关键词： 孪生网络   卫星视频目标跟踪   空间信息   时间信息   运动估计机制  

摘要： 随着卫星视频成像技术的显著进步,卫星视频中的目标跟踪任务引起了越来越多研究人员的关注.然而之前的研究大多通过全局注意力机制获得空间信息,这种方法使得模型关注背景部分从而忽略目标;而且只利用视频帧中目标的空间信息,目标定位不准确.本文对现有的孪生网络目标跟踪模型SiamCAR进行改进,提出时空孪生网络模型Siam-STM.具体来说,本文提出基于注意力机制的空间信息感知模块,聚合图像中的上下文信息并增强卫星视频中小目标特征的辨别力;为了利用视频帧之间的时间信息,本文还提出时间信息感知模块对视频中当前帧和历史帧进行融合,从而学习到不同时刻目标的位置信息,更好的关注目标轨迹,缓解相似干扰物的影响.此外,为了缓解卫星视频中常见的遮挡影响,本文在卡尔曼滤波器的基础上引入线性拟合方法,进而提出一种运动估计机制,可以有效地建模目标的运动特征进而在目标被遮挡时准确定位目标.在SatSOT数据集上通过与现有先进模型的实验对比验证了Siam-STM的有效性.

关键词： 智能监控   目标检测   深度学习   YOLOv10模型   轻量化  

摘要： 为解决传统人工视频监控实时性不足,无法高效检测场景中短暂出现目标的问题,提出一种基于轻量化YOLOv10的智能监控检测算法。首先,利用深度可分离卷积替换标准卷积,减少网络参数,提高检测速度。其次,将主干网络中跨阶段部分双卷积融合瓶颈结构替换为高效多尺度注意力模块,提高网络对目标成像尺寸变化的感知能力。最后,使用辅助边界框优化损失,丰富监督信息,增强网络对小目标的检测性能。在交通监控数据集UA-DETRAC中的实验结果表明:该算法平均精度均值较Faster R-CNN、EfficientDet-D5、YOLOv8及YOLOv11分别高出13.5、10.9、1.7、0.4个百分点;检测速度达112 FPS,参数量仅2.2×10^(6),为智能监控下目标检测任务提供技术支持。

关键词： 玉米苗   杂草   目标检测   注意力机制   ASPP  

摘要： 为实现田间复杂环境下玉米幼苗与杂草的精准识别,通过对PP-YOLOE算法进行改进和优化,包括引入坐标注意力机制和ASPP(Atrous Spatial Pyramid Pooling)结构,提出了一种用于玉米苗间杂草检测的AAPP-YOLOE模型。试验结果表明,AAPP-YOLOE模型在玉米苗间杂草检测中取得了显著的性能提升。模型在召回率、准确率和F1-Score指标上表现更佳,证明了算法在玉米苗间杂草检测中的有效性和实用性,可为农业生产管理提供一定的帮助,有助于减轻杂草对玉米苗生长的影响。

关键词： 深度学习   目标检测   快速区域卷积网络   多样化分支块   分组空间卷积   损失函数   模型剪枝   知识蒸馏  

摘要： 针对目标检测模型计算量较大、难部署的问题,提出改进的YOLOv7模型。引入FasterNet轻量级网络结构,显著降低参数量和计算量。采用多样化分支块增强模型对输入数据的特征表达能力。引入分组空间卷积改进网络的Neck层并更换损失函数,使其在学习和表征复杂数据时更加有效并减少信息的丢失。利用模型剪枝和知识蒸馏技术对模型再次浓缩。实验结果表明,改进的模型拥有高精确度的同时,参数量和计算量分别下降了64%和54%,模型大小仅为5.3 MB,具有良好的应用前景。

关键词： 碳捕集   3D打印   混合胺吸收剂   计算机视觉   固体酸催化剂  

摘要： 使用固体酸催化剂和混合胺吸收剂是降低化学吸收法吸收剂再生能耗的有效途径之一。本文采用3D打印方法制备了固体酸催化剂,结合连续鼓泡反应器,探究了其对混合胺溶液再生过程的强化机制。相较于未添加催化剂的吸收剂,3D打印催化剂使3 mol/L MEA+3 mol/L MDEA、4 mol/L MEA+2 mol/L MDEA及5 mol/L MEA吸收剂的解吸速率峰值分别提升了3.0倍、2.7倍和2.2倍。此结果表明,混合胺吸收剂在添加3D打印催化剂后,解吸速率提升效果优于传统5mol/L MEA溶液,归因于混合胺提供了更多质子受体,通过多样化质子转移途径降低了活化能。计算机视觉分析催化解吸产生的CO_(2)气泡显示,3D打印催化剂产生的气泡半径减小约20%,增大了气液界面面积,优化了传质过程,强化了CO_(2)气泡的成核、生长与脱离,进而增强了解吸反应动力学性能。

