关键词： 深度学习   FocalLoss   目标检测   图像处理  

摘要： 在无人机航拍数据集图像上提出基于改进YOLO-X的机动车识别算法,为工业巡检和交通监控业界提供思路。首次提出适用于局部特征样本的离线加在线分阶段数据增强方法。进一步改进焦点损失FocalLoss的同时,替换此前业界通用的交叉熵损失。重新设计目标检测Head组合,使模型检测精度mAP比业界通用模型提升0.042。建立在扩展感知域动态实时调整识别范围的算法,将运行时帧率提升19%。为航拍机动车算法实现纯ARM(Advanced RISC Machines)部署提供了可行性。

关键词： 目标检测   光伏板   深度学习   轻量化  

摘要： 针对无人机搭载嵌入式设备的算力有限以及现有光伏板缺陷检测模型参数量大、计算复杂的问题,提出一种基于深度学习的轻量化检测方法。该方法以SSD算法为基础,采用Mobile NetV3作为主干网络,旨在减少模型的参数量和计算复杂度。同时引入一种注意力机制,以增强模型的特征提取能力,提高检测的准确率。此外,对自制数据集进行数据增强以丰富数据集的内容,从而增强模型的泛化能力。结果表明:相较于原SSD算法,改进后的算法在计算量上减少了68.9%,平均精度提升了4.3%,检测速度达到了45.6 FPS。改进的算法能够快速准确地检测出光伏板表面的污损,有助于提高光伏电站的发电效率。

关键词： YOLOv8   深度学习   计算机视觉   神经网络   目标检测  

摘要： 采摘机器人可以提升效率降低成本。多数采摘机器人使用YOLOv5/v7算法,但这些算法在识别成熟度上有局限,易误采。为此,基于YOLOv8算法并对其进行改进,可以提高成熟度识别准确性,通过对由西红柿制成的数据集为样本进行实验分析,实验结果采用混淆矩阵、精确置信曲线、F1置信度曲线、召回置信度曲线,及其标签图像等指标来反映实验结果。改进后识别率最高达91.4%,优于原YOLOv8的86%。同时该系统具有较高的通用性,后期可以整合到采摘机器人中。

关键词： 目标检测   红外图像   带式输送机   YOLOv5   密集连接  

摘要： 巡检机器人已成为带式输送机托辊检测的重要工具,但其获取的红外图像存在分辨率低、信噪比低等问题,因此对目标检测算法提出了更高要求。参考DenseNet将密集连接模块引入到YOLOv5网络中,增强了网络的特征提取能力,在YOLOv5中引入了Wise-IoU损失函数来评估锚框的质量,提高了网络性能和泛化能力。在巡检机器人采集的带式输送机红外数据集上进行的实验评估结果表明:与原始的YOLOv5相比,所提网络召回率提高了2.4百分点,平均准确率均值提高了1.5百分点,达到了98%,同时保持了80 frame/s的识别速度和15 MB的模型大小,具有体积小、速度快、效率高等特点。

关键词： 计算机视觉   卷积神经网络   南极磷虾   虾青素   快速检测  

摘要： 为实现南极磷虾粉中虾青素含量的快速检测,借助计算机视觉和卷积神经网络建立了一种虾粉虾青素含量的测定方法。以70个南极磷虾粉样本,通过高效液相色谱法测定虾青素含量,计算机视觉系统采集图像,将虾青素含量与图像对应组成数据集并对数据集进行数据增强;使用TensorFlow学习框架构建模型,使用5折交叉验证进行模型调参及评估并选出最优参数模型;随机划分数据集对最优参数模型进行评估,最后随机挑选数据集中的30张图像进行模型验证。结果显示经过交叉验证后的最优参数模型的均方根误差(Root Mean Square Error,RMSE)为3.59;模型评估阶段,模型重复运行3次,测试集的决定系数(Coefficient of Determination,R2)、均绝对误差(Mean Absolute Error,MAE)、均方误差(Mean Square Error,MSE)、RMSE的平均值分别为0.9626、1.49、4.22、2.05。模型验证阶段,模型预测虾青素含量的相对误差介于0.10%~6.46%之间,预测结果与观测值之间偏差较小。因此,该虾青素含量预测模型能够较准确地预测虾青素含量,进而实现虾粉虾青素含量的快速无损检测。

关键词： 目标检测   YOLOv8n   CARAFE   注意力机制  

摘要： 受水体衰减、散射等因素的影响,水下光学图像存在严重的偏色、模糊等问题,严重降质导致目标分辨率较差,进而不利于开展水下目标检测任务。针对以上问题,为了提高水下目标检测的精度,减少误检和漏检的发生率,提出了一种基于改进YOLOv8n的水下目标检测算法:ESA-YOLOv8。首先该算法在C2f中引入了ESP模块改进Bottleneck结构,ESP模块可以优化网络效率,降低YOLOv8n模型的参数量和计算量;其次,增加一个小目标检测层以提高对水下小目标的检测能力;最后,将轻量级上采样算子CARAFE与注意力机制ECA相继引入颈部网络,提高目标检测精度,实现上采样特征融合的增强。实验结果表明,在水下生物数据集DUO上,本文设计的ESA-YOLOv8算法在模型参数量降低的情况下,mAP@0.5和mAP@0.5:0.95分别高达84.7%和65.5%,较基础模型YOLOv8n分别提升了1.7%和1.8%。高精度的检测结果和模型参数量的降低证明了改进YOLOv8n的有效性和在水下目标检测的应用潜力。

