关键词： 卷积神经网络   水面漂浮物   目标检测   注意力   黄河郑州段  

摘要： 针对水面漂浮物感知目标小、易受干扰、识别精度低的问题,提出ATD-CNN目标检测模型。结合注意力机制,将注意力模块嵌入Faster R-CNN改进模型的基本主干网络,计算特征图内部特征点之间的长距离相关系数,对显著性特征进行有效增强,以提升基本主干网络对图像特征的提取能力。基于河南省郑州市惠济区南裹头黄河沿岸采集的图像数据,对ATD-CNN模型检测效果进行验证,并将该模型性能与Faster R-CNN改进模型、YOLOv5单阶段目标检测模型进行对比。结果表明:与Faster R-CNN改进模型相比,ATD-CNN模型对水面漂浮物的漏检率下降,其mAP值提升了6.80%,F1 Score平均值提升了2%。与YOLOv5X、Faster R-CNN改进模型相比,ATD-CNN模型的mAP值分别提升了2.91%、6.80%,有效提高了水面漂浮物检测精度。

关键词： 穿墙雷达   分布式雷达   无线组网   信号增强   目标检测   目标匹配   联合定位  

摘要： 超宽带雷达具有抗干扰能力强、穿透性强等特点,被广泛应用于穿墙人体目标探测。单发单收雷达具有体积小、重量轻的优势,但是无法实现目标的二维定位。MIMO阵列雷达能够实现对于目标的定位,但是存在着体积与分辨率之间的相互制约,同时运算时间较长。该文基于分布式穿墙雷达,提出了一种基于分布式雷达的多目标自动检测方法。首先,对回波信号进行时域预处理、时频转换等,基于恒虚警检测的目标距离测量方法获取目标候选距离单元,使用滤波矩阵进行候选信号增强;基于生命信息对增强后信号进行关联,实现目标匹配;最后使用定位模块来实现雷达位置自确定,进而实现生命目标位置的快速、自动检测。为了避免偶发误差对最终定位结果的影响,该文使用定位场景剖分的方法实现穿墙场景下的生命目标二维定位。实验结果表明,该文所提方法可以实现穿墙场景下多目标的检测定位,在实测数据中运算时间为0.95 s,优于其他对比方法4倍以上。

关键词： 合成孔径雷达   目标检测   小目标   遥感图像   深度学习   YOLO模型   计算机视觉  

摘要： 针对SAR图像上的小目标难以被检测的问题,提出一种STSAR-YOLOv5目标检测算法。在YOLOv5基础上增加一层检测头捕捉小目标;在骨干网络部分加入BoTNet模块,其具有全局信息获取能力,能够在高度密集场景下定位小目标。在自主构建的SSAD数据集上进行对比实验,实验结果表明,STSAR-YOLOv5的检测效果较YOLOv5有明显提升,该方法平均检测精度(mAP_0.5:0.95)提高了7.8%。相比YOLOv5算法,该算法对SAR图像中的小目标表现出较好的检测性能和鲁棒性。

关键词： 笔迹识别   OpenCV技术   图像处理  

摘要： 当前,笔迹识别在众多领域中扮演着举足轻重的角色。传统的人工笔迹比对方法需要消耗大量的时间和人力资源,不仅效率低下,而且容易出错。为解决痛点问题,开发了一款基于OpenCV的笔迹识别技术系统,提高识别的准确性和效率。该系统利用OpenCV的图像处理功能,对输入的手写图像进行预处理,并且结合Matplotlib对图像进行分步处理,以提高识别的鲁棒性。该系统可以应用于银行、金融部门等多领域,以提高工作效率。

关键词： 计算机视觉   交通噪声   特征提取   噪声估计   机器学习  

摘要： 为了实现城市道路视频监控场景下交通流噪声的快速准确估计,提出一种基于计算机视觉的城市道路噪声实时估计方法。首先,从道路交通噪声产生机理分析入手,提出了一系列基于计算机视觉的城市道路交通噪声相关交通流信息提取方法,改善传统方法提取交通流信息不够便捷的情况。其次,针对传统算法噪声估计准确度不高的问题,进行城市道路交通噪声影响因素分析,将交通流特征与环境特征相结合,构建了基于机器学习的道路交通噪声估计模型,提高了城市道路噪声估计的准确性。最后,分析城市道路交通噪声短时变化规律,确定其尺度可变的特征提取时间窗口,提出了一整套城市道路交通噪声实时估计方案,提升了城市道路噪声估计的实时性。实验结果表明,所提出的基于计算机视觉的交通流信息提取方法较常用的目标检测和目标追踪算法能够更准确的提取城市道路交通噪声相关信息;所建立的城市道路交通噪声估计模型相比传统噪声估计模型有更高的实时性和准确性,相较于现有基于机器学习的噪声估计方法在不同场景下均有着更为准确的估计结果,提高了城市道路噪声估计的准确性和实时性,确定了时间尺度为3和10 min的噪声估计方法,具有实际应用价值。

