关键词： 叶绿素含量   无人机遥感   图像处理   双向门控循环单元   特征融合  

摘要： 叶绿素含量作为深入了解果树生长和健康状态的关键参数,对于指导果园管理决策具有重要作用。然而,在大规模果园环境下,快速且准确地获取整个果园的叶绿素含量数据是一项重大挑战。为此,利用无人机遥感平台结合深度学习算法,提出了一种新的解决方案。通过多光谱无人机采集石榴树冠层RGB及多光谱图像,利用图像处理技术提取RGB图像颜色特征、纹理特征和多光谱图像植被指数等参数并建立不同数据集。在此基础上,结合地面实测叶绿素数据,构建一种结合双向门控循环单元(BiGRU)与卷积神经网络(CNN)的深度融合网络模型CNN-BiGRU,并且与原始CNN和随机森林(RF)进行试验对比。结果表明,组合模型在预测石榴树叶绿素含量方面的效果明显好于其他模型,尤其是在使用特征融合集建模时,其决定系数高达0.973 7、均方根误差低至0.823 3。该精度满足对石榴树叶绿素含量的精准预测,为大面积果园管理提供实用参考。

关键词： 深度学习   激光雷达   组合池化   空洞卷积   三维目标检测  

摘要： 为增强激光雷达(LiDAR)在三维目标检测中的点云特征提取能力,提高对目标物体的检测精度,在PointPillars基础上提出一种多阶段特征提取的目标检测方法。首先,将点云特征编码模块中的最大池化改进为组合池化,减少池化过程中空间信息丢失;然后,引入全局注意力机制,增强不同维度之间的信息交互和伪图像特征表达能力;最后,在柱状特征提取网络中融入空洞卷积模块,增大感受野并进一步增强特征提取能力。在KITTI数据集上的测试实验结果表明,相较于原始网络,所提方法的平均检测精度提升了2.91百分点,推理速度达到17.08 frame/s,能够满足自动驾驶汽车实时检测的要求。

关键词： 凡纳滨对虾   生长表型   深度学习   计算机视觉   测定系统  

摘要： 【目的】为解决凡纳滨对虾生长表型人工测量效率低、误差大等问题。【方法】本研究设计了对虾专用图像采集箱,获取标准化、高质量的对虾侧面图像。在此基础上,利用高分辨率网络(HRNet)模型识别凡纳滨对虾9个关键特征点,实现对体长等体尺相关性状的测量;基于掩膜卷积神经网络(Mask R-CNN)进行凡纳滨对虾的轮廓分割,实现对虾体表面积的计算;最后复合体长以及体表面积构建回归模型预测对虾体重。通过开发配套的图像处理与数据管理软件,建立凡纳滨对虾生长表型精准测定系统。【结果】HRNet模型对9个特征点的识别率均超过98%,其中7个特征点的识别率超过99%。使用直尺人工测量和图像人工标注特征点测量两种方法测定体长和腹节长的真实值,计算体长和腹节长的预测准确性分别为0.91~0.97和0.91~0.93,平均相对误差分别为1.39%~4.63%和2.46%~4.59%。以人工分割虾体轮廓方式获取体表面积作为参考,评估Mask R-CNN模型对体表面积的预测准确性为0.98,平均相对误差为1.73%。以体长、体表面积、性别为变量,构建了4种回归模型来预测体重,所有模型的准确性均在0.94以上,其中以同时包含体长和体表面积的模型的预测准确性最高(0.97)。【结论】利用深度学习算法可以较为准确地获得凡纳滨对虾体长和体表面积等生长表型并预测体重。本研究结果可为凡纳滨对虾生长表型性状的准确、快速测量提供高效工具。

关键词： 单片机   自主循迹   目标检测   语音播报  

摘要： 本设计利用单片机技术与传感器检测技术,设计了一种赛道安全巡检车,该车以STM32F103系列单片机为控制核心,利用红外传感器模块确保巡检车的定轨循迹,利用超声波模块让巡检车实现自主避障,利用OpenMV模块内嵌的目标检测子程序,实现路面坑洼、凹陷等非安全路况的检测。同时,利用QtCreator软件设计了上位机管理员操作界面,其中有小车控制界面以及路况播报助手功能,帮助管理员实时了解路面状况。上位机与下位机之间采用WiFi通信,实现了赛道安全智能巡检,为赛道安全提供了保障与便捷。

关键词： 深度学习   物理攻击   目标检测  

摘要： 深度神经网络强大的特征学习能力为计算机视觉任务提供了强有力的支撑,但已被证明容易受到对抗性样本的干扰从而输出错误的结果。现有的对抗攻击可分为数字攻击和物理攻击,与在数字像素中产生扰动的数字攻击相比,物理对抗性样本在现实世界中产生的误导作用更具有威胁性。目标检测任务作为计算机视觉领域中应用最广泛的任务之一,在自动驾驶、智能监控以及医学图像分析等领域发挥重要作用。针对目标检测任务的物理攻击,阐述了攻击的基本流程。根据不同电磁波波段将目标检测任务分为可见光目标检测和红外目标检测,并详细讨论了这两类任务中不同的物理攻击方法。探讨了当前物理对抗性攻击面临的问题以及未来可能值得研究的方向。

