关键词： 目标检测   海杂波   大掠射角   雷达导引头  

摘要： 大掠射角下海面目标信号往往淹没在强海杂波中,给雷达导引头目标检测带来了严峻的挑战。为改善大掠射角下雷达检测微弱目标性能,提出一种基于多特征融合的海面目标检测方法。首先,通过分析大掠射角下雷达导引头实测数据,发现海杂波和舰船在展开相位差均值、同极化比相位均值和极差、同极化幅均比4个幅相极化特征方面存在较大差异。其次,结合支持向量机方法,与已有特征集对比,验证了海杂波与舰船目标+海杂波在该四维特征空间可分性更高。进而,对分类器加以虚警控制,提出一种幅相特征融合的海面目标检测方法。最后,利用实验数据验证了所提方法可以在大掠射角下实现雷达对海面目标的有效检测。

关键词： 大卷积核   目标检测   时空行为检测   行为识别   特征融合  

摘要： 目前大卷积核模型在图像领域已经证明其有效性,但是在视频领域还没有优秀的3D大卷积核模型。此外,之前的工作中忽视了时空行为检测任务主体是人的特点,其中的骨干网络只针对通用目标提取特征。针对上述原因,提出了一种含有特征融合结构的3D大卷积核神经网络(FFConvNeXt3D)。首先,将成熟的ConvNeXt网络膨胀成用于视频领域的ConvNeXt3D网络,其中,预训练权重也进行处理用于膨胀后的网络。其次,研究了卷积核时间维度大小和位置对模型性能的影响。最后,提出了一个特征融合结构,着重提高骨干网络提取人物大小目标特征的能力。在UCF101-24数据集上进行了消融实验和对比实验,实验结果验证了特征融合结构的有效性,并且该模型性能优于其他方法。

关键词： 孕羊   深度学习   目标检测   行为识别  

摘要： 分娩对于母羊和羔羊来说都是一个关键时期,若在这一时期忽视母羊的接产和助产,可能会导致母羊难产、羔羊死亡等,这将直接影响到养殖场的经济效益。怀孕母羊的某些特定的生理表现或者行为变化可能是即将分娩的指示信号,在孕羊产前对此进行检测有助于预测分娩行为的开始。本文提出了一种基于YOLOv7的深度学习网络对视频中孕羊的产前站立、普通躺卧、进食、饮水和分娩躺卧5种行为进行识别。试验结果表明该方法能够准确监测和识别出与分娩事件相关的个体孕羊行为,对于产前5种行为的识别精确度和召回率都在97%以上,全类别平均精度达到98.77%。

关键词： 松材线虫病   大尺度范围疫木识别   无人机航拍图像   目标检测   YOLOv7  

摘要： 松材线虫病是一种危害程度极高的传染性松树病害。为精确掌握大尺度范围松材线虫病疫木的数量和分布,提出了一种基于改进YOLOv7的无人机航拍图像下松材线虫病疫木检测模型。首先,针对因航拍图像背景复杂而导致的疫木错检漏检问题,在模型主干特征提取部分引入SimAM注意力机制,以便模型更好地聚焦松材线虫病疫木颜色、纹理等关键特征;其次,用ConvNeXt网络对Head部分的ELAN-W网络进行替换,以提高模型对单株疫木的特征提取效率,在降低模型参数量的同时提升模型检测速度;然后,引入SPD-Conv以提高低分辨率航拍图像下小目标的检测精度;最后,将颈部网络的卷积替换为CoordConv,以更好地感受特征图中疫木的位置信息。在自建的松材线虫病疫木数据集中进行了大量验证,结果表明:经改进后的YOLOv7模型检测精确度为91.1%,召回率为93.5%,F_(1)分数为92.3%,与原YOLOv7模型及其他当前主流模型相比,各项主要指标均有一定提升。在选取的两块不同区域测试样地上的实验结果表明,本模型具有较好的适应性,可有效应用于大尺度松材线虫病疫木普查任务中。

关键词： 机器视觉   改进深度学习   无人机自主避障   目标检测  

摘要： 为了提升无人机自主避障目标检测准确性,高效完成障碍物避让,提出一种融合机器视觉差学习的无人机自主避障目标检测算法。通过机器视觉算法中去噪方法对无人机飞行道路数据进行去噪处理。采用深度学习算法中的改进卷积神经网络结合Gabor核进行去噪后数据特征提取和目标检测。通过改进神经网络计算图像数据对的视差图,引入Gabor核替代传统卷积核,并结合自适应优化算法调整网络参数权重,在视差图中精确定位障碍物目标,并进行无人机直线飞行道路的检测。最后,通过光栅扫描法判断视差图中的像素点是否为障碍点,实现目标检测和避障决策。通过实验测试结果可知:所提方法可以有效降低检测时间,获取高准确率的无人机自主避障目标检测结果。

