关键词： 目标检测   半监督学习   红外夜视   野生动物保护   师生模型   注意力机制  

摘要： 针对野生动物夜间目标检测精度与效率低且难以人工全面标注的问题,提出了一种基于半监督学习的夜间野生动物端到端识别模型(SAN-YOLO)。基于YOLOv8融合特征注意力机制和像素注意力机制,以提升检测器对于夜间图像的自适应性和特征表征能力。然后,搭建了基于师生学习框架的半监督训练网络,通过生成并合理分配伪标签,让学生模型从大量未标注的原始图像中学习,最后,在所构建的数据集上进行评估。实验结果表明,在使用5%标注的情况下,SAN-YOLO的mAP指标达到69.7%,高于其检测器在全监督训练下的59.6%和基线模型的57.1%。所研究的检测方法在少量标注的夜间动物数据集上展现出良好的性能,且验证了注意力机制在夜间目标检测领域的有效性。

关键词： 有向目标检测   椭圆方程   特征增强   高分辨率遥感影像  

摘要： 遥感有向目标检测是计算机视觉领域内一项具有挑战性的任务,传统的水平框表示法无法精确定位尺度各异、方向任意且密集排列的遥感目标。目前广泛采用的五参数有向框表示法,由于方向角的周期性和边的交换性问题,增加了模型训练的复杂度。为了解决上述问题,本文提出了一种基于椭圆方程的遥感有向目标检测模型EllipticNet (Elliptical Equation-based Remote Sensing Oriented Object Detection Networ)。首先,EllipticNet将方向角的预测问题解耦为两个子问题:定量角度回归和旋转方向分类,从而克服五参数有向框表示法的边界不连续性问题;结合椭圆的长短轴以及中心点预测,实现遥感有向目标的精确表示。其次,本文设计了一种椭圆约束的损失函数,通过增强椭圆参数之间的内在几何关系,提高EllipticNet训练的鲁棒性。此外,本文还提出了一种逐层空洞空间卷积池化金字塔模块,显著提升EllipticNet对多尺度特征的表征能力。最后,在DOTA、HRSC2016和UCAS_AOD等3个常用的公开遥感数据集上的对比实验表明,本文方法在性能和效率方面均具有竞争力,表明本文方法在遥感有向目标检测中具有一定的实用价值。

关键词： 合成孔径雷达   飞机检测   复杂背景   全维度特征提取   可变形全局特征融合  

摘要： 合成孔径雷达(SAR)图像飞机目标检测面临背景复杂、飞机目标较为微弱且尺度较小、不同成像条件下目标差异较大、目标结构不连续等挑战,提出一种新的飞机目标检测算法ATDM,用于提高复杂背景下SAR图像飞机目标的检测精度。使用YOLOv8s作为基线模型并改进了损失函数,算法包含三个重要的模块,即卷积注意力模块(CBAM)、全维度特征提取(ODFE)模块和可变形全局特征融合(DGFF)模块。为了增强网络在复杂背景下对飞机目标特征的提取能力,在基线网络的Backbone插入CBAM,从空间和通道两个维度学习飞机目标的特征;ODFE利用卷积核空间四个维度的动态性,通过并行策略沿核空间的四个维度学习不同类型飞机目标的特征,提升复杂背景下对散射特性较弱的飞机目标及小目标的检测能力;DGFF自适应调整卷积核的形状以适应不同成像条件下得到的飞机目标,并进行全局信息特征融合。最后,改进边界框回归损失函数为动态非单调聚焦损失函数WIoU,采用动态非单调聚焦机制,使用离群度评估锚框质量,降低SAR图像中可能存在的错误标注产生的影响。为了评估所提ATDM的性能,在SADD和高分三号SAR飞机数据集上开展实验,在两个数据集上得到的平均准确率(AP)分别达到95.4%和98.2%;消融实验结果与分析验证了所提出的三个模块及损失函数的有效性。此外,在与其他目标检测算法的对比中,所提算法也得到了最高的平均准确率。

关键词： 双模态图像   目标检测   特征融合   深度学习   注意力机制  

摘要： 为了应对复杂动态环境下红外与可见光双模态目标检测的挑战,特别是目标特征表达不足以及红外可见光特征在双模态融合中无法充分利用互补特征导致漏检和误检的问题,提出了一种用于目标检测的双分支特征增强与融合网络(Dual-Branch Feature Enhancement and Fusion,DBEF-Net)。针对模型对红外和可见光特征关注度不足的问题,设计了一种特征交互增强模块,该模块能够有效地关注并增强双模态特征中的有用信息。同时,为了更有效地利用双模态的互补特征,采用基于Transformer的双模态融合网络,并引入交叉注意力机制,以实现模态间的深度融合。实验结果表明,在SYUGV数据集上,与现有双模态目标检测算法相比,本文方法的平均检测精度更高,处理速度也能满足实时检测的需求。

