关键词： 无人船   目标检测   激光雷达   YOLOv7-tiny   注意力机制   可变形卷积  

摘要： 针对近岸复杂环境和目标部分遮挡条件下海面目标检测易出现目标漏检和虚警的问题,提出了一种激光雷达与机器视觉融合的海面目标检测方法。首先,设计了一种基于注意力机制与可变形卷积的特征提取模块,提高YOLOv7-tiny网络对海面障碍物目标特征的提取能力,从而降低近岸复杂背景干扰导致的漏检率和虚警率;然后,将激光雷达聚类结果和改进的YOLOv7-tiny网络模型预测结果进行融合,降低目标部分遮挡导致的漏检率;最后,在海面目标检测图像数据集上进行实验验证,结果表明,与原YOLOv7-tiny网络模型相比,改进YOLOv7-tiny网络模型的mAP提升了3.8个百分点,在目标部分遮挡场景下用实船实验数据进行验证,与NMS算法相比,所提融合方法的漏检率降低了6.9个百分点,验证了所提方法能够在近岸复杂环境和目标部分遮挡场景下,降低海面目标检测的漏检率和虚警率。

关键词： 计算机视觉   RT-DETR   FasterNet   注意力机制   高水平筛选特征金字塔  

摘要： 水下目标检测技术在海洋探测中具有重要的现实意义.针对水下场景复杂,以及存在遮挡重叠导致目标特征提取有限的问题,提出了一种适用于水下目标检测的FERT-DETR网络.该模型首先提出了一种特征提取模块Faster-EMA,用于替换RT-DETR中ResNet18的BasicBlock,能够在有效降低模型参数量和模型深度的同时,显著提升对水下目标的特征提取能力;其次在编码部分使用级联群体注意力模块AIFI-CGA,减少多头注意力中的计算冗余,提高注意力的多样性;最后使用高水平筛选特征金字塔HS-FPN替换CCFM,实现多层次融合,提高检测的准确性和鲁棒性.实验结果表明,所提算法FERT-DETR在URPC2020数据集和DUO数据集上比RT-DETR检测准确率提高了3.1%和1.7%,参数量压缩了14.7%,计算量减少了9.2%,能够有效改善水下复杂环境中不同尺寸目标漏检、误检的问题.

关键词： 夫琅禾费衍射   杨氏模量   图像处理  

摘要： 杨氏模量测量一直是大学物理实验中的一个很重要的实验项目,本文利用单缝衍射装置将简支梁的挠曲度转化为狭缝缝宽的变化量,从而得出梁体的杨氏模量。为提高装置的测量精度和数字化程度,采用CCD相机对衍射光斑进行拍摄,并利用数值软件对拍摄图片进行处理得到衍射光斑的宽度和狭缝宽度,从而得到待测物的杨氏模量。该测量方案实验原理清晰合理,实验测量精度较高,同时将力学与光学进行交叉融合,能有效拓展学生思维能力,培养学生创新能力,使学生更深入理解光的衍射原理及杨氏模量的测量方法;同时本实验使用数值软件对图像进行处理而得到实验结果,使实验操作更加高效智能。

关键词： 继保护装置   YOLOv5s   目标检测   型号识别   深度学习  

摘要： 【目的】在工业自动化和电力系统中,继电保护装置是确保电力系统安全稳定运行的关键组件。为保证设备的正常测试和维护,需要准确识别继电器型号。因此,提出一种基于YOLOv5s的继电保护装置型号自动识别方法。【方法】通过自制数据集,并利用YOLOv5s的高效目标检测能力,结合多尺度特征融合图像处理技术,实现对继电保护装置型号的自动识别。【结果】对系统进行实验测试,结果显示,该方法在继电器型号识别任务中的准确率和召回率分别为90.3%和85.6%,能满足实际应用需求。【结论】该方法不仅提高了设备测试和维护的效率,还为电力系统的安全稳定运行提供了可靠的技术支持。

关键词： 路面工程   路面病害   目标检测   YOLOV7   轻量化   注意力机制   损失函数  

摘要： YOLOV7用于路面病害检测存在参数冗余、检测效率较低、模型体量过大等问题.为了解决上述问题,利用MobileOne网络代替原有主干特征提取网络,引入轻量坐标注意力模块Coordinate Attention(CA)到网络中,提出了基于GSConv的YOLOV7 Slim-Neck,并通过重参数思想融合模型运算过程,使用Focal-EIoU Loss替代CIoU Loss以解决样本分类不均衡的问题.研究结果表明:引入Focal-EIoU Loss后能够平衡样本的不均匀性,加快模型的收敛;MobileOne网络在减少模型参数的同时提高了模型的精度;CA模块加强了模型的特征提取能力;Slim-Neck在保证学习能力的同时,大幅减少模型参数;相较于传统的YOLOV7架构,所提出的模型参数量减少了78%,图像处理速度是原来的3倍,m AP性能指标上升1.71%,F分数上升0.022.该轻量化模型便于移动平台部署,具有明显的工程应用优势.

