%和35.5%。模型大小为13.8 MB,模型推理速度为175.7 FPS。[结论]ADDN-YOLO算法在准确性和降低模型复杂性方面都具有明显优势,可以为自然场景下苹果叶片病害的高效、准确检测识别提供支持。

关键词： 交通工程   目标检测   特征重用   特征金字塔   注意力检测器  

摘要： 针对自动驾驶汽车由于内存和计算资源对目标检测算法的限制,导致卷积神经网络在嵌入式设备上部署困难、待检测目标发生重叠或遮挡时识别困难,甚至无法识别,提出轻量级特征重用融合特征聚焦扩散金字塔的快速识别目标检测算法(FRFDFN)。首先,该算法使用特征映射冗余思想生成冗余特征图;然后,引入特征聚焦扩散金字塔网络结构,通过定制的特征聚焦与扩散机制,结合多层特征图连接,使上下文信息扩散到各检测尺度;最后,提出遮挡感知注意力检测器,并引入闭塞感知斥力损失。试验结果表明,提出的FRFDFN算法在KITTI数据集上表现良好,精确率达到97.1%、mAP50达到97.3%,参数量相较于YOLOv8n降低13.33%,检测精度却提升0.72%,兼顾低参数量与高精度要求。

关键词： 自动驾驶   驾驶辅助系统   三维目标检测   伪点云生成  

摘要： 3D目标检测是自动驾驶环境感知的关键任务。然而,在复杂场景中因距离和遮挡问题,激光雷达往往难以获取目标的完整点云,这极大地影响了目标检测的精度。为了应对这一问题,提出迭代伪点云生成的三维目标检测方法(IG-RCNN)。首先,在三维体素骨干网络中构建了一种通道部分稀疏卷积模块CSPConv(channel sparse partial convolution),在减少通道冗杂的同时融合不同感受野下的语义信息,提高模型的特征融合能力。其次,采用多次迭代的方式生成高质量的伪点云信息,为建议框的细化提供有效的指导,提高模型的检测精度。在KITTI数据集上的实验结果显示,所提算法相较于典型两阶段算法PVRCNN,在困难难度下,行人类别和骑行者类别的检测精度提升幅度达3.89%和2.73%。实验结果表明,该算法在处理稀疏点云数据时表现出显著的优越性,尤其在处理行人和骑行者等小目标时,表现出更强的鲁棒性和准确性。

关键词： 医学图像处理   肌肉分割   图像分割   目标检测   分割一切模型  

摘要： 肌少症对患者的身体健康有诸多不利影响,而肌量的测量是诊断肌少症的重要手段之一。然而,现有的手动测量方法效率较低,限制了其在临床中的广泛应用。文章旨在提出一种适用于肌少症临床诊断和医学研究的自动分割方法,该方法能够在少量训练数据的情况下实现高精度的骨骼肌分割。我们的方法首先使用少量数据对YOLOv10和SAM2模型进行微调。然后,通过YOLOv10获取每个样本的矩形框坐标,并将其作为SAM2的提示词进行骨骼肌分割。实验结果显示,我们的方法在分割任务中的DSC评分达到了0.9025,优于传统U-Net架构的0.8763和使用固定矩形区域作为提示词的0.8887。此外,在测试数据集上的验证结果表明,85%的分割结果在临床应用的可接受范围内。综上所述,文章提出的方法在骨骼肌的少样本自动分割任务中表现出较高的精度和可靠性,具有潜在的临床应用价值。Sarcopenia has numerous adverse effects on patients’ health, and muscle mass measurement is one of the important methods for diagnosing sarcopenia. However, the current manual measurement methods are inefficient, limiting their widespread clinical application. This study aims to propose an automatic segmentation method suitable for both clinical diagnosis and medical research of sarcopenia, which can achieve high-precision skeletal muscle segmentation with a small amount of training data. Our method first fine-tunes the YOLOv10 and SAM2 models using a small amount of data. Then, the rectangular box coordinates of each sample are obtained through YOLOv10 and used as prompts for SAM2 to perform skeletal muscle segmentation. Experimental results show that our method achieves a DSC score of 0.9025 in the segmentation task, outperforming the traditional U-Net architecture’s score of 0.8763 and the fixed rectangular region prompt’s score of 0.8887. Additionally, validation on the test dataset indicates that 85% of the segmentation results fall within the clinically acceptable range. In conclusion, the method proposed in the article demonstrates high accuracy and reliability in the task of few-shot automatic segmentation of skeletal muscle, showing potential clinical application value.

关键词： 目标检测   YOLOv8   船舶检测   注意力机制  

摘要： 船舶目标检测是计算机视觉的应用领域之一,对船舶行业的发展可以起到一定的推进作用。为了改善检测过程中出现的误检、漏检等现象,本文提出了一种改进的YOLOv8算法。首先对空间金字塔池化结构进行改进以提升不同尺度目标的特征提取效果;其次在检测层中加入注意力机制,将它与原有模块进行组合以提高算法对小目标的检测能力;最后使用Seaships7000数据集进行训练和测试。实验结果表明改进后的模型mAP@.5和mAP@.5:.95分别为98.6%和82.7%,相较于原始算法有所提升,在与其他经典算法的比较中也有一定优势。检测速度为70帧/秒,能够实现实时的高精度检测。

关键词： 视频小卫星   势函数   拟欧拉旋转   视觉跟踪   防脱靶  

摘要： 针对视频小卫星与观测目标存在较大初始相对姿态偏差和角速度,目标容易偏离相机视场造成脱靶的问题,设计了一种视频小卫星目标跟踪视野分区防脱靶控制方法,该方法将星载相机矩形成像视野按照内切圆划分为内外两部分,内切圆内部和外部分别基于势函数和拟欧拉旋转法设计跟踪控制器,并利用Barbalat引理证明两个区域控制律的渐近稳定性,同时在理论上证明了目标进入视野内切圆区域后,在基于势函数的控制器作用下可以确保不脱靶。通过控制器对比仿真,结果表明拟欧拉旋转法相比于比例-微分(proportional-derivative,PD)控制具有更强的抑制目标偏离视场能力,结合拟欧拉旋转法和势函数法的视野分区控制与全视场的拟欧拉旋转法相比,能够有效实现对较快速机动目标的防脱靶控制,从而实现连续跟踪观测。

关键词： 冰裂信号   半监督学习   伪标签   目标检测   特征融合  

摘要： 冰裂声信号作为极地冰盖动力学演化的“声学特征指纹”具有重要监测价值,而传统检测方法存在低信噪比下灵敏度不足以及对标注数据依赖性过高等问题,为此提出了一种基于多分量特征融合的半监督学习冰裂声信号检测框架,旨在提升低标注数据条件下冰裂声信号的自动化检测能力。首先,提出并对比混合波形图和堆叠时频图两种三维声场特征融合方案,优化三维弹性声场信息的有效利用。随后构建教师-学生模型的双分支迭代优化架构,引入半监督学习伪标签策略,利用未标注数据增强模型泛化能力以显著降低人工标注数据依赖。通过开展高纬度冰区试验,以YOLOX为基准模型验证所提方法的有效性:相同人工标注数据量下,检测性能较基准模型提升26.2%;在标注数据减少50%的条件下,所提方法检测性能接近全标注模型(达成率94.5%)。ROC曲线分析进一步证实,堆叠时频图特征融合方案在冰裂声信号检测任务中具有明显优势。