关键词： 遥感图像   目标检测   倒残差   自注意力机制   多尺度   空间金字塔   特征提取   特征融合  

摘要： 针对遥感图像目标检测存在背景信息干扰严重、待检测目标尺寸差异大等问题,提出一种结合倒残差自注意力机制的目标检测方法。首先,使用具有强特征提取能力的倒残差自注意力机制骨干网络充分提取目标特征,降低复杂背景信息的干扰;其次,构造多尺度空间金字塔池化模块,提供多尺度感受野,增强捕捉不同尺寸目标的能力;最后,提出轻量级特征融合模块,对骨干网络提取的特征图进行融合,充分结合低层与高层特征,提高网络对不同尺寸目标的检测能力。与传统网络及其他改进目标检测算法进行对比,实验发现该方法的检测精度明显优于其他算法。此外,在DIOR数据集和RSOD数据集上设计消融实验,结果表明,该方法在DIOR数据集与RSOD数据集上的平均精度均值比YOLOv8算法分别提升4.6和4.2百分点,明显提升遥感图像目标检测的精度。

关键词： 地理信息系统(GIS)   数字高程   数字相控阵   智能优化   超分辨测向  

摘要： 高可靠探测和高精度测量低空目标是地面防空雷达的一大难点,而随着地面信息系统和相控阵雷达的数字化,以及有效利用环境先验信息并结合先进模型和算法,有望实现其性能的显著提升。为此,依托地理信息系统提供的数字高程信息,对低空目标回波的多径传播路径进行精确建模,进而建立阵列接收的结构化模型;根据阵地附近强散射体的空间分布情况,采用智能优化算法实现方向图副瓣的精细分区优化,以有效提升回波信杂噪比和弱目标检测能力;针对结构化模型对子空间类算法进行修正,在无须预估多径幅相因子的情况下,实现精确的超分辨仰角估计。本文所提模型和方法可以应用于地面雷达对低空多目标的高可靠探测和精确仰角测量,仿真结果验证了其有效性。

关键词： 雷达信号   目标检测   工程应用  

摘要： 在国家“十四五”规划和《科技创新2030——重大项目》的指导下,雷达信号技术作为国家重点支持的高科技项目,正在多个关键领域发挥着重要作用。特别是在军事现代化、智慧城市建设、交通运输升级以及健康中国战略等具体政策的推动下,发达的雷达技术不仅能够提升国防实力,还可以促进公共安全、提高交通效率和改善医疗服务等。文章对雷达信号在这些领域中的应用现状和未来发展趋势进行了系统介绍,目的是为相关政策的实施和产业技术的创新提供科学依据和技术支持。Under the guidance of the national “14th Five Year Plan” and the “Science and Technology Innovation 2030—Major Projects”, radar signal technology, as a key high-tech project supported by the state, is playing an important role in multiple critical fields. Particularly driven by specific policies such as military modernization, smart city construction, transportation upgrades, and the Healthy China strategy, advanced radar technology not only enhances national defense capabilities but also promotes public safety, improves transportation efficiency, and enhances healthcare services. A systematic introduction was given to the current application status and future development trends of radar signals in these fields, with the aim of providing the scientific basis and technical support for the implementation of relevant policies and innovation of industrial technology.

关键词： 图像处理   水下图像增强   浑浊水体   深度学习   改进Shallow-Uwnet网络模型  

摘要： 针对浑浊水体环境下图像对比度降低和色偏严重等问题,构建模拟真实浑浊水环境的水下图像数据集,提出了一种基于改进Shallow-UWnet网络模型的浑浊水体图像增强方法。首先,使用灰度空间算法对原始图像进行全局颜色校正,再利用改进的Shallow-UWnet网络模型,学习失真图像与正常图像的映射关系从而实现水下图像增强,然后使用限制对比度自适应直方图均衡化(contrast limited adaptive histogram equalization,CLAHE)方法提高图像对比度,从而得到最终的增强图像。实验结果表明,本方法在主客观评价指标和特征点匹配应用指标上优于其他5种参考方法,能有效校正不同浑浊水环境下图像的色偏,提升图像的对比度和清晰度。本方法可以适用于水体较为浑浊的水下原位环境,为提高水下场景的视觉质量提供了有效的解决方案,在水下探测、水下救援、水下考古等领域中具有广泛的应用前景。