关键词： 小样本目标检测   元学习   Meta Faster R-CNN   背景抑制   特征增强  

摘要： 小样本目标检测的元学习方法能快速适应少量训练样本,较好解决现有常规检测模型泛化能力不强、适应新任务速度缓慢、鲁棒性差的问题,具有较高的实际应用价值,但该方法对支持集特征利用能力不足、检测精度不高。为此,基于支持集特征增强,针对元学习SOTA算法Meta Faster R-CNN进行改进,从支持集背景抑制与目标特征增强两个角度出发,削弱与待查询目标无关的背景信息并加强支持集内部特征之间的联系,构建一种检测性能更高的小样本目标检测算法。实验结果表明:在PASCAL VOC Novel Set数据集上的元测试阶段,本文改进算法在1-shot、2-shot、3-shot、5-shot、10-shot下的平均精度均值(mAP@0.5)较原算法分别提升了0.066%、12.038%、12.289%、10.073%、9.539%;在元微调后的测试阶段,本文改进算法的mAP@0.5较原算法有所提升或基本持平;增强支持集特征能够有效提升小样本目标检测精度。

关键词： 显著性目标检测(SOD)   光学遥感图像(ORSI)   注意力机制   边缘增强   语义信息  

摘要： 针对光学遥感图像多尺度目标和复杂背景导致显著性目标检测效果不佳的问题,提出一种基于金字塔视觉Transformer的ADNet模型。首先,引入随机加权空间注意力模块,提高ADNet对目标区域的关注度,减少背景干扰。其次,设计了一个动态语义融合模块,可以实时理解和融合图像中的语义信息,帮助ADNet更精准地进行图像分割。然后,还设计了一个自适应边缘增强模块,用于提取和增强边缘信息,确保边缘分割更加精准。最后,通过显著性特征解码器对这3个核心模块的结果进行融合,生成最终显著性图。在公共数据集EORSSD和自制数据集FORSSD上均表现出较好的结果。其中,在FORSSD数据集上表现效果最好:F-measure、E-measure、S-measure和MAE指标达到了0.9180、0.9834、0.9316和0.0065。通过金字塔视觉Transformer和这3个模块的协同工作,有效应对了光学遥感图像中多尺度目标和复杂背景的问题,提高了光学遥感图像显著性目标的检测效果。

关键词： 目标检测   表情识别   YOLOv7-tiny   注意力机制   Mish函数   CARAFE算子  

摘要： 表情识别不仅能够提升人机交互体验,推动情感计算的发展,还可以辅助心理健康评估和治疗,提升社会安全和监控效率。为了提高表情识别的检测平均精度,提出了一种基于优化YOLOv7-tiny的表情识别算法。首先,将YOLOv7-tiny中原有的激活函数替换为Mish函数,提高了模型的优化能力;在YOLOv7-tiny的主干网络上再增加CA注意力机制,提高了对目标感兴趣区域的注意,增加了检测的平均精度;最后,将Neck层的上采样部分替换为轻量级上采样算子CARAFE,提高了特征融合能力。实验结果表明,优化后算法的检测效果有了明显的提升,与原始YOLOv7-tiny相比,模型的mAP@0.5提高了1.6百分点,达到88.6%,mAP@0.5:0.95提高了1.3百分点,达到64%;图片检测速度达到每张图片5.0 ms,而且模型保持了轻量化。

关键词： 智能手杖   超声波测距   YOLO模型   目标检测   计算机视觉   卷积神经网络  

摘要： 传统盲人手杖只注重盲人使用过程中的多功能性和舒适性,而忽视了与信息技术的结合,为此设计了一款基于计算机视觉的智能盲人手杖系统,旨在解决盲人出行中遇到的实际问题。系统利用计算机视觉进行目标检测和人脸识别,采用超声波模块测量盲杖前方障碍物的距离,通过耳机语音实时播报,帮助盲人更好地感知周围环境。系统由K210主控制器、超声波模块、摄像头模块、LCD显示屏和语音提示器等组成,使用YOLO模型对图像进行处理分析,将识别结果显示在LCD屏幕上,并实现同步实时的语音提示。经验证,系统运行稳定,且具有通用性和适配性,可以嫁接到其他盲人手杖上,并可根据用户需求进行升级,具有较广阔的应用前景。

关键词： YOLOv8n   目标检测   BIFPN-SID   注意力机制   Inner-SIoU  

摘要： 针对不同情况下番茄果实识别检测精度低和存在漏检的问题,提出一种基于改进YOLOv8n的番茄检测模型,旨在提高番茄的识别准确率和检测效率。首先,在特征提取过程中集成了CBAM(Convolutional Block Attention Module)注意力机制模块。其次,引入BIFPN-SID模块进一步提高模型的泛化能力。再结合损失函数Inner-SIoU优化模型的训练过程。试验表明,所提出的模型在番茄果实识别任务的性能指标显示,准确率高达94.4%,召回率为91.3%,F 1值为92.8%,平均精度均值达到95.6%。与原模型YOLOv8n相比分别提高5.8、6.4、6.1、3.3个百分点。在检测准确率与速度方面,改进后的模型均表现出色,可以应用于番茄采摘机器人目标识别检测。

