关键词： 深度学习   目标检测   水下图像   部分卷积   注意力机制   局部特征  

摘要： 海洋工程的日常任务经常会利用水下航行器来探测水下环境,针对水下复杂环境采集的图像目标容易出现局部特征信息丢失,导致漏检、检测精度低的问题,提出基于增强局部特征的水下目标检测方法。在主干网络采用Faster Block增强图像特征提取能力;利用归一化注意力模块抑制不显著的特征信息来提高网络的效率;构建集中特征增强金字塔池化模块增强对水下复杂背景下目标局部特征信息的捕获能力;改进损失函数提高网络模型对水下图像目标预测效果。实验结果表明,该方法平均精度相较于原模型提升了1.5百分点,网络推理速度为36.4,能够有效地提升水下目标的检测精度。

关键词： 数字图像处理   课程思政   体系化  

摘要： 数字图像处理课程具有较强的实用性与前沿性,在现代技术特别是人工智能领域应用广泛,同时在跨学科应用中有较为重要的作用。为落实以学生为主体的育人根本目标,文章对数字图像处理课程思政教学进行了研究,提出了课程思政教学体系,改进了课程思政实施方案,实现了知识点课程思政的自然融入,并通过更新教学方法,发挥学生主观能动性。改进的课程思政教学方法取得了较好的教学效果,对数字图像处理的教学有一定指导作用。

关键词： SAR图像   分流感知   分数阶Gabor变换法   特征融合   多尺度样本   小目标   DY_IoU  

摘要： 针对合成孔径雷达(synthetic aperture radar,SAR)图像样本特征差异大、目标尺度不均衡、背景散斑噪声高所导致的检测精度低、推理速度慢问题,提出一种融合空-频域的动态SAR图像目标检测算法。首先,采用分流感知策略构造空-频域感知单元,结合动态感受野及分数阶Gabor变换法,增强算法对空间多样性特征和频率散射特征的捕获能力与感知力,优化模型对全局上下文信息的保留能力,加快推理速度,降低特征映射模式相似性与背景噪声干扰,有效改善漏检、误检情况。其次,采用重参数学习法设计自适应特征融合模块,优化多尺度特征间的交互与整合,丰富特征的多样性,缓解特征采样引起的差异映射与信息丢失问题,加强小目标信息与关键频率信息在融合过程中的显著性,提高多尺度样本检测精度。最后,引入DY_IoU动态回归损失函数,利用自适应尺度惩罚因子与动态非单调注意力机制解决锚框膨胀和位置偏差问题,进一步增强模型对多尺度目标的定位与检测能力,加快模型收敛速度,减少模型计算量。在公开数据集SAR-Acraft-1.0和HRSID上进行相关实验,实验结果表明:该方法mAP@0.5数值达到了95.9%和98.8%,较基线模型分别提升5.2%和1.2%,且优于其他对比算法。表明该算法显著提升了检测精度,具备良好的鲁棒性与泛化性。

关键词： 多源信息融合   无人机   特征融合   目标检测  

摘要： 为提升复杂环境下面向无人机视角的目标检测效果,提出一种基于多源信息融合的目标检测算法。该算法以可见光和红外图像为输入,利用双支路Swin-Transformer结构分别提取两者多层级特征,并以自主学习的方式分层级融合两者特征,增进信息互补。在此基础上,构建双向特征金字塔网络进一步深化浅层与深层特征融合,充分获取目标多尺度信息。最后,通过多个检测头在不同层级的特征图上独立预测目标,提升检测器性能。多个公开数据集的仿真和对比实验表明,所提算法不仅设定合理性能优越,且具备良好的鲁棒性和泛化性。

关键词： 目标检测   红花   YOLOv5s   ShuffleNet v2   多尺度   排斥损失函数  

摘要： 针对自然环境中红花智能采摘存在红花尺度变化大、遮挡情况复杂的问题,该研究对YOLOv5s模型进行优化,提出了一种基于多尺度特征提取的YOLO-SSAR目标检测算法。首先,采用ShuffleNet v2轻量化结构对Backbone层主干特征提取网络进行替换,减少模型参数量和计算量;其次,在Neck层添加基于空洞卷积和共享权重的Scale-Aware RFE模块,提高模型对于多尺度特征信息的提取能力;最后,为解决目标检测中类内、类间遮挡问题,在Head层引入排斥损失函数对原损失函数进行替换,减少因非极大值抑制(non-maximum suppression,NMS)阈值选取不当造成的漏检或误检,提高模型的检测精度。试验结果表明,YOLO-SSAR算法在测试集上的精确率、召回率和平均精度均值分别为90.1%、88.5%、93.4%,比YOLOv5s原始模型分别提升了5.9、9.2和7.7个百分点,推理速度为115帧/s,模型大小为9.7 MB,与主流算法YOLOv4、YOLOv7、YOLOV8s、Faster R-CNN、SSD相比,精确率分别高出6.8、7.2、6.3、16.2和10.8个百分点、召回率高出9.4、10.3、9.5、17.3和59.4个百分点,平均精度均值高出8.8、8.2、8.1、14.9和19.4个百分点。研究表明,YOLO-SSAR算法在提升综合检测性能的同时也降低了计算复杂度,研究结果可以为红花智能采摘研究提供算法参考。