关键词： 自动驾驶   视觉目标检测   域自适应   图推理  

摘要： 现有域自适应视觉目标检测算法大多基于两阶段检测器设计,且未能利用图像空间中不同元素之间的语义拓扑关系,导致次优的跨域适应性能。为此,本文提出一种基于多粒度关系推理的域自适应视觉目标检测算法。首先,提出粗粒度图块关系推理模块,使用粗粒度图块图结构来捕获前景和背景之间的拓扑关系,对前景区域进行跨域适配。然后,设计细粒度语义关系推理模块,推理细粒度语义图结构来增强跨域多类别语义依赖关系。最后,提出粒度诱导的特征对齐模块,根据节点的亲和性调节特征对齐的权重,提升检测模型面对场景整体变化时的适应性。多个自动驾驶跨域场景上的实验结果验证了所提算法的鲁棒性和实时性。

关键词： 图像处理   米饭   表面孔隙率   Otsu阈值   OpenCV  

摘要： 米饭表面孔隙率能够反映米饭的结构特征、物性和口感。为快速准确地测定米饭表面孔隙率,提出了一种基于图像处理技术的测定方法。以米饭饭粒间的空隙作为研究对象,使用OpenCV库进行图像处理,首先将米饭图像进行灰度化并使用Otsu阈值将图像进行分割处理,然后对二值化图像进行除噪处理,利用连接组件分析算法提取米饭表面孔隙区域,计算孔隙面积占比以得到米饭表面孔隙率,并对算法结果进行了验证。结果表明:对5种不同品种大米(黄河粥、珍珠米、长粒香、京贡一号、五常大米)的米饭表面孔隙率进行计算,得到其Photoshop处理与Otsu处理值之间的相对误差分别为1.45%、1.89%、1.64%、1.42%和0.95%;所测得的米饭表面孔隙率的变异系数均在4%以内,说明数据波动性较小、离散程度较低、测量精度较高,米饭孔隙率测定结果与Photoshop处理结果接近,且重复性良好。该方法能快速高效地测定米饭边界的孔隙率,无须单独取样,且米饭试样自身无破损,可为评价米饭品质提供一种新的无损检测技术手段。

关键词： 目标检测   钢丝绳缺陷检测   轻量化   YOLOv7-tiny  

摘要： 钢丝绳应用场景复杂、检测设备受限导致检测结果不可靠、不高效,检测算法难部署、难移植,对此提出了一种基于YOLOv7-tiny改进的轻量化模型,通过引入Ghost卷积模块实现网络的轻量化;在主干网络中添加ECA自注意力算法以增强网络表征能力;使用CARAFE上采样算子加强了特征提取;采用WIOU损失函数进一步提高检测精度。在钢丝绳缺陷数据集上进行实验,结果表明其性能优于原YOLOv7-tiny模型,平均精度达到93.2%,提高了4.7%,参数量减少了47%,模型大小减少了45%。与目前其他先进的网络模型相比同样有着更优的整体性能。

关键词： 民居建筑   典型特征   信息提取   计算机视觉   多尺度结构相似度  

摘要： 传统的民居建筑典型特征提取主要是通过大量现地观察、测量和采样后,凭借个人经验进行提炼总结,抽象概括出有代表性民居建筑形状、颜色和样式等造型特征。该类方法容易受个人主观因素影响,工作量大,可复现性不强,稳定性、可靠性和科学性不高。针对以上问题,结合计算机视觉、统计分析和遥感成像等技术手段提出一种西藏地区高原民居建筑典型特征遥感提取方法。利用K-means无监督聚类对民居建筑形状特征进行提取,获取典型民居建筑长度、宽度和长宽比等典型形状特征指标;将RGB三色的民居建筑样本转换到Lab色彩空间,通过色差阈值分割与统计分析提取民居建筑典型颜色特征;引入样本多尺度结构相似度对建筑样式进行定量化表征,通过样本精选、结构特征模板提取和最大相似度匹配提取典型民居建筑样式。以西藏地区的桑耶镇和曲水镇作为实验区分别选择四种经典主流方法开展了两组对比验证实验。实验结果表明,该方法提取的建筑典型特征一致性较好,结果稳定、可靠,受人为因素影响较小。同时也发现,高原民居建筑长宽比约为1.1∶1,长度约24~29m,宽度略窄。民居建筑颜色主要为浅灰褐色,占比最大的前3~4种主色与当地的裸土颜色非常相似。典型民居建筑样式主要呈“回”字形结构,中间有庭院和四周为围墙。

关键词： 目标检测   轻量化   注意力   Dconv  

摘要： 为了解决航拍图像目标检测算法模型参数大、小目标细节难以捕捉的问题,提出了一种基于YOLOv8的旋转目标检测算法。算法针对主干网络中的C2f结构,设计了C2fFasterblock轻量化模块,并在主干网络的尾部增加了EMA注意力机制,增强了小目标提取能力。通过Slim-neck的设计范式自主设计了Dneck,将颈部网络中的普通卷积更换为膨胀卷积Dconv(Dliated convolution),增大特征图像感受野的同时保证了卷积层的输出包含较大范围的信息,同时减少参数量的计算。实验结果表明,改进后的算法在DotaV1数据集上的准确率提高了1.2个百分点,召回率提高了6个百分点,mAP50从80%达到了83.7%,且模型的参数量减少了13.5%。该改进算法在减少参数量的同时较好地提升了平均准确率和精度,验证了实验的有效性。