关键词： 跨境车辆跟踪   计算机视觉   深度学习   安全监控  

摘要： 车辆重识别(Vehicle Re-Identification,VeRI)是计算机视觉领域的一个重要方向,旨在通过摄像头网络中的图像或视频序列,识别并追踪同一车辆。车辆重识别基于深度学习的算法,旨在通过深度学习技术提升对车辆在不同场景下的识别准确率与鲁棒性。随着智能交通系统的快速发展,车辆重识别在智能交通、智慧城市、安全监控等领域以及嫌疑车辆搜索、跨境车辆跟踪、交通违法查处、交通流量统计与分析等方面具有广泛的应用价值。通过深度学习算法,车辆重识别技术能够自动提取车辆特征,实现高效、准确的车辆匹配与检索。

关键词： 高超声速滑翔目标   空气动力学模型   自适应滤波   参数估计   变分推断   KL散度   密度估计  

摘要： 针对非合作高超声速滑翔目标跟踪中动力学模型参数未知且时变的问题,提出了一种基于变分推断的自适应跟踪方法。先在半速度坐标系中建立目标的空气动力学模型,将机动控制量增广到状态中,把模型中的未知参数视为随机变量;然后,利用变分推断自适应滤波策略对目标运动状态和模型中的未知参数的概率密度函数进行联合估计和辨识。两种典型机动轨迹的跟踪仿真结果表明,所提方法能够较好地适应阶跃机动和连续幅值机动,跟踪精度优于基于运动学的自适应跟踪方法。

关键词： 雷达目标检测   杂波环境   图神经网络   多尺度特征融合  

摘要： 本文针对复杂杂波环境下的雷达目标检测问题,提出了一种基于图神经网络的多尺度特征融合雷达目标检测方法,该方法利用多个脉冲回波之间的特征关联性检测目标。具体而言,其首先利用多个级联的特征提取模块从回波中提取多尺度特征。然后,该方法利用多尺度特征构造多个有向完全图,图中每个节点对应一个脉冲。之后,每个节点利用图神经网络的消息传播机制聚合其邻居节点的信息,以此学习脉间回波高阶相关性。进一步地,该方法融合多尺度特征以丰富对目标和杂波的特征表示。最后,对融合后特征进行非线性映射,以二分类的形式得到检测结果。基于公开雷达数据集的试验验证了所提方法的有效性。

关键词： 目标检测   低照度   光照矫正   特征去噪   特征增强  

摘要： 低照度环境下获取的图像往往亮度低、对比度低、光照不均匀,从而造成图像特征变弱及模糊难于提取,同时在有限提取的特征中也存在大量噪声信息,导致目标难于检测识别,因而现有低照度目标检测成果极少.针对低照度目标特征难于提取及特征空间噪声大的问题,本文提出一种基于光照矫正与特征交互增强(Illumination Correction and Feature Interacted Enhancement,ICFIE-YOLO)网络的低照度目标检测方法.该方法首先利用提出的ICFIEYOLO内部多尺度光照矫正网络(Multi Scale Illumination Correction Network,MSICN)对低照度图像进行光照矫正,突出隐藏在图像背景中目标的模糊特征,使特征提取模块能更好地提取到目标特征;其次,为充分利用有效特征信息,过滤特征图中的噪声干扰,提出特征交互增强(Feature Interacted Enhancement,FIE)检测头,通过特征注意力交互方式实现特征增强,建立低照度图像中各个区域特征之间的空间关联和语义关联,从而抑制噪声对有效特征的干扰,实现降噪效果;最后,在增强特征及去除噪声的基础上用改进的检测头实现高精度目标检测.在ExDark和DarkFace数据集上的实验表明,所提方法较主流目标检测方法mAP提高2.1个百分点以上,较现有低照度目标检测方法召回率提高4.2个百分点以上,同时召回率较基线模型提高了2.6个百分点,所提方法具有较好的泛化性.

