关键词： 目标跟踪   角速率   高炮火控   反应时间   快速解算   应急解算  

摘要： 针对传统要地高炮反导火控在应对超声速目标、低空突防目标等反应时间不足的问题,系统性地开展了基于目标角速率的要地高炮反导火控技术研究,分别提出了基于最小二乘预处理转换量测卡尔曼滤波平滑算法(LS-CMKFS)的快速解命中方法和基于角速率的应急解命中方法,并在此基础上研究了快速解算控制策略,兼顾了火控系统的反应时间和解算精度,仿真结果验证了该火控算法对提高高炮武器系统拦截目标效果的有效性。

关键词： 车辆检测   YOLO v8   数据增广   智能交通  

摘要： 本文基于YOLO v8预训练模型,提出一种智能交通场景下车辆目标检测的系统构建与优化方法。在进行YOLO v8模型预训练前,加入数据增广模块,模拟更复杂的场景信息,旨在优化提高模型的鲁棒性。实验结果表明,融合数据增广策略的YOLO v8模型具有更佳的问题处理能力,泛化性能显著提高,为自动驾驶和智能交通管理提供了可靠的技术保障。

关键词： 农田土壤裂缝   特征提取   图像处理  

摘要： 【目的】传统的人工目测土壤裂缝方法耗时耗力,且人眼识别易受光照、地势、农作物作业等因素影响,利用图像处理算法提取农田土壤裂缝的几何特征,对科学评估农田土壤的健康状况和干旱程度以及制定农田灌溉优化策略具有十分重要的意义。【方法】以农田土壤裂缝为研究对象,实地采集不同光照条件下的农田土壤裂缝图像进行剪裁并灰度化图像,采用中值滤波算法与多尺度Retinex算法进行图像的降噪和增强,之后结合灰度直方图统计信息,利用阈值算法分割图像并提取出裂缝特征,采用开运算操作处理分割结果,最终细化裂缝,得到完整连续的裂缝框架。【结果】利用DIP技术对不同光照条件下采集的农田土壤裂缝图像进行算法处理和分析,能够可视化呈现土壤裂缝框架,有效监测干燥裂缝的形态变化和分布情况,以便优化农田灌溉策略。【结论】基于DIP技术实现土壤裂缝特征框架可视化,对改善农田水资源管理、提高农业生产效率、保护生态环境等都具有积极的推动作用,可为农业生产及农田干旱预警等方面提供参考。

关键词： OpenMV   目标检测   目标跟踪   STM32   舵机云台  

摘要： 文章详细探讨了基于OpenMV的目标检测与跟踪系统的设计与实现。该系统采用STM32单片机作为核心控制单元,结合OpenMV模块的强大视觉处理能力,实现了高效且精确的目标检测与跟踪。并进一步通过舵机云台的精确控制,系统能够动态调整摄像头角度,实时追踪目标,确保目标始终保持在视野中心。此外,为了提升系统在不同环境下的适应性,还集成了LED补光电路应对光线不足的情况;声光提示电路,提供直观的反馈;OLED显示模块用于实时显示系统状态和目标信息。经实验验证,该系统展现出高准确性、高稳定性和良好的用户体验,为智能视觉系统、无人机导航、安防监控等领域的研究与应用提供了有力的技术支持和宝贵的参考经验。

关键词： 桥梁裂缝检测   图像处理   深度学习  

摘要： 桥梁在道路交通中占据着重要地位。桥梁检测和维护经历了从人工阶段到基于数字图像处理技术的自动检测的转变,如今人工智能技术也被广泛应用于道路桥梁检测中。文章主要综述了数字图像处理技术和机器学习技术在桥梁裂缝检测中的应用,并进行了比较研究。首先,传统的机器学习方法用于道路桥梁裂缝检测时,需要提前对图像进行预处理,包括图像降噪和图像增强。文章对图像降噪和图像增强算法的效率进行了比较。其次,在桥梁检测中,图像分割和拼接是关键步骤,文章对图像拼接算法的效率进行了实验比较。再次,针对裂缝宽度、长度和面积的计算,提出了一种方法,并进行了实验研究。最后,比较了传统机器学习和深度学习在桥梁裂缝检测中的差异。

关键词： 钢筋焊点检测   CoT注意力机制   VanillaNet   YOLOv8-Pose   关键点检测   目标检测  

摘要： 为解决光照不足、复杂路面背景和节点密集情况下钢筋骨架自动焊接成型中节点漏检、焊点位置不精确等难识别问题,借鉴人体姿态估计算法,提出了一种改进YOLOv8n-Pose的钢筋节点识别和焊点检测方法。首先,使用VanillaBlock代替网络中的3×3下采样卷积,在不降低模型精度的同时减少了模型复杂度;然后,在Neck中的C2f模块中嵌入VanillaBlock,增强多尺度信息融合能力;最后,引入CoT注意力机制,提升在弱光下的节点检测能力。实验结果表明,改进后YOLOv8n-Pose算法mAP 0.5-kp为90.2%,mAP 0.5:0.95-kp为89.5%,相比于原模型均提高了3.7百分点,单张图像平均检测时间为20.9 ms。与HRNet-s、RTMpose-s、YOLOv5n-Pose和YOLOv7t-Pose检测网络相比,mAP 0.5-kp分别提升了3.2百分点、5.0百分点、16.0百分点、13.1百分点。改进YOLOv8n-Pose对背景复杂、光照不足和节点密集等情况具有较高的检测精度,能够满足自动化钢筋骨架焊接成型的实时检测需求。

