关键词： 目标检测   对抗样本生成   无人机识别   对抗补丁攻击  

摘要： 构成无人机视觉识别系统组成之一的目标检测算法容易遭受对抗攻击,尤其是物理对抗攻击的威胁更大。针对当前物理对抗攻击方法在无人机目标检测场景中攻击效果较差的问题,提出一种尺度自适应的物理对抗攻击方法——SAPA。设计补丁自适应模块,利用目标真实尺寸构造掩码对补丁进行缩放,以适应目标的多尺度变化。设计针对多尺度、多目标攻击的优化函数,将检测网络不同特征层的最大预测分数与TOG算法中目标消失攻击的损失结合。采用多种物理增强变换提升对抗补丁的物理鲁棒性。使用无人机采集多尺度车辆数据对补丁进行优化。在数字域中,对抗补丁的平均攻击成功率为81.4%。在物理域中,对抗补丁在20 m~65 m高度的平均攻击成功率为42.6%。结果表明,SAPA方法在攻击效果和鲁棒性方面优于现有方法。

关键词： 神经网络   目标检测   物资分发   应急救援  

摘要： 应急物资分发救援车是一种高效、经济且公平的解决方案,旨在减少自然灾害给民众带来的生命财产损失。车辆通过神经网络图像识别和目标检测技术实时识别物资种类,实现快速分类处理。配备麦克纳姆轮结构以增强移动灵活性,并安装两自由度机械臂与电磁铁,同时,该救援车采用了创新的五分类仓库设计,优化了物资收集与分发流程,确保在紧急情况下能够迅速准确地提供所需物资。设计特别考虑到了不同受灾群体的需求,如老人、儿童及特殊病患,提升了物资分发的针对性和有效性。实际应用中,救援车显著缩短救援时间,减少人为错误,增强公众对救援行动的信任,为紧急情况下的生命救援提供强有力的支持。

关键词： Linux平台   摄影头传感器   嵌入式平台   图像处理  

摘要： 设计了一款基于Linux平台的摄影头传感器检测系统,旨在提升图像采集的实时性和处理效率。系统采用嵌入式平台作为硬件基础,结合精简指令集计算机(reduced instruction set computer,RISC)架构和高效的图像处理算法,实现对传感器数据的高速采集与分析。系统通过优化驱动程序、缓存管理和数据流控制,能够有效降低响应延迟,同时提高图像处理的稳定性和准确性。系统性能评估结果表明,该系统在数据传输速率、图像质量和能耗控制方面表现优异,具有一定的应用价值。

关键词： YOLOv10   烟叶   病害程度   目标检测   计算机视觉  

摘要： 烟草病害的精准检测与程度评估是保障烟叶产量与品质的关键环节。针对传统人工目检效率低、现有计算机视觉方法在低分辨率图像下小病斑漏检率高、病害程度量化不足等问题,提出一种改进的YOLOv10-3S模型。通过引入空间深度转换卷积(SPD-Conv)增强小目标细节特征提取能力,融合分离增强注意力模块(SEAM)提升病害区域定位精度,并采用SIoU损失函数优化边界框回归性能。实验结果表明,改进模型在烟叶病害程度检测任务中精确率达99.1%,召回率达97.8%,mAP@0.5和mAP@0.5∶0.95分别提升至98.9%和87.9%,尤其在轻度病害检测中性能提升显著。为烟叶病害的智能化分级与防控提供了高效可靠的技术参考。

关键词： 目标检测   MobileNetV2网络   单发多盒探测器算法   深度学习   轻量化网络  

摘要： 针对车内宠物遗落问题,在单发多盒探测器(SSD)算法的基础上,提出了一种改进的SSD目标检测算法实时检测车内是否存在遗落宠物,通过引入MobileNetV2算法来替代SSD的主干网络,并改进MobileNetV2的网络结构来进一步减少原有网络的参数量,融合卷积块注意力模块(CBAM)来提高目标定位能力,采用迁移训练策略来更好地训练网络。实验结果表明,改进后算法的模型大小相对于SSD-Mo-bileNetV2减少了65.5%,平均精度均值(mAP)提高了0.9%,帧率(FPS)也有所提升,模型大小更是减少到了原始SSD算法的5%。改进后算法实际检测的效果更好,同时更加适合嵌入移动设备来检测遗落宠物。

