关键词： 测量   应力   图像处理   光学仪器   双折射  

摘要： 针对碳化硅晶圆片的应力双折射现象,实时应力检测过程中需要将待测碳化硅晶圆片沿切边方向旋转一个适当角度,以突出微管和位错的位置。然而,高倍率显微检测系统的景深较小,当碳化硅晶圆片倾斜时,大尺寸晶圆可能无法完全处于景深范围内,导致虚焦现象。虚焦现象对应力值影响不大,但会降低微管和位错的清晰度,甚至导致较小的微管在虚焦测量结果中消失。为了解决这个问题,提出了使用超景深合成算法对测量结果进行超景深融合。同时,使用机动平台将不同测量结果进行拼接,合成全局聚焦的测量结果,从而更好地测量应力值。实验结果表明,通过这种方法,可以有效改善测量结果的可视化效果。

关键词： 空间碎片   混合异构   目标检测   硬件加速   在轨编程  

摘要： 为解决空间碎片识别难,空间碎片轨迹维护难问题,本文提出一种混合异构在轨目标实时处理平台技术。混合异构在轨实时处理方法可将检测结果直接下传地面用户,提高了空间碎片检测时效性。检测算法采用图像增强滤波手段,在轨实时滑窗滤波处理器为FPGA,滤波图像增强后的图像数据经过CPU过门限后得到空间碎片目标,空间碎片轨迹库由星载CPU管理维护。混合异构星载计算平台通过并行计算实现在轨实时处理。混合异构硬件加速平台可将传统单一CPU处理耗时9989.69 ms,提升到118 ms,达到图像帧250 ms实时处理能力,并实现目标轨迹稳定跟踪。

关键词： 课程思政   数字图像处理应用   教学改革   项目式教学  

摘要： 本文探讨了在课程思政视域下,对数字图像处理应用课程教学进行改革,以培养适应新工科背景、具备高度社会责任感和创新精神的数字图像处理人才。本文从教学内容、教学模式、考核标准等方面入手,构建“教师、教案、教法、环境”多方位协同的课程思政体系,推动课程思政建设全面深入开展。旨在实现专业知识与思政教育的有机融合,培养德智体美劳全面发展的新时代人才。

关键词： 低轨卫星星座   多目标跟踪   改进DeepSORT算法   注意力机制  

摘要： 随着大规模低轨商业遥感卫星星座的发展,卫星能够在较短时间内对地面同一区域进行接力观测,使得对机场飞机目标的持续监视成为可能。针对低轨卫星联合监视下的机场飞机目标跟踪问题,文章提出了一个基于YOLOv7与DeepSORT的两阶段飞机目标跟踪方法,通过引入注意力机制改进YOLOv7网络,实现对卫星遥感图像中小型飞机目标的准确检测;通过优化匹配机制改进DeepSORT算法,实现对存在长时间差的图像序列中运动飞机目标的持续跟踪。文章利用多颗“吉林一号”卫星接力拍摄的卫星遥感图像序列进行算法验证,实验结果表明,文章方法能够融合多颗卫星不同时刻的成像信息,提高对机场运行状态的连续感知能力,多目标跟踪精度为79.15%,对比其他常用的跟踪算法提高了3.2%以上,同时显示出大规模低轨商业遥感卫星星座在目标跟踪领域巨大的应用潜力。

关键词： 目标检测   多尺度特征融合   智能船舶   注意力机制   YOLOv3  

摘要： 文中提出了一种实海域高精度的小目标检测算法.算法以YOLOv3作为基础模型,通过增加高分辨率特征层保留更多小尺度目标的细节特征信息.利用跳跃残差连接改进了YOLOv3的多尺度特征融合结构,以降低特征融合导致的目标特征损失,同时增强不同尺度特征图之间的信息交互.设计了双重注意力特征融合模块聚合局部特征与全局特征并细化融合特征图,降低融合特征图的混叠效应.在实海域数据集和VOC2007数据集上进行了验证,结果表明:提出的方法能够有效地提升模型的检测精度,尤其是小尺度目标的检测精度提升约15%,同时检测时间未出现明显增加.