关键词： YOLO12   智能交通监测   实时分析   目标检测  

摘要： 随着城市化进程的加快,智能交通系统成为缓解交通拥堵、提高交通管理效率的重要手段。文章提出了一种基于YOLO12的实时智能交通监测与分析系统,该系统利用YOLO12目标检测模型的高精度和实时性,实现了对交通场景中车辆、行人等目标的快速识别与跟踪,为交通管理提供了决策支持。

关键词： 毫米波雷达   相干干扰   虚假目标   随机有限集   高斯混合概率假设密度   多目标轨迹跟踪  

摘要： 在密集车辆感知场景中,由于在车辆间雷达发射信号缺少协调机制,使得接收雷达回波极易受到邻近车辆发射信号的干扰,导致雷达视野内产生虚假目标并引发真实目标跟踪失败。为解决上述挑战,提出一种基于高斯混合概率假设密度滤波的雷达抗干扰目标跟踪方法。首先,利用时频变换技术对雷达接收信号进行特征分析,阐明干扰信号对真实目标回波的影响机理。接着,考虑到干扰强度变化会造成检测目标时变,不同于传统针对目标点的“状态-量测”显式关联思路,基于随机有限集理论构建状态和量测集合,并引入自适应关联权重,建模“状态-量测”集合间的隐式映射关系。最后,为进一步融入“真实-虚假”目标的时空分布特征,采用高斯混合概率假设密度滤波方法求解上述过程,能够有效降低虚假目标干扰,并实现动态数目条件下目标的准确跟踪。利用TI公司的毫米波雷达在真实场景中开展了方法验证,于被测车辆前方布设同频雷达以施加射频干扰。干扰条件下,雷达谱底噪显著抬升,信噪比降至-10 dB以下。试验结果表明,该方法在目标交叉与遮挡等复杂场景中仍能实现稳定跟踪;虚假目标抑制性能卓越,使跟踪误差较其他算法降低约50%,充分验证了该方法的优异抗干扰性能。

关键词： 无人机图像   目标检测   多尺度特征提取与融合   自适应细粒度通道注意力   EMSPConv  

摘要： 针对无人机图像中背景复杂、光线多变、目标遮挡及尺度不一导致的漏检、误检问题,提出一种多层次精细化无人机图像目标检测算法。首先,结合多尺度特征提取与特征融合增强策略,设计CSP-SMSFF(cross stage partial selective multi-scale feature fusion)模块,该模块通过递增卷积核与通道融合,精确捕获多尺度目标特征。其次,引入AFGCAttention(adaptive fine-grained channel attention)机制,通过动态调优机制优化通道特征表达,增强算法对多尺度重要样本特征的感知力与判别力及细粒度映射信息的保留能力,抑制背景噪声,改善漏检情况。而后,设计SGCE-Head(shared group convolution efficient head)检测头,利用EMSPConv(efficient multi-scale convolution)卷积实现对空间通道维度中全局重要特征与局部细节信息的精准捕获,增强对多尺度特征的定位与识别能力,改善误检问题。最后,提出Inner-Powerful-IoUv2损失函数,通过动态梯度加权与分层IoU优化,平衡不同质量样本的定位权重,增强模型对模糊目标的检测能力。采用数据集VisDrone2019和VisDrone2021进行实验,结果表明,该方法mAP@0.5数值达到了47.5%和45.3%,较基线模型分别提升5.7%和4.7%,优于对比算法。

关键词： 雷达成像   机载太赫兹雷达   目标识别   目标检测  

摘要： 低空对地监控是我国公共安全监控和人民安全防护的重要手段,机载探测感知系统与技术是低空对地监控能力实现的核心要素。太赫兹雷达成像为全天候、视频级、高分辨监视提供新的技术与装备,为交通监控、应急救援、安防反恐等领域提供可靠信息来源。如何基于机载太赫兹雷达视频中的动/静目标信息,进行重点区域目标检测、识别、跟踪,值得深入探索。此外,视频SAR与可见光、红外宽谱段集成,还可以视频级高刷新率实现低空对地多模态、高精度感知,多模态传感信息集成将有力提升重点目标识别跟踪鲁棒性。本专题拟对以上问题进行探讨。

关键词： 遥感图像   微小目标   特征提取   上下文信息  

摘要： 针对遥感图像微小目标检测中存在的浅层细化特征、深层语义表征和多尺度信息提取3个问题,提出一种综合运用多项技术的跨尺度YOLOv7(cross-scale YOLOv7,CSYOLOv7)网络。首先,设计跨阶段特征提取模块(cross-stage feature extraction module,CFEM)和感受野特征增强模块(receptive field feature enhancement module,RFFEM)。CFEM提高模型细化特征提取能力并抑制浅层下采样过程中特征的丢失,RFFEM加大网络对深层语义特征的提取力度,增强模型对目标上下文信息获取能力。其次,设计跨梯度空间金字塔池化模块(cross-gradient space pyramid pool module,CSPPM)有效融合微小目标多尺度的全局和局部特征。最后,用形状感知交并比(shape-aware intersection over union,Shape IoU)替换完全交并比(complete intersection over union,CIoU),提高模型在边界框定位任务中的精确度。实验结果表明,CSYOLOv7网络在DIOR(dataset for image object recognition)数据集和NWPU VHR-10(Northwestern Polytechnical University Very High Resolution-10)数据集上分别取得了74%和89.6%的检测精度,有效提升遥感图像微小目标的检测效果。