关键词： 目标检测   损失函数   边界框回归   坐标注意力   YOLOX  

摘要： 针对YOLOX算法中边界框回归损失效果有限和多尺度特征表示能力不足,导致检测结果不准确的问题,提出一种基于距离形状广义交并比(DSGIoU)损失与双分支坐标注意力的目标检测算法。在交并比(IoU)损失项的基础上,通过添加真实框与预测框之间的非重叠面积、中心点距离及宽高比3个惩罚项,优化边界框的回归收敛效果;通过平均池化和最大池化沿着2个方向对特征进行编码,获取方向感知信息和位置信息,从而对特征进行增强。为验证所提算法的检测性能,分别以网络大小为Tiny、S、M的YOLOX为基准,在PASCAL VOC和KITTI数据集上进行测试。实验结果表明:所提算法在PASCAL VOC数据集上的检测精度分别达到80.0%、82.6%、85.8%,相比基准算法YOLOX提升了1.5%、1.6%、2.0%;在KITTI数据集上的检测精度分别达到87.7%、89.7%、90.7%,相比基准算法YOLOX提升了1.7%、2.9%、1.3%。所提算法能够优化网络收敛性,提高多尺度特征的表示能力,有效提高检测精度。

关键词： 矿石分类   YOLOv8   视觉识别技术   目标检测  

摘要： 矿石种类繁多且单次采矿数量较大,采用视觉识别技术分类时,易造成漏检及误检。为了实现矿物的精确识别、标注与分类,提出了以YOLOv8网络结构为基础的EffCD-YOLOv8算法,该算法在主干网络中引入EfficientNetv2模块,能在保证训练速度的基础上,提升检测精度。在颈部网络中采用CCFF模块,以实现跨尺度特征的融合;在头部网络中采用DBB模块,对不同空间尺度下的目标进行处理,从而实现更准确地识别、标注与分类。结果表明:在自制的矿石数据集中,EFFCD-YOLOv8模型对矿石的识别精度达到83.2%,优于YOLOv8的目标检测算法,能实现对矿石的准确识别、标注与分类。

关键词： 显著目标检测   深度网络   天气雷达   短时强降水   临近预报  

摘要： 降水持续时间相同时,降水强度越大,诱发城市积涝、山洪、泥石流、滑坡等次生灾害的可能性越大。在全球气候变暖的背景下,亚小时降水极端事件比小时以上时间尺度的极端事件增加得更快,有必要研究亚小时尺度上的强降水监测预警技术。选取 2013-2021 年重庆地区 30 次暴雨天气过程,以显著目标检测深度网络 U2-Net 为基础,将 30 min 短时强降水落区作为显 著目标,天气雷达反射率因子拼图作为输入,通过数据驱动方式自动学习某一时次的天气雷达反射率因子空间分布与其后 30 min 的强降水落区的非线性关系,进行强降水落区预报。强降水落区标签按照 10、20 和 30 mm 阈值分为 3 种,由雷达融合地面分钟 级雨量的定量降水估计得到。模型输入为 3、4.5 和 7 km 高度的雷达反射率因子拼图。经过训练和验证,得到针对 3 种强降水阈 值的 3 个强降水落区预报模型。对测试集的检验结果表明,当邻域半径为 5 km 时,10、20 和 30 mm 阈值模型输出的命中率分别 为 0.66、 0.73 和 0.72,虚警率分别为 0.06、 0.32 和 0.57,临界成功指数分别为 0.64、 0.54 和 0.37;强降水落区预报图中的概率越大, 对强降水落区的预报越可靠。综上所述,强降水落区预报模型通过提取单个时次的三维反射率因子多尺度特征,预报未来 30 min 强降水落区,可以有效补充雨量计布设稀疏地区的强降水监测和预报信息,也为需要提取多源探测资料多尺度特征的临近预报 技术研究提供参考。

关键词： 海面小目标   目标检测   序数图变换   图无符号拉氏矩阵  

摘要： 针对现有基于图域变换的雷达海面小目标检测算法仅考虑单个样本之间的相关性,存在性能不佳、复杂度高等问题,提出了一种基于序数图变换的改进算法。首先,将雷达回波信号的自相关函数转换成可有效获取状态向量之间关联性的序数图,进而提取该图的无符号拉氏矩阵最大特征值作为检测统计量,以实现区分海杂波和目标信号的目的。以McMaster大学提供的实测全相参X波段雷达数据集为对象,对算法的性能进行了广泛评估,结果表明所提算法的平均接收机工作特性曲线下面积(Area under Curve,AUC)可达0.907,优于现有算法,且其计算复杂度适中。

关键词： 目标检测   硬件加速   ZYNQ   YOLO Fastest-V2  

摘要： 针对已有目标检测算法的硬件加速方案仍存在移植性差、功耗高、资源开销大等缺点,在对主流目标检测网络的模型参数、检测速度和性能之间进行权衡后,围绕更轻更快的YOLO Fastest-V2算法,设计实现了高性能低开销的目标检测加速器。首先,依次对YOLO Fastest-V2进行剪枝、训练和量化。接着,优化数据的访存方式,以及与其对应的卷积流水线设计。此外,提出了一种卷积并行度的动态设计策略,实现资源利用效率的最大化。最后,将所设计的网络在ZYNQ-MPSOC平台上进行性能测试。结果表明,在100 MHz的时钟频率下,加速器检测速度达到147 FPS,DSP使用283个,BRAM36kb使用125个,功耗为0.995 W,能效比达到147.74 FPS/W,高于现有目标检测加速器。