关键词： 水坝   难分负样本   大清河流域   CenterNet网络   目标检测  

摘要： 水坝的检测对于城市规划、生态环境评估等有着重要意义。目前基于遥感的水坝检测研究主要是基于样本集的算法改进或在小区域上的检测,缺乏在大尺度地学区域的实践应用。而在大区域中,水坝分布稀疏,地表存在更多的桥梁等地物会对水坝的检测形成显著干扰。为应对这一问题,该文以大清河流域为例,研究大尺度区域内的水坝遥感检测。该文研究主要分为2个阶段,第一阶段是将容易与水坝混淆的桥梁作为难分负样本(即容易产生假阳性的样本)参加训练,基于DIOR公开数据集改进适合于水坝提取的神经网络结构;第二阶段是基于优化后的网络以及大区域多源样本数据进行微调训练获取模型,并实现大清河区域的水坝检测。优化后的模型在第一阶段测试中水坝检测F1分数为0.783,在第二阶段大清河流域检测得到了330处水坝,其结果与现有公开的水坝空间分布数据集GRandD相符,且更为详细。结果表明,结合桥梁样本优化训练后的模型可以有效避免对桥梁的误提取,从而提高检测精度。

关键词： 深度学习   目标检测   对抗样本   梯度攻击   全局扰动  

摘要： 当前,基于深度学习的目标检测技术得到了快速发展,像YOLOv8等先进的目标检测器在自动驾驶等领域得到了广泛的应用。根据研究表明,此类目标检测器很容易受到对抗样本的攻击。本文针对当前先进的YOLOv8目标检测器的网络结构设计了一种不可察觉的全局扰动攻击方案Adam-TOG,该方案在梯度迭代攻击的基础上引入了Adam算法作为优化方案,很好的解决了梯度迭代过程中优化算法容易陷入欠佳的局部最优解的问题,进而提升了方案的攻击效果。实验结果表明,本文的攻击方案可以使YOLOv8目标检测器在VOC数据集上的检测精度下降至26%,相较于基线方案TOG(Targeted Adversarial Objectness Gradient Attacks)攻击成功率提高了15%,这充分说明本文提出的攻击方案的高效性。

关键词： SAR图像   二值化分割   卷积神经网络   目标检测  

摘要： 论文基于公开的SAR图像数据集,针对目标特征将目标检测划分为目标定位和分类识别两个阶段,利用二值化分割方法进行目标定位,基于卷积神经网络构建分类系统实现目标识别。针对数据集样本少的问题,采取多种方式进行数据集扩充,相关实验证明综合目标检测性能较好,为SAR图像目标检测提供了一种可行的方法。

关键词： 图像处理   AI技术   神经过滤器   内容感知填充   生成对抗网络  

摘要： AI技术在图像处理领域的应用日益广泛,包括自动选择、智能裁剪、内容感知填充、图像增强、神经过滤器及生成对抗网络等技术。自动选择工具通过智能识别,简化复杂图像处理步骤。根据构图自动调整智能裁剪区域。内容感知填充可去除无需的对象,自然填补空白。图像增强工具优化色彩与细节。神经过滤器基于卷积神经网络提升图像处理质量,广泛用于色彩添加、背景替换等场景。生成对抗网络(GAN)推动图像生成技术,实现从文本到图像的创造。这些技术不仅提高处理效率,也扩展创意设计的可能性。

关键词： 微塑料目标检测   YOLOv10   小目标检测   轻量级卷积  

摘要： 针对微塑料污染监测中的小目标检测问题,为了提高检测的准确性和效率,提出了一种基于YOLOv10的微塑料检测算法。采用轻量级C2SDCB模块替代C2f和C2fCIB模块,增强特征提取能力,利用DFformer注意力机制,提高模型对小目标和复杂背景的识别能力。在标准化微塑料检测数据集进行实验,结果证明改进后的算法准确率、召回率、50%的IoU阈值下的平均精度分别提升了12.9%、5.7%、4.8%,计算量降低,泛化能力和对复杂背景下的小目标的识别精度明显改进。该算法为其他领域的小目标检测任务提供了参考价值。