关键词： 漂浮物   目标检测   YOLOv5   可视化  

摘要： 河道水面漂浮物是河道表观污染的重要源头,对其进行高效、精准的识别是改善水环境生态质量的重要途径。由于漂浮物具有场景复杂度高、移动频率高、形状不规则及多尺度形态变化等特点,传统的检测方法已难以满足复杂水面场景的大范围漂浮物识别需求,基于深度学习的YOLO图像识别算法为漂浮物智能识别与定位提供了新的技术支撑。为提升YOLOv5算法在小目标物和类别不均衡状态下检测能力,本文通过增加数据预处理模块和替换原有损失函数,提升其对小目标的检测性能。结果表明:相较于传统的YOLOv5算法,改进算法的平均精度均值(mAP)提高了8.86%,各类漂浮物的识别精度均有所提升。此外,混淆矩阵显示,该改进算法对于8种类型的漂浮物均有着较高的正确识别率。数据集的精确率-置信度曲线图(P曲线)和精确率-召回率曲线图(P-R曲线)显示,该改进算法对不同类型漂浮物均有较高的识别精确率,整体精确率达到97.0%。其中,船只的P-R曲线基本上“包住”其他类型漂浮物对应的曲线,其检测精度最高,与P曲线结果相一致。可视化结果显示:该算法在数码、固定和无人机摄像头3种识别视角下均具有较高的检测置信度和较低的漏检率,说明改进后的YOLOv5对目标学习得更充分,对重叠目标、小目标和特征模糊目标漏检的情况得到了有效的缓解。

关键词： 目标检测   YOLOv7   特征融合  

摘要： 针对现有YOLOv7模型在洗手动作检测中存在的检测精度低、抗环境干扰能力弱、相似动作区分度低等问题,提出一种基于改进YOLOv7的CCL-YOLO目标检测算法。该算法通过引入增强型轴向局部注意力机制,有效增强模型对长距离上下文信息的捕捉能力;采用CARAFE算子代替原算法的最近邻插值上采样方法,实现更高效的内容感知与特征重组,在并未增加模型参数的情况下显著提高对动作检测的精度;通过将SPPCSPC模块优化为SPPFCSPC结构,在保持相同感受野的前提下,检测精度提高了2.9%,帧速率提高了10;设计轻量级自适应解耦检测头代替传统耦合检测头,有效缓解了检测任务的训练难度,在损失2%检测精度的情况下,召回率提高了7.6%,mAP@0.5值提高了2%。在自制数据集上进行对比实验,结果表明改进算法平均精度mAP@0.5达到81.2%,相比于YOLOv7算法检测精度提升7.2%,精确率和召回率分别提高2.9%和11%,能有效满足实际洗手动作检测需求。

关键词： 光谱重建   多光谱图像   卷积神经网络   目标检测   煤矸石  

摘要： 煤矸石作为煤炭开采的副产品,其处理与监测对环境保护和资源利用具有重要意义。传统的煤矸石检测方法存在效率低下、资源消耗大等问题。为解决这些问题,提出一种基于电荷耦合频响多光谱反演网络的煤矸石检测方法。该方法利用无人机搭载高分辨率相机拍摄煤矸堆图像,首先,通过构建光谱重建网络模型MST++,实现对光谱数据的高效重建,弥补了RGB图像在光谱信息上的不足;然后,利用Faster R-CNN模型处理重建后的光谱数据;最后,对矸石堆中的煤炭含量进行预测。结果表明:与原始RGB数据集相比,多光谱重建后的煤矸石与煤炭图像的检测准确率显著提升至91.2%,将真实含碳量与预测结果进行比对,两者误差控制在5%以内,为煤炭资源的回收利用提供了科学依据。该方法充分利用了无人机遥感技术与深度学习算法的优势,通过光谱重建与目标检测的有机结合,实现了煤矸石的精准识别与定量分析,为煤矸石的高效处理与资源化利用提供了新的技术路径,具有良好的应用前景。

关键词： 交通运输规划与管理   公交客流   深度学习   目标检测   计算机视觉   边缘部署  

摘要： 针对公交客流检测因忽略边缘计算而导致的数据处理延迟和准确性问题,基于“云-边-端协同架构”提出一种实时且轻量级的公交客流检测算法BPF-DETR.首先,采用RT-DETR-r18作为基线算法来提高实时处理能力;然后,引入轻量级iRMB模块更新ResNet-18作为特征提取主干,通过倒置残差结构充分学习乘客目标的长距离特征交互以及小目标的局部特征交互,在提高轻量性和精度的同时增强算法的边缘适用性;接着,引入ASF架构中的SSFF模块和TFE模块构建多尺度特征融合模块MSFM,以进一步提升所提出算法在多尺度和复杂环境下的检测精度;最后,为了验证所提出算法的有效性,采用基于ROI的图像拼接方法,以提高数据集的代表性和多样性,构建公交客流监控数据集进行训练验证.实验结果表明, BPF-DETR的mAP@0.5为96.4%,模型大小为32.6 MB,均优于目前主流的YOLO系列模型,相较于基线算法, mAP@0.5提升了1.1%,模型大小下降了16%,能够满足公交客流检测准确率以及边缘部署轻量化要求.