关键词： 多帧检测   启发式搜索   无人机   目标检测   极化雷达  

摘要： 针对复杂电磁环境下无人机目标低可观测性、高机动性带来的检测难题,本文提出一种基于启发式搜索的极化雷达无人机检测方法。通过建立融合运动学约束、加速度约束与极化能量一致性约束的启发式搜索框架,有效解决了传统多帧检测方法计算复杂度高、机动适应性差的瓶颈。首先,基于雷达数据经短时傅里叶变换后的时间-距离-速度三维数据矩阵构建三维状态空间。其次,设计多约束融合的启发式函数:运动学约束基于运动学方程建立速度-距离映射模型,推导相邻帧间可达区域以压缩搜索空间;加速度约束引入加速度惩罚项抑制非物理机动轨迹;极化能量一致性约束通过结合双极化通道能量聚焦特性,构建几何平均与最小值双重约束的交叉验证机制。最后,通过线性加权将三类约束整合为统一的启发式函数评价准则,并采用贪心最佳优先搜索方法实现动态剪枝与路径优化。仿真实验表明,在信噪比5 dB以上时,本方法对匀速、匀加速及变加速三类运动模式的检测率均超过80%,较传统恒虚警率检测方法显著提升;目标跟踪航迹正确率大于80%时所需的信噪比较传统方法降低5 dB以上。经实测数据验证,针对固定翼无人机和旋翼无人机,本方法在信噪比起伏条件下仍保持连续轨迹检测能力。仿真分析与实测结果表明,所提出的多约束启发式搜索机制通过物理规律与观测数据的协同优化,实现了复杂机动无人机的有效检测。

关键词： 目标检测   YOLO   注意力机制   工作状态识别  

摘要： 现有的煤炭安全监督多采用“以人为主”的模式,存在主观性强、精力消耗大等问题,易发生工作人员玩手机、抽烟、睡岗等疏忽行为,难以确保煤矿安全生产稳定有序地进行。鉴于此,利用目标检测技术,基于深度学习方法,研究了煤矿调度室人员工作状态的智能识别方法。首先,构建基于YOLOv5的煤矿调度室人员工作状态识别方法;然后,通过在特征融合子网络中引入卷积注意力模块,以提升模型在不同通道和不同空间位置的信息提取能力;最后,利用具有多尺度特征融合能力的阶梯残差卷积模块,增强模型对调度室人员的细微特征提取和全局特征融合的能力。实验结果显示,所提方法的全状态识别平均准确率达到91.7%,对玩手机和抽烟这些小尺度动作状态识别的平均准确率分别为94.4%、86.0%,验证了所提模型在调度人员工作状态识别中的有效性。

关键词： 煤泥浮选   灰分预测   深度学习   图像处理   卷积神经网络  

摘要： 煤泥浮选过程具有多工况、多参数、固液气三相变量强耦合等因素,这使得浮选过程难以实现全流程智能化控制,其中煤泥浮选灰分实时检测是卡脖子问题。因此实时预测浮选产品灰分,对煤泥浮选过程形成闭环智能决策,建设智能化选煤厂十分关键。通过基础数学机理模型、简单过程变量模型或者单一的图像处理和深度学习模型均无法有效检测浮选产品灰分,提出通过图像处理对浮选精煤与尾煤产品灰分进行实时初步预测,同时采用深度学习算法对浮选过程变量数据深度挖掘进行补偿预测,将二者耦合构建多模型算法,可以实现浮选产品灰分在线实时准确检测,为复杂工况下多变的浮选过程生产指标预测建模的世界性难题提供理论指导,为浮选生产过程智能控制提供技术支撑,对促进煤炭行业自动化水平的提升具有重要意义。

关键词： 裂缝检测   注意力模块   轻量化   YOLOv5s模型   目标检测  

摘要： 为解决当前混凝土裂缝检测模型庞大难以部署到移动端设备且裂缝检测不准及漏检问题,提出一种基于多维注意力模块的轻量化混凝土裂缝检测方法。该方法针对当前主流的裂缝检测模型庞大的问题,采用深度可分离卷积对YOLOv5s中的CBS特征提取模块进行重构,得到轻量化CBS(LCBS)特征提取模块,以减少网络的参数量及计算量;针对裂缝检测不准的问题,提出一种多尺度特征(MSF)提取模块用于替换YOLOv5s第1层的卷积层,以增强网络对不同尺寸裂缝特征的提取能力;针对裂缝漏检问题,提出融合空间及通道信息的多维注意力(MDA)模块,以增强裂缝特征提取能力和减少裂缝漏检。实验结果表明,所提方法比YOLOv5s参数量减少了35.2%,计算量减少了50.9%,模型规模减小了32.8%,且平均精度均值(mAP@0.5)提高了4.2百分点,与目前主流的同类目标检测方法相比,具有较低的参数量和较高的检测精度。

关键词： 彩/谱图像特征融合   环境残差感知   多正则化相关滤波   高光谱视频   目标跟踪  

摘要： 在背景快速变化的情况下,现有高光谱视频目标跟踪算法存在跟踪效果不佳的问题。为此,提出一种基于背景环境残差感知的高光谱目标多正则化相关滤波(MRCF)跟踪算法。首先,为了降低相关滤波(CF)跟踪算法的复杂度,采用背景感知谱段选择方法,从高光谱图像中选择目标和其周围背景区域差异性得分最大的前三个谱段,构成三谱段光谱图像。然后,分别提取伪彩色图像与三谱段光谱图像中目标的三种典型的特征:方向梯度直方图(HOG)、强度和三维HOG特征,再通过朴素相加的方式获得目标融合特征,对目标特征进行描述。最后,将目标融合特征输入改进的MRCF并预测目标位置,当MRCF在训练相关滤波器时,在其岭回归函数中引入背景环境残差感知正则化项来抑制背景快速变化带来的干扰。实验结果表明,与当前的其他算法相比,所提跟踪算法在目标快速运动和尺度变化情况下具有更好的跟踪性能。