关键词： 深度学习   目标检测   Swin Transformer  

摘要： 在目标检测任务中,基于Detection Transformer(DETR)的无锚框方法由于不需要依赖复杂的后处理步骤如非极大值抑制从而受到了广泛的关注。针对DETR使用的残差骨干网络ResNet(Residual Network)在提取全局信息能力上的不足,本文章提出一种基于改进的Swin Transformer的目标检测算法。该模型的骨干网络基于Swin Transformer改进,在这里使用了一种新的规范化方式,称为“后规范化”,这种新的方式会在整个网络产生更温和的激活值,然后将骨干网络与特征金字塔结合,获得不同尺度上的特征表示,从而能够更好地适应不同尺度的目标或图像变化。

关键词： RGB通道   抠图   曲线调整   通道混合器   通道计算  

摘要： 通道作为图像信息的载体,是Photoshop的核心功能之一,在图像处理中发挥着重要作用,尤其是在调色和精确选区方面。文章以RGB通道为例,阐述了其技术原理,并结合实例分析了RGB通道在图像抠图和调色中的应用方法和应用技巧。

关键词： YOLOv3   目标检测   注意力机制   CIOU损失  

摘要： 家禽产业的发展依赖于精确高效的家禽部位目标检测技术,但当前该技术面临家禽生物多样性和生长变化性使目标特征提取困难、检测环境复杂导致检测工作难度增加等问题的挑战。针对家禽分拣中鸡的部位目标检测问题,本文提出一种名为AM-CIOU-YOLOv3的改进算法。该算法采用轻量化的Darknet-53骨干网络,力求高效提取目标特征;同时,该算法还引入双重注意力机制,即SE(Squeeze-and-Excitation)模块和STN(Spatial Transformer Network)模块,依据输入数据特征和上下文信息分配权重,聚焦关键部位特征并过滤干扰信息。此外,还将IOU损失替换成CIOU(Complete IOU)损失,借助多维度信息融合精确评估预测框与真实框的匹配程度。通过仿真实验将AM-CIOU-YOLOv3算法与YOLOv3、Faster R-CNN、YOLO和SSD等算法进行对比,结果表明AM-CIOU-YOLOv3算法在准确率、召回率、F值以及识别时间等方面具有显著优势,该算法能够充分满足鸡部位识别的实时性和精准性要求,可为相关家禽部位的识别工作提供有效的技术支持。

关键词： 深度学习   目标检测   特征融合   注意力机制  

摘要： 针对自动驾驶感知任务中由于道路环境复杂、车载雷达和摄像头数据融合不充分导致的一些高危险性动目标检测效果过差的问题,本文在Centerfusion的基础之上设计了一种雷达和视觉多层级信息融合的目标检测网络MLFusionNet。首先在输入层增加了数据级融合,将雷达回波特征以像素值的形式和图像进行拼接后再通过一个二级残差融合模块输入到编解码网络,丰富了网络的输入信息;然后在骨干网络的编码器和解码器之间设计了一种瓶颈结构的上下文模块,通过多分支的卷积结构获取特征图中更广泛的上下文信息,并通过压缩通道的方式降低参数量;最后设计了一种并行注意力融合模块,解决了特征级模态融合不充分的问题。在nuScenes数据集上的实验结果表明MLFusionNet的NDS达到了46.6%,相比较多模态网络Centerfusion汽车、卡车和行人的mAP分别提升了1.4%、3.0%和1.5%,说明网络更加关注驾驶环境中的高危险性动态目标。

关键词： 合成孔径雷达   舰船目标检测   YOLOv7   坐标注意力机制   NWD度量  

摘要： 为了解决SAR图像舰船目标检测的现有主流算法中图像模糊、缺乏纹理特征而导致的目标检测精度低和小目标检测难度大等问题,同时考虑不引入过多参数量以免影响网络实时性,提出了一种基于坐标注意力机制和NWD度量的改进YOLOv7的SAR图像舰船目标检测方法。首先,该方法在坐标注意力机制中引入了最大池化和残差结构,以提高模型特征提取能力;其次,将密集连接和轻量化卷积相结合,设计了SPPCSPC-P模块,以增强特征间的融合;另外,在主干网络中增加了小目标检测层,以改善模型对小目标检测精度低的问题;最后,利用NWD度量和CIoU损失设计了加权定位损失函数,进一步提高了模型检测精度。利用SSDD数据集进行实验,实验结果表明,所提方法的平均精度达到了98.38%,高于YOLOv7网络2.09个百分点。