关键词： Mura缺陷   液晶屏   目标检测   深度学习   微弱特征  

摘要： 针对液晶屏Mura缺陷检测中因对比度低和尺度差异多样而导致的检测精度不足的问题,从提升模型对小尺度缺陷和微弱缺陷检测性能的角度,提出了一种基于改进YOLOv8n的液晶屏Mura缺陷检测模型YOLO-D3MNet。首先,通过引入ConvNeXtv2模块重构模型的主干网络和颈部网络,提高模型在复杂纹理背景下的微弱特征提取能力;其次,针对检测头模块特征信息跨通道交流不足的问题,提出了一种结合通道混洗策略和深度可分离卷积的高效解耦头,促进不同特征通道之间的信息流动,降低模型的算力需求;最后,针对基于预测框和真值框的交并比度量对小尺度缺陷的位置偏差敏感的问题,引入归一化高斯Wasserstein距离损失函数,提供更多的正样本候选框,从而提高模型对Mura缺陷的检测性能。改进后的YOLO-D3MNet模型的准确率、召回率和mAP_(50)分别为92.9%、88.8%和94.8%。相较于基础模型YOLOv8n,YOLO-D3MNet模型的准确率、召回率和mAP_(50)分别提高了3.4%、2.7%和3.6%,同时模型的GFLOPs降低了24.7%。与YOLOv5n等主流目标检测模型相比,本文提出的YOLO-D3MNet模型在液晶屏Mura缺陷检测方面具有更好的性能。

关键词： 风景园林   城市蓝绿空间   景观要素   景观感知   健康行为   计算机视觉  

摘要： 【目的】城市滨水绿地内部空间景观要素与健康行为之间的复杂关联亟待深入剖析,恢复性感知作为自然环境中影响个体行为决策的关键因素,为探究二者关系提供了新视角。【方法】以武汉市沙湖公园93个景观节点为研究对象,结合计算机视觉技术、问卷调查和行为观测等方法,深入探究滨水绿地景观要素、恢复性感知对公众健康行为(恢复、体力及社交活动)的影响。【结果】自然景观有助于提升公众的恢复性感知,而高比例的人工要素则产生相反效果;不同健康行为存在空间分布差异且显著影响要素各不相同;恢复性感知与恢复活动、社交活动呈显著正相关。【结论】揭示了3类健康行为对节点景观要素的偏好差异,并证实了恢复性感知对促进健康行为的积极作用。未来可通过强化自然景观建设、合理规划空间色彩及实施节点差异化设计等措施,有效促进公众健康行为开展,进而提升滨水绿地健康效益。

关键词： 机器视觉   压力表   自动检测   机器学习   误差分析   质量控制   图像处理  

摘要： 本文介绍了一种基于机器视觉技术的智能压力表自动检定系统,通过集合精密的机械结构设计、高灵敏度传感器、高效的数据采集和控制模块,运用先进的图像处理技术和机器学习算法,实现压力表的自动识别、自动采集数据及精确的误差分析。经测试,该系统不仅具有良好的精度、工作效率和运行稳定性,而且大大降低了人为误差。

关键词： 图像处理   边缘检测   滤波降噪   数理统计  

摘要： 针对图像边缘去伪降噪保边问题,提出了一种基于边缘物理连续性和噪声分布随机性假设,运用数理统计分析的边缘滤波降噪与边缘保持的处理方法。首先,建立了离散型边缘的孤立噪声、连续噪声、伪边缘的物理模型,并使用一阶梯度表征边缘起伏大小,使用二阶梯度表征邻域边缘起伏趋势,通过梯度组合构建起噪声模板和伪边缘模板。根据目标边缘的实际形态,为了满足平滑连续的假设条件,可对原始数据做预处理,即通过分段坐标变换,使目标边缘趋势线归一到坐标轴上。然后,运用数理统计分析得到梯度阈值,并对边缘梯度数据进行噪声与伪边缘模板匹配,检索得到疑似虚假边缘。最后,通过选取疑似虚假边缘前后邻域的置信数据进行多项式拟合,利用离差值评价噪声分布,利用相关系数评价边缘特征,以完成噪声与伪边缘的验证。通过3种实例测试,分析了该方法对不同信噪比边缘的滤波降噪保边效果。测试发现,对于有明显噪声干扰的边缘信息(信噪比小于15 dB),该方法处理的降噪准确率和保边准确率均为80%以上。当信噪比为1.85 dB时,降噪准确率达到82%,说明该方法对低信噪比滤波有良好效果。

关键词： 目标检测   yolov5s   反无人机   解耦合检测头  

摘要： 随着无人机市场规模的不断扩大,无人机在众多领域中得到了广泛使用,随之出现了机场、军事区域、政府部门等重要目标的无人机禁飞管制问题,为提高反无人机能力,保护重要目标空域安全,提出了一种改进的yolov5s空中无人机目标识别算法。该算法基于yolov5s目标检测模型,在此基础上引入SE注意力机制、高效解耦合检测头、WIoU_(v2)损失函数。在改进的目标检测算法数据集上进行实验,通过消融实验和损失函数对比实验,平均精确率均值mAP@0.5提高了1.3%,可以更好地用于民用无人机空中管制。

关键词： 遥感图像   上下文模块   注意力机制   旋转目标检测  

摘要： 遥感图像处理旋转目标检测任务存在尺度变化大、背景复杂、目标方向任意的特点,给自动目标检测带来了挑战。针对上述问题,结合YOLOv5s检测器,提出了基于上下文空间感知的旋转目标检测框架。首先,设计了上下文空间感知模块(CSPM)构造主干网络,获取更全面的局部上下文信息与全局空间感知信息,解决网络模型对多尺度目标的特征提取能力不足的问题;其次,在特征融合部分引入无参数注意力机制SimAM,基于神经元抑制原理自适应融合重要信息,解决模型在复杂背景下的误检和漏检问题;最后,增加角度参数回归旋转目标方向,解决任意方向目标回归的问题,同时采用GWDL(Gaussian Wasserstein Distance Loss)计算旋转框损失,参数联合优化,提升检测精度。提出的目标检测算法在HRSC2016数据集上的Recall、Precision和mAP_(50)分别达到了0.955、0.916、0.904,具有最优的检测效果,同时检测速度达到了140.8帧/s,具有实时性。