关键词： 目标检测   视网膜黄斑病变   加权双向特征金字塔网络   注意力机制  

摘要： 视网膜黄斑病变是失明的重要原因之一,人工筛查容易出现误诊,而基于深度学习的自动诊断有助于早期的检测和治疗。提出一种基于改进YOLOv5的黄斑病变分类检测算法,针对黄斑病变图像细微特征融合不充分的问题,将YOLOv5颈部的PANet特征融合模块替换为加权双向特征金字塔网络,实现高效的多尺度特征融合,以获得更好的黄斑病变细节特征;针对小目标病变检测能力差的问题,在模型中引入SK注意力机制,通过自适应地调整感受野,增强对黄斑病变区域特征的捕获。对比实验证明所提算法可将小目标检测准确率由原来的91.9%提升至94.2%,全类平均准确率由原来的93.4%提升到96.6%,且在相同条件下,该算法的表现优于其他目标检测网络模型。

关键词： 多传感器融合   机场不停航施工   安全风险监测   目标检测  

摘要： 随着机场运营规模不断扩大,各种改建和扩建工程愈加频繁,这些工程通常会对机场飞行安全造成一定的影响。本文因此研究了基于多传感器融合的机场不停航施工安全风险监测,保障施工过程中机场安全高效运行。首先,分析不停航施工涉及的安全项,梳理安全需求。然后,采用相机和激光雷达组合感知方式,获取目标物位置、类别和轨迹信息。最后,基于目标信息和触发规则实现了安全风险监测预警。实验结果表明,本方法克服了单一传感器感知的缺点,解决了传统施工现场监管和远程监管需要人工识别、判断风险并预警的问题。

关键词： 荔枝   振动采收   图像处理   分离特性   结构优化  

摘要： 为了研究荔枝振动分离特性,以此为基础优化振动器结构,利用往复振动采收装置在不同振动参数下对荔枝进行振动分离试验,并采用MatLab软件分析高速相机拍摄的荔枝运动视频,获得荔枝运动参数(轨迹、速度、加速度等)。为了确定振动机构的最优工作参数,利用Design-Expert软件处理试验数据并得到回归模型,再通过响应曲面分析振动频率、振幅和振动距离对荔枝分离特性(分离时间、碰撞次数和惯性力)的影响,对回归模型进行优化,结果表明:当振动频率为9.7 Hz、振幅为80 mm、振动距离为29.4 mm时,既能保证较短的分离时间又能减轻荔枝果实所受的机械损伤。为了基于最优工作参数对振动器进行结构优化,以采收效率高和损伤小为目标,以尺寸约束、角度约束和强度约束为约束条件,建立多目标优化模型。优化后的振动器为对心曲柄滑块机构,曲柄长度为56 mm,连杆为127 mm,角速度为62 rad/s。经验证,优化后的振动器可以提高采收效率,减少果实所受损伤,为荔枝振动采收器的设计提供依据。

关键词： 深度学习   计算机视觉   YOLOv8   缺陷检测  

摘要： 针对当前钢材缺陷检测中目标特征复杂导致检测精度较低的问题,提出了一种基于改进YOLOv8n的钢材缺陷检测算法GOS-YOLO。首先,使用由轻量级卷积GSConv构建的Slim-neck范式作为特征融合网络,在减小模型参数量的同时提高精度。其次,将骨干网络的部分C2f模块替换为与全维度动态卷积(ODConv)相结合的C2f_ODConv模块,以实现模型的多维特征关注进而提高模型的精度。最后,将结合了多分支结构与压缩和激励操作的SENetV2注意力机制嵌入颈部网络,增强模型对复杂特征的提取能力。实验结果表明,在NEU-DET数据集上,GOS-YOLO的R、mAP50、mAP50~95较YOLOv8n分别提高了3.3%、1.7%、2.3%。在VOC2007数据集上mAP50~95提高了1%,FLOPs降低了16%。

关键词： 中国兵工学会   重点科研项目   基金项目   光电信息   传感技术   图像处理   ISSN   中北大学  

摘要： 《测试技术学报》(ISSN1671-7449 CN14-1301/TP)由中北大学和中国兵工学会主办,是“中国兵工学会测试技术学会”会刊,刊登有关测试技术的重点科研项目、基金项目的研究成果以及兵器及民用测试的应用技术,是“中国科技核心期刊”。本刊稿件来源于全国各大高校、研究院所及国外一些大学,在国内本专业学者中受到高度重视,重点关注测试技术与理论研究、光电信息与传感技术、故障检测、信号检测、数据采集、图像处理、通信技术等领域。