关键词： 光电系统   目标跟踪   红外热像仪   可见光摄像机   激光测距机  

摘要： 随着科技的进步和应用需求的不断扩大,光电系统动态目标跟踪技术在军事、安防、交通管理和科学研究等领域发挥着越来越重要的作用。动态目标跟踪涉及对目标在运动过程中的实时检测、识别和预测,具有很大的挑战性。光电系统通过结合可见光摄像机、激光测距机和红外热像仪等传感器,为解决这些挑战提供了强有力的技术支持。本文研究了可见光摄像机、激光测距机和红外热像仪三种传感器的特点,分析了上述传感器在光电系统中的应用,并探讨了它们在动态目标跟踪中的应用策略,为进一步提高光电系统跟踪精度和稳定性提供了重要的技术支持。

关键词： 牙根尖片   深度学习   目标检测   YOLOv8   C2f_deformable_LKA  

摘要： 为提高牙根尖片中龋齿和修复体识别的准确性,在传统的YOLOv8模型的基础上,将可变形大核注意力(deformable large kernel attention,D-LKA)引入Head结构中的C2f模块,从而增强模型对目标特征的捕捉能力。同时,将PreLU激活函数代替原模型的SiLU激活函数,解决原模型存在的梯度消失问题,进一步提升了模型的拟合性,使算法运行更加高效。实验结果显示,改进后的算法平均精度mAP0.5比传统算法提高了2.6%,达到了89%;召回率R提高了2.3%,达到了84.8%,为口腔医学领域的进一步研究提供了一定的技术支持。

关键词： 太阳电池   表面缺陷   目标检测   注意力机制   多尺度特征融合  

摘要： 多晶硅太阳电池表面缺陷多源异类、小尺度缺陷检测困难。现有基于机器学习图像处理的表面缺陷检测算法在实际使用过程中存在检测精度不高、检测类型少、鲁棒性差等问题。基于深度学习,提出一种可提升精度、便于工业应用的多尺度特征融合的轻量化缺陷检测模型。该模型以YOLOv5目标检测算法为框架,为增强多尺度特征的融合效果,设计浅层通道融合分支和双采样结构,改进了多尺度池化金字塔,提升了模型对小尺度缺陷的检测能力;引入ECA注意力机制,增强颈部网络对有效信息的关注度;最后,设计新的降采样结构和C3(Light-CSP-Darknet53)结构,提升检测精度的同时降低参数量和计算量。实验表明,改进算法的全类平均精度(m AP_(0.5))比基线模型提高8.5%,参数量减少44.3%,计算复杂度降低33.7%。

关键词： 智能检测   激光全息模压   图像处理   机器学习  

摘要： 机器设备质量控制的关键之一在于制品的一致性和精度。作为高精度制造的重要工艺,激光全息模压技术在现代工业应用中展现出了广泛潜力。然而,传统质量控制方法在复杂模压环境下难以有效监测制品质量,导致产品存在瑕疵和性能不稳定。因此,本文对智能检测技术在激光全息模压制品质量控制与优化中的应用展开探究,以期提高制品质量的稳定性和生产效率,满足高标准工业应用需求。

关键词： 零件   目标检测   YOLOv7   注意力机制   ConvNeXt  

摘要： 为了在不增加计算复杂度的情况下提升零件的识别精度,本文提出一种基于改进YOLOv7的零件目标检测算法。首先,引入SA注意力机制帮助模型更好地聚焦于图像中的关键特征,抑制不必要的特征,使模型能够更精确地聚焦于图像的最重要方面,从而提高检测精度;其次,引入高效卷积模块ConvNeXt替换部分ELAN模块,降低模型的计算复杂度;最后,引入NAM注意力机制构建MP-NAM模块,提高算法对零件的检测能力。实验结果表明,改进YOLOv7算法在自制数据集上的精确率和均值平均精度分别达到0.964和0.925,相比原始YOLOv7算法有较大的提升;同时计算复杂度有显著的下降,约为原始算法的37.4%;与主流目标检测算法相比,改进YOLOv7算法具有更好的检测性能,也证明了改进算法在零件目标检测的有效性。

关键词： 铁路基础设施   高清移动视频   日常巡检   智能视频分析   图像处理  

摘要： 在高铁运行过程中,异物入侵、线路设备损坏会严重威胁动车的行车安全。为解决该问题,目前主要依靠人工进行监控和巡查。针对这种人工监控,耗费人力,物力且存在的效率低,时间长,主观判断失误等问题,本文突破常规的图像识别技术,基于高铁线路正样本数据,采用算法融合技术,研究对于高铁线路异物情况、设备外观异常情况的图像智能识别算法,同时结合DMS行车信息,将识别结果与线路里程等自动关联,形成一套基于高铁移动视频线路异物智能识别与报警系统,起到动车运行时自动识别、实时推送报警的作用,从而更加准确快速的辅助工务人员分析各种异物入侵,及时处理现场问题,为铁路运输的安全和高效提供有力保障。