关键词： 目标检测   神经网络   无人机检测   小目标   轻量化  

摘要： 由于无人机体积小、空域背景复杂且容易与鸟类等天空目标混淆，已有的目标检测模型精度不足。虽然增加模型规模可以在一定程度上提升检测精度，但也会降低模型推理速度、增大参数量与计算量。此外，目前可用于小目标无人机检测的数据集缺乏，难以有效支持无人机检测方法设计。针对以上问题，首先根据现有的开源无人机与鸟类检测数据集，采用基于目标面积压缩的小目标样本增强方法，构建一个可用于小目标无人机与鸟类分类任务的数据集。然后，对YOLOv8模型进行改造，通过使用轻量级自适应下采样卷积结构(LADC),建立了轻量级模型YOLO-LADC,可以在降低模型参数量和计算量的同时提升检测精度。更进一步，在YOLO-LADC的颈部网络增加分支结构得到YOLO-LADCS模型，以更好地适应小目标无人机检测任务。对比实验表明，YOLO-LADCS能够在参数量相比YOLOv8的轻量级衍生版本YOLOv8n减少14%的情况下，将小目标检测的平均准确率提升约1.1%。

关键词： YOLOv8算法   目标检测   PyQt5图形界面框架  

摘要： 工地工作环境相对危险，穿戴安全帽和反光背心等工地基础防护用具的安全防范意识非常重要，如果疏忽，工人的人身安全将存在巨大隐患。针对以上问题，设计一个以工地为背景的基础防护用具检测系统。该系统基于YOLOv8目标检测网络模型和PyQt5图形界面框架，具有检测图片文件、视频文件、摄像头实时检测及检测结果统计等功能。经实验测试，系统最终的平均检测精度达到89.7%。

关键词： 炮位雷达   弹道滤波   神经网络   无迹卡尔曼滤波  

摘要： 炮位雷达是地面炮兵作战的主要侦察装备，主要通过对弹道目标实施跟踪来完成侦察校射任务。现有的炮位雷达普遍采用线性卡尔曼滤波算法实现弹道目标滤波，在滤波过程中使用状态空间线性方程组进行目标状态估计和协方差估计。由于弹道目标运动轨迹呈现出的非线性特征，在滤波过程中容易引入较大的过程误差。文中针对传统弹道目标滤波算法中存在的上述问题，建立了弹道目标反向传播(BP)神经网络模型，用于滤波预测。为了建立精确的神经网络模型，利用多种环境因素生成数据集，进行BP神经网络训练。结合神经网络预测的特点，选取无迹卡尔曼滤波(UKF)算法作为基本滤波框架。仿真结果表明，BP-UKF具有比UKF更快的收敛速度和更高的滤波精度。

关键词： 林火识别   烟雾识别   目标检测   卷积神经网络  

摘要： 【目的】由于火焰和烟雾都是动态目标，使得航拍视角下的森林火焰小目标和烟雾检测变得富有挑战性。基于卷积神经网络的林火小目标和烟雾检测模型构建对于平衡森林火灾小目标和烟雾目标的参数量和检测精度具有重要意义。【方法】根据林火检测实时性要求，对基于高实时性的FasterNet进行改进，并构建了FRSCnet的主干网络层。利用分组洗牌卷积(group shuffle convolution, GSConv)构建了FRSCnet的颈部网络层。在头部网络中，引入了卷积块注意力模块(CBAM)注意力机制。最后，在颈部网络的第1层添加了感受野阻滞(receptive field block, RFB)特征提取模块。【结果】FasterNet采用独特的部分卷积(partial convolution, PConv)技术，有效减少了冗余计算和内存访问，从而保证了模型在处理航拍图像时的高速检测性能。GSConv能够平衡模型的参数量和特征融合性能，从而在保证检测精度的同时减少了模型的复杂度。通过CBAM注意力机制，在尽可能少地增加参数量的情况下，模型能够更好地关注森林火灾小目标和烟雾目标，提高检测性能。RFB特征提取模块，可增大模型的感受野，更好地提取航拍视角下的森林火灾小目标和烟雾目标。实验结果表明，提出的FRSCnet模型的平均精度(mAP@0.5)达到了89.2%,比YOLOv7-tiny和YOLOv5-s模型分别提高了2.9%和5.3%,但是参数量比YOLOv7-tiny和YOLOv5-s模型低。【结论】提出的FRSCnet林火小目标和烟雾目标检测模型，在参数量和检测精度之间取得了较好的平衡。