关键词： 遮挡目标检测   EMSA多尺度自注意力   YOLO   动态聚焦  

摘要： 在遮挡图像中,行人目标通常被其他物体部分或完全遮挡,导致其外观特征不完整、边缘模糊,甚至与背景或遮挡物混淆。行人遮挡目标的检测需要算法能够在特征缺失的情况下,仍然准确识别和定位目标。为了解决这一挑战,本文基于YOLOv10提出一种融合多尺度自注意力机制(Efficient Multi-directional Self-Attention, EMSA)的多尺度感知能力的YOLOv10改进方法。首先在YOLOv10中的C2f中融合MSDA注意力机制,增强了模型在多尺度上的特征捕捉能力,提升了对不同尺度遮挡目标的检测能力,通过自适应地加权不同通道的特征,提高了对遮挡目标特征的关注;其次基于动态聚焦机制引入新的损失函数Focaleriou,动态调整损失焦点,提高对不同尺度目标的检测能力,同时改善边界框回归损失收敛速度,之后添加了小目标检测头,增强小遮挡目标的特征提取能力;最后使用公开数据集Citypersons进行消融实验。结果表明,该融合了MSDA注意力机制的模型平均精度(Map@0.5)达到了62.3%,相较于官方YOLOv10n提升了2.2%。实验结果表明该EMSA注意力能够有效改进行人遮挡目标的检测,满足自动驾驶、监控等应用场景下的行人遮挡场景的检测需求。In occluded images, pedestrian targets are often partially or completely blocked by other objects, leading to incomplete appearance features, blurred edges, and even confusion with the background or occluding objects. Detecting occluded pedestrian targets requires algorithms capable of accurately recognizing and localizing targets despite missing features. To address this challenge, this paper proposes an improved YOLOv10 method with enhanced multi-scale perception by integrating an Efficient Multi-directional Self-Attention (EMSA) mechanism. Firstly, the MSDA attention mechanism is incorporated into the C2f module of YOLOv10 to enhance the model’s ability to capture features at multiple scales, improving the detection of occluded targets of various sizes. By adaptively weighting features across channels, the method increases focus on occluded target features. Secondly, a novel loss function, Focaleriou, is introduced based on a dynamic focusing mechanism. This adjusts the focus of the loss dynamically, enhancing the detection of targets at different scales and improving the convergence speed of bounding box regression loss. Additionally, a small-object detection head is added to strengthen feature extraction for small occluded targets. Finally, ablation experiments are conducted on the public Citypersons dataset. Results show that the model incorporating the MSDA attention mechanism achieves a mean average precision (mAP@0.5) of 62.3%, whi

关键词： 档案管理水平   档案信息   电力档案   企业发展战略   知识经济   过度依赖   目标检测   合规性  

摘要： 引言当前,社会正稳步迈向知识经济和信息化时代,信息已逐步成为企业发展战略的核心资源,其价值日益受到广泛认可。在电力档案管理实践中,尽管企业的档案管理水平不断进步,但仍有大量档案工作需要过度依赖人工操作,尤其是在区分复印件与原件时,混淆现象时有发生。这种混淆不仅严重损害了档案信息的真实性和准确性,更对档案管理的合规性构成了直接且重大的威胁。

关键词： 深度学习   目标检测   路面病害   YOLOv5s   可变形卷积   轻量化  

摘要： 针对现有的路面病害检测算法在复杂环境下检测精度低、模型复杂度高的问题,在YOLOv5基础上,提出了一种融合可变形卷积的轻量级路面病害检测算法(lightweight deformable convolution YOLOv5,LDC-YOLOv5)。首先,针对真实路面病害复杂不规整的特点,使用可变形卷积(Deformable Conv)和深度卷积(Depthwise Conv),设计了一种轻量级特征提取模块,代替原网络主干部分的C3模块,使卷积核聚焦在无规则裂缝病害上,增强病害特征提取能力。其次,针对特征融合阶段出现算法复杂度过高的问题,使用轻量级卷积GhostConv,构建一种轻量级特征融合模块,代替原网络颈部网络部分的C3模块,降低网络参数和复杂度;为避免真实路面出现光照不均,出现阴影遮挡路面病害目标而造成的病害漏检的情况,在主干网络部分,引入轻量级注意力机制TripletAttention,增强算法对病害信息上下文之间的理解能力。最后在IEEE公开数据集RDD2022和Kaggle公开数据集Road Damage上进行测试,实验结果表明,与YOLOv5s相比,mAP50在两个数据集上分别提升了1.4%和4.2%,且模型参数量仅为YOLOv5s的67.6%。

关键词： 虚拟仿真实践教学   实践类课程   实验环节   工科专业   时间间隔   理论课堂   新工科   工科背景  

摘要： 以往大多数工科实验类课程通常采取教师先在课堂上讲授理论知识,而后学生在一定的时间间隔后于指定地点进行实验环节,这种方式往往存在学生在理论课堂上理解片面、实验环节又很难将前期理论与具体实践紧密结合,导致学习效果不佳。针对这一问题,本文通过对工科实践类课程大量调研的基础上,融入新工科的理念与思政元素构建适合工科专业的《数字图像处理》课程的虚拟仿真实践教学模型,致力于提高学生面对实际问题的应对能力。

关键词： 背景减除   背景建模   移动目标检测   鬼影抑制  

摘要： 针对快速背景减除法(FBS-ABL)在复杂环境下易存在鬼影的问题,提出一种改进的FBS-ABL算法。该算法在FBS-ABL算法检测到前景目标的基础上,求出前景运动目标及其邻域的像素直方图并进行匹配,判断目标区域是否存在“鬼影”,通过改变该区域的像素值消除“鬼影”。同时对于鬼影目标可能存在的区域再次进行背景初始化,抑制“鬼影”的出现。在两个不同的场景进行了实验验证,结果表明,改进的FBS-ABL算法对“鬼影”消除有着良好的效果,对目标检测的准确率有着明显的提升。