关键词： 图像处理   眼动追踪   传感系统   视觉行为   便携性   系统构建   隐形眼镜   设备体积  

摘要： 人类获取的信息70%以上来源于视觉,眼睛是生物采集的关键感知器官之一。其中,眼动追踪传感器在无干扰、隐蔽监测人类视觉行为方面展现出潜力。目前,多数眼动追踪设备依赖复杂的传感系统,图像处理过程繁琐且设备体积较大,而基于隐形眼镜的侵入式方案具备一定便携性但测量精度有限,并可能引发异物引入的不适感。

关键词： 遥感图像   目标检测   YOLOv7   多层特征   注意力机制  

摘要： 遥感图像目标检测在军事侦察、智慧农业等领域意义重大,特别是小目标检测一直获得持续关注。然而,遥感图像中的小目标面临特征信息不足、检测难度大等问题,成为困扰遥感检测应用发展的最大障碍。为此,提出YOLO-HF(you only look once-hybrid feature)算法,该算法在传统YOLOv7模型的网络中,引入通道注意力和自注意力的混合注意力机制提取目标深层特征,并将浅层特征和深层特征进行融合,增加局部特征的丰富性;为进一步加强对全局信息的关注,在提取特征后为小尺度目标添加全局注意力机制,实现全局特征表达能力的提升;为避免传统损失函数对小目标位置偏差敏感,导致检测效果不佳,选择使用一种新的度量方式,将其嵌入边界框损失函数的计算中,从而加快损失函数的收敛,实现小目标检测精度的提升。实验结果表明:与传统YOLOv7算法相比,所提算法在RSOD和NWPU VHR-10数据集上均表现出优越性,特别地,在RSOD数据集上均值平均精度提升了2.90%,在NWPU VHR-10数据集上均值平均精度实现了3.61%的提升。

关键词： γ光子   无损检测   软件设计   图像处理   质量优化  

摘要： 针对利用γ光子对工业零部件内部进行成像的图像空间分辨率较低以及边缘模糊等问题,在传统MLEM算法的基础上提出一种EP-MLEM重建算法。通过在重建的每一次迭代过程中进行优化来提高图像的质量。设计一组工业多通管仿真模型进行仿真,并分别对传统MLEM算法和改进的EP-MLEM算法重建后的图像进行图像质量评价。仿真实验表明:EP-MLEM算法重建图像的PSNR和SSIM分别由21.1434和0.6158提升到了23.1383和0.7198,EP-MLEM算法在边缘表现方面强于传统MLEM算法。

关键词： YOLOv8   电梯轿厢   禁入目标检测   可变形注意力   SIou函数  

摘要： 电梯轿厢内禁入目标入户易造成火灾风险。针对电梯轿厢视频监控下,现有视觉检测方法存在禁入目标误检和漏检的问题,提出了一种基于改进YOLOv8的电梯轿厢禁入目标检测算法。首先在数据预处理阶段对禁入目标检测数据集进行数据增强,然后对模型引入可变形注意力模块,最后将原始YOLOv8的损失函数替换为SIou函数。实验结果表明,相比于YOLOv8基准模型,本文方法的评价指标值具有明显提升,表明该方法能够有效检测电梯轿厢禁入目标。

关键词： 目标检测   YOLOv5   轻量化   注意力机制   道路病害检测   特征提取  

摘要： 受道路病害特征不明显、与背景对比度低等复杂因素的影响,基于传统数字图像处理技术的识别算法精度低。而现有深度学习目标检测算法参数量大,不适合移动端实时检测。为了更高效、准确地识别道路病害,提出一种基于YOLOv5的改进算法。该算法致力于实现道路检测的实时性和精确度之间的平衡,通过引入轻量级Ghost模块用更少的参数生成更多的特征图,减少模型参数;将基于CSP结构中的C3Ghost模块重新设计成一种新型的InceptionGhost模块,实现从不同尺度进行特征提取,保障模型精度。通过在骨干网络添加CBAM注意力机制进一步加强特征提取能力。由于采集到的样本分布不均匀,使用Focal-EIoU损失函数改善样本数量不平衡的问题,提高模型的鲁棒性。实验结果表明,改进后的算法较原有的YOLOv5s模型,mAP@0.5提高了2.5百分点,同时参数量压缩了36.6%,检测速度提高了16.9%;并通过与目前先进算法和其他改进算法的对比表明,该算法在精度和参数量方面显示出明显的优越性。

关键词： 图像去雾   图像处理   暗通道先验   深度学习   卷积神经网络   生成对抗网络   目标检测  

摘要： 在露天矿山的户外视频监控场景中,空气中的雾霾和悬浮颗粒物会导致视觉系统所采集图像的对比度降低、色彩失真等,干扰后续的图像分析与处理。清晰的图像信息对分析与决策至关重要,图像去雾(Image Dehazing)旨在提升所采集图像的清晰度,减少雾、雨、雪、沙尘等天气因素的干扰,已经成为自动驾驶、视频监控、遥感分析等领域的关键技术。传统的图像去雾方法,通常基于大气散射模型,通过物理推导恢复图像。然而,这些方法依赖于一些假设,难以应对复杂环境中的实际情况。随着深度学习技术的发展,基于神经网络的去雾方法逐渐成为主流,深度学习方法能够更好地提取有雾图像的特征,恢复图像细节,具有更强的适应性和鲁棒性。综述了近年来图像去雾技术的发展,比较分析了传统物理模型与基于深度学习的图像去雾方法的特点,为图像去雾技术的实际应用提供了参考依据。