摘要： 在全球能源转型的大背景下,风能作为一种清洁且可再生的能源资源,得到了广泛的关注和应用。风电叶片作为风电机组将风能转化为机械能的核心部件,其设计和制造技术的进步显著提高了风电系统的整体效率1。人们为了寻求单台风电机组对于风能更高能量的转换效率和发电量更为显著的提升,不断增加风电机组的叶片尺寸,然而机组叶片尺寸的增长与安装台数的增多给风电机组叶片的监测和检验带来了极大的不便。叶片在长时间的运行过程中,常常面临环境因素的影响,如强风、冰雪、雷击等,导致叶片表面出现不同程度的开裂、鼓包和雷击等损伤。这些损伤如果不及时得到检测和修复,可能会导致严重的安全隐患和经济损失2。

关键词： 目标跟踪   动态感受野   并行注意力   双模板分支   特征交互   嵌入式设备  

摘要： 针对目标跟踪算法在长期跟踪场景下对目标尺度变化缺乏适应性,以及跟踪目标小、遮挡与相似物干扰等问题,提出一种新的具有动态感受野的双模板分支跟踪算法(SDT-Tracker).首先,引入并行注意力机制对ResNet50进行重新设计,构建一种具有动态感受野的特征提取网络进行高效特征提取.其次,设计3种下采样方式进行降采样,通过融合局部特征、原始特征和关键特征,实现多角度特征捕获,减小特征信息的损失.最后,提出一种动静态双模板分支跟踪策略,动态分支持续引入后续帧信息,静态分支提取目标初始信息,在关键帧时刻抑制动态分支引入的无关信息,进而减少相似物干扰和遮挡造成的负面影响.在LaSOT、OTB100数据集上进行算法验证,实验结果体现了算法的有效性和优越性.将算法移植到嵌入式设备Jetson Xavier NX上进行性能测试,运行速度达24帧/秒,相较于经典目标跟踪算法,所提方法在多种复杂场景下具有更高的精度,且能有效解决相似物干扰、遮挡等问题.

关键词： 深度学习   目标检测   YOLOv5   嵌入式系统  

摘要： 基于深度学习的目标检测算法已经在各行各业得到广泛应用，但在嵌入式设备中应用高速且高精度的目标检测算法仍然是一项挑战。针对此难题，研究了一种适用于嵌入式系统的轻量级YOLOv5-SP模型，该模型使用通道分割算子和通道随机重排操作改进C3模块结构，并且将坐标注意力模块嵌入到特征融合网络后，同时引入了EIOU Loss和Distance-IoU Loss改进损失函数。通过使用标准的VOC2007数据集、INRIA行人检测数据集和自定义的数据集在实际应用中的实验，证明了该模型在嵌入式系统中既能保持检测精度和泛化能力，同时又大大降低了模型的计算量，能更加高效地检测目标物体并反馈位置信息。

关键词： 深度学习   ResNet   SSD  

摘要： 随着信息技术的快速发展，其在各行各业都得到了广泛应用。传统的公路巡检方式主要依靠人工巡检的方式，巡检过程需要投入大量的人力、物力。公路巡检行业也在不断融入智能化方法，以提高公路巡检的效率。基于此，本文通过大量的研究与实践工作，介绍了两种具有计算机深度学习功能的系统，对其进行了深度学习训练，并对其训练结果进行了分析，选定了基于Cafe深度学习框架的SSD网络作为用于检测公路巡检航拍图片的计算机检测体系，提高公路巡检的准确性和安全性。

关键词： 小目标检测   YOLOv7   动态稀疏注意力机制   递归特征金字塔  

摘要： 针对工业化环境下用于抓取的小目标物体存在难以识别、检测精度低等问题，本文提出一种基于改进YOLOv7的小目标检测算法。在YOLOv7模型的特征融合部分引入动态稀疏注意力机制(BiFormer),有效增加待检测小目标物体的细节信息，提升网络模型的检测精度；在检测部分引进递归特征金字塔模块(RFP),将特征金字塔结构输出的特征与自下而上的骨架层融合。实验结果表明，改进后的YOLOv7模型性能得到了一定提升，检测精确度提升3.6个百分点，对于小目标物体的检测效果更佳。

关键词： 深度学习   图像识别   卷积神经网络   目标检测   语义分割  

摘要： 图像识别技术在多个领域中占据重要地位，其发展是从传统方法向深度学习方法转变的基本表征。文章主要探讨基于深度学习的图像识别技术，阐述其原理、关键技术、应用领域。深度学习，从理论上分析，其通过构建多层次结构的神经网络模型，如卷积神经网络（CNN）、循环神经网络（RNN）等，可自动学习图像中的特征表示，极大提升图像识别的准确率和效率。在图像分类、目标检测、语义分割等关键技术应用过程中，深度学习模型可表现出较强的使用性能。该技术已广泛应用于安防监控、医疗影像诊断、自动驾驶、工业检测等多领域中，可持续推动各个行业的智能化发展。