关键词： 探地雷达   Pix2Pix   注意力机制   目标检测  

摘要： 针对高速公路长期运行过程中出现的道路病害,如层间不良、层间松散和裂缝等问题,笔者提出一种基于注意力机制改进的Pix2Pix探地雷达(GPR)道路病害检测方法。该方法通过在Pix2Pix网络中集成卷积块注意力模块(CBAM)和空间注意力机制(SAM),并使用LSGAN损失函数优化网络结构和训练过程。在仅100张图像的小样本数据集中,提出的方法检测精度达到85.45%,显著优于传统的YOLOv5和Faster RCNN方法。实验结果表明,该方法在小样本情景下具备较高的检测精度与泛化能力,为道路病害的自动化检测提供了新的解决方案。

关键词： 作业现场   异常行为   深度卷积生成对抗网络   图像增强   目标检测  

摘要： 为了实现电力作业现场人员行为的智能识别,提出了一种基于对比度有限自适应直方图均衡化的低光图像增强方法,同时提出了一种基于深度卷积生成对抗网络的作业现场异常行为目标检测算法。生成器网络通过提取输入视频帧的特征,得到目标掩码,并将掩码与原始视频帧融合,将合成的视频帧输入到鉴别器中进行鉴别。试验结果表明,融合对比度有限自适应直方图均衡化与深度卷积生成对抗网络的异常行为识别时间较短,异常行为识别精度平均为97.54%,异常行为识别召回率平均为96.76%,验证了所提算法的可行性和优越性。因此,可以将图像增强方法与目标检测方法融合后用于电力作业现场异常行为智能识别。

关键词： YOLOv8算法   凡纳滨对虾   生物量估算   目标检测  

摘要： 针对凡纳滨对虾(Litopenaeus vannamei)养殖过程中,传统生物量人工监测效率低、应激损伤大等问题,研究提出了一种融合改进YOLOv8算法与最小包围盒(Oriented Bounding Box,OBB)的非接触式体长-体质量估算方法,以提升智能化投饲管理的效率和准确性。该方法通过以下技术改进实现生物量参数的有效估计:首先,融合Focal-GIoU构建损失函数,增强对遮挡虾体的检测能力;其次,引入GhostNetV2轻量化网络的空间-通道解耦注意力机制,提升特征表达能力,并集成RepBlock动态可重构模块,增强多尺度形态自适应识别能力;最后,提出基于主成分分析的最小包围盒(Principal Components Analysis-Oriented Bounding Box,PCA-OBB)算法,通过协方差矩阵特征分解确定虾体主轴方向,并结合霍夫圆检测标定像素-物理尺寸转换系数,建立体长-体质量回归模型。结果表明,该方法对120日龄凡纳滨对虾体长的测量平均相对误差为1.26%,最大绝对误差为0.503 cm,体质量预测平均相对误差为5.3%,均优于传统人工测量。该方法实现了凡纳滨对虾的非接触式生物量参数实时监测和估计,为精准投喂提供了有效技术支持。

关键词： 外辐射源雷达   低轨卫星互联网   无源探测   目标检测   多源协同  

摘要： 相较于地基外辐射源雷达,基于卫星信号的外辐射源雷达(即卫星信号外辐射源雷达)具有全球、全时、全天候覆盖等优势,可弥补地基外辐射源雷达在海上覆盖范围不足的限制;相较于中高轨卫星信号,低轨通信卫星信号具有接收功率强、卫星数目多等优势,可为海上目标无源探测提供可观的探测距离与探测精度。面向未来发展需求,该文详细论述了卫星信号外辐射源雷达研究现状与应用前景,给出了以铱星、星链两类低轨通信卫星系统构建高低频宽窄带融合的低轨通信卫星信号外辐射源雷达系统的可行性分析,据此总结了研发低轨通信卫星信号外辐射源雷达系统面临的技术挑战与候选解决思路。上述研究可为广域范围内,外辐射源雷达探测提供重要参考。

关键词： 自动化生产线   质量检测   计算机视觉   优化方案  

摘要： 此研究优化了计算机视觉的自动化生产线质量检测系统,提升了检测精度、效率和稳定性。通过对基于融合卷积神经网络(ConvolutionalNeural Networks,CNN)与视觉转换器(Vision Transformer,ViT)的深度学习架构、结合对比度受限自适应直方图均衡化(Contrast Limited Adaptive Histogram Equalization,CLAHE)与生成对抗网络(Generative Adversarial Network,GAN)的图像处理技术和协同现场可编程门阵列(Field Programmable Gate Array,FPGA)与图形处理器(Graphics Processing Unit,GPU)的硬件加速方案进行升级,系统性能实现了显著提升。精度从85%提升至93.5%,效率从160ms/frame降至115ms/frame,稳定性由91.5%提高至96.1%,成本减少1.2万元。t-SNE分析验证了优化后的特征提取效果。结果表明,深度学习与边缘计算优化提升了系统适应性与实时性,具备良好的工业应用价值。