关键词： 护目镜佩戴检测   数据增强   目标检测   SPD   坐标注意力机制  

摘要： 目的解决目前危化实验室、工厂等危险环境下护目镜佩戴情况检测存在的人工检查效率低下、无法有效保障人员眼部安全等问题。方法首先构建出护目镜佩戴检测数据集,其中包含4个真实场景图片与部分网络爬取数据集,并通过数据增强等手段将原始的3383张扩充至5462张图片,构成最终数据集,使各个样本数量达到均衡,有效预防了因样本不均衡导致的模型精度低的问题;接着提出改进型YOLOv5目标检测算法来实现对护目镜佩戴情况的自动检测,算法在YOLOv5中添加SPD小目标检测模块,该模块完全消除了传统卷积模块中导致信息丢失的步长卷积和池化操作,使网络保留更多信息,引入坐标注意力机制解决了因添加SPD带来的相邻位置关系无法有效提取的问题;同时,将原本的损失函数替换为SIoU损失函数,有效解决了真实框与目标框相互包含情况下的IoU计算问题,减少了计算自由度,降低了模型计算量,提升了模型准确率。结果在护目镜配戴检测数据集上的实验结果表明:改进型的YOLOv5模型在护目镜佩戴检测数据集上的平均精度为72.7%,相较于原始YOLOv5模型平均精度提高了5.6%。结论该模型实现了对复杂环境下护目镜佩戴情况的基本检测。

关键词： 轻量级   卷积神经网络   雷达辐射源识别   时频分析   图像处理   Vision Transformer   高效识别   深度学习  

摘要： 在雷达辐射源信号识别中,针对现有的识别方法存在实时性差、网络模型参数量大以及难以应用于资源受限的设备等问题,提出了一种基于轻量级卷积神经网络的雷达辐射源信号识别方法。首先,利用平滑伪Wigner-Ville分布(smooth pseudo Wigner-Ville distribution,SPWVD)将雷达辐射源信号转换为时频图像,并对时频图像进行图像预处理;其次,基于Vision Transformer的架构设计,结合传统的卷积神经网络,构建了轻量级网络模型RecNet;最后,利用预处理后的时频图像对RecNet网络模型进行训练,实现对9种雷达辐射源信号的高效识别。实验表明,该方法在信噪比为−8 dB时,对9种雷达辐射源信号的识别准确率达到95.7%,模型参数量为0.9×10^(6)且推理延迟仅为4.67 ms,在保证较高识别准确率的同时,具有更快的识别速度和更小的模型参数量,具有一定的工程应用价值。

关键词： 视频卫星   多目标跟踪   联合检测跟踪  

摘要： 高分辨率视频卫星的出现为遥感视频目标的检测和跟踪提供了重要数据源,在灾害检测、军事侦察等领域都有重要作用。针对遥感视频复杂地物背景下目标尺寸弱小、目标特征相似、云雾遮挡和背景噪声干扰导致目标误检、误跟、漏跟问题,提出基于特征增强的光学遥感视频多目标跟踪算法FE-MOT,设计了基于边缘特征增强的特征提取网络,在微小目标缺乏纹理特征的情况下更好地融合语义与空间特征,通过构建基于交叉熵损失和中心损失的Re-ID分支结构,提高了对具有相似特征的微小目标的可分性。在吉林一号遥感视频多目标跟踪数据集AIR-MOT上的实验结果表明,FE-MOT在原模型的基础上MOTA提高了14.28个百分点,IDF1提高了15.47个百分点,FN降低了24个百分点,对于遥感视频多目标跟踪中目标身份维持能力和跟踪稳定性有显著提升,在2个Tesla T4 GPU上的运行速度达到19.9FPS,满足实时运行的需要。

关键词： 轻量化   目标检测模型   卷积神经网络   深度学习  

摘要： 近年来,深度卷积神经网络蓬勃发展,众多目标检测模型的研究成果十分显著。然而,大型模型虽性能卓越,却存在计算成本高昂、内存占用大的问题,在嵌入式设备与实时检测场景中的部署困难重重。因此,开发轻量化模型成为当下研究的热门方向。设计轻量化目标检测算法极具挑战性,需要精巧构思,在大幅削减参数量与计算资源消耗的同时,依然保持出色的检测性能,在过去十年里,轻量化算法的研究已取得显著进展。本文总结了轻量化目标检测模型的研究现状和实现轻量化的一些方法,介绍了轻量化目标检测模型的种类、轻量化模型的构成模式以及不同模型存在的优缺点,并将其进行比较得到了相应结果与分析,进而讨论了轻量化目标检测模型目前存在的问题,以及对目标检测模型的一些展望和结论。