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： 深度学习   低空视角   YOLO   目标检测   特征融合   密度估计  

摘要： 当今数字化时代,随着算力的飞速提升与人工智能技术的不断突破,计算机视觉领域迎来了发展的黄金时代,目标检测作为计算机视觉领域的重要研究之一,也取得了显著的进展,多种创新性的目标检测算法层出不穷。低空视角下的目标检测具有独特的应用场景与使用优势,广泛应用于安防监控、低质勘探、航空航天等领域。由于低空视角下的目标与自然视角下的目标的尺度存在差异,且更易受到环境干扰,通用的目标检测算法无法有效的应用在低空视角下的目标检测任务中。本文深入研究低空视角下目标的特性和现有目标检测算法存在的检测缺陷,如易受复杂环境干扰、模型参数量较多、高密度区域检测效果差等问题,提出一系列针对性的改进策略,使改进后的目标检测算法能够有效的应用于低空视角下目标检测任务中。本文的主要研究内容如下: (1)对训练使用的数据集进行低空视角下复杂环境的模拟,通过引入多种天气条件、运动模糊和随机噪音,显著增加样本的复杂性,这一举措使模型在训练阶段充分学习潜在的复杂情况,从而在实际应用中提升检测精度可靠性。在算法结构方面,引入K-means++聚类算法分析数据集,生成更适合低空视角下目标尺度的候选框。设计一种轻量化多尺度特征融合模块,引入跨尺度特征交互机制,强化小尺度目标特征的重要性同时减少模块参数量,解决了小尺度目标特征在模型学习过程中易被忽视的问题,显著提升了模型对于小尺度目标的检测精度。 (2)针对低空视角下目标背景复杂,干扰物众多的问题,在模型颈部网络引入3D无参注意力机制,结合能量函数,通过空间-通道维度自适应增强关键特征响应。改进非极大值抑制算法,引入Soft NMS算法,动态调整检测框的置信度,有效减少了模型对于小尺度目标的漏检问题。本文对上述改进方法分别进行对比实验与消融实验,验证改进方法的优势同时明确各改进策略对于模型性能的独立贡献,实验结果表明上述改进措施在目标检测模型的精度或速度方面均有所提升。 (3)针对低空视角下密集区域与远景区域目标检测效果差的问题,提出一种由密度估计网络引导的目标检测算法。设计自适应高斯核尺寸,根据不同尺寸的目标动态调整高斯核的大小和标准差,从而实现目标密度图预测。使用掩膜法与最小外接矩形法,对生成的密度图中密集区域和远景区域进行剪裁,将剪裁后的图片进行自适应上采样,以提高图像分辨率。将剪裁后的图像分别送入目标检测网络中,检测结果与原图检测结果相融合。最后,通过非极大值抑制算法删除多余的候选框,得到最终的检测结果。本文设计对比实验并展示可视化检测效果图,验证了该方法能够有效的提高低空视角下密集区域与远景区域目标的检测效果。

关键词： PCB缺陷检测   YOLOv5   目标检测   注意力机制   损失函数优化  

摘要： 随着电子产品向高精度、高密度和小型化方向发展,印刷电路板(Printed Circuit Board,PCB)作为电子设备的核心组件,其制造质量直接关系到产品的稳定性与可靠性。传统的人工目视检测与自动光学检测(Automated Optical Inspection,AOI)在面对复杂背景、小目标缺陷和环境干扰时,易产生误检和漏检,已难以满足现代工业对高效和精准检测的需求。因此,基于深度学习的目标检测技术为PCB缺陷检测提供了更具智能化的解决思路。 本文围绕PCB缺陷检测中的小目标识别困难、特征提取能力弱和实时性要求高等问题,对YOLOv5s模型进行了结构优化,提出一种改进模型YOLOv5-pbe,并基于该模型设计实现了一套高效实用的PCB缺陷检测系统。研究内容主要包括: 1.数据预处理与增强:针对数据样本有限和缺陷特征不明显问题,采用图像锐化和阈值分割等方法增强图像对比度,强化缺陷区域特征:同时结合YOLOv5原生的数据增强策略,提升数据分布多样性和模型泛化能力。 2.模型结构优化:提出YOLOv5-pbe模型,实施四项关键改进: (1)在主干网络中引入点基自注意力机制(Point-wise Self-Attention Mechanism,PSA),增强对关键区域特征的提取能力; (2)将PANet替换为BiFPN,提高多尺度特征融合效果,优化对微小缺陷的感知能力; (3)增加P2高分辨率检测头,提升对小目标的检测精度; (4)将损失函数从CIoU替换为EIoU,提高边界框回归准确性。 3.检测系统设计与实现:基于PySide6、Open CV和Py Torch等,开发集图像检测、视频检测和摄像头实时检测于一体的检测系统。系统支持模型推理、缺陷标注展示和结果存储等,具备良好的交互性与工业适用性。 4.实验验证与性能评估:在实际数据集上,通过消融实验与对比实验对模型性能进行测试。结果显示,YOLOv5-pbe在检测准确率、召回率和m AP@0.5等指标上均优于YOLOv4、YOLOv7、YOLOv8等主流算法,最终达成98.8%的检测精度、95.4%的召回率和97.2%的m AP@0.5;推理速度达30 FPS,具备良好的实时性和部署价值。 综上所述,本文提出的YOLOv5-pbe模型及检测系统在工业PCB缺陷检测中表现出卓越的精度与效率,具备良好的推广应用潜力。未来可进一步开展模型轻量化、跨平台部署及多类型缺陷融合检测等研究,以提升系统的普适性与智能化水平。

关键词： 小样本学习   目标检测   罐口定位   数据增强   共性蒸馏   注意力机制  

摘要： 随着人工智能技术的迅速发展,机器视觉逐渐成为工程数字化与自动化的热门技术,被广泛应用于工业场景。然而,在散装水泥罐车罐口识别任务中,由于目标结构特殊且环境复杂,训练样本获取困难,导致常规目标检测方法难以直接应用。尽管小样本目标检测(Few-Shot Object Detection,FSOD)能够缓解样本稀缺问题,但是在现实中,不同的目标检测领域,要识别的目标不同,由于罐车罐口与其他类别的相似度降低,也就是基类(base classes)与新类(novel classes,如罐口)之间的语义差异显著,基类知识向新类迁移的效率较低,模型泛化性能受限。本文针对以上问题出发,对散装水泥罐车罐口识别技术进行研究,主要内容如下: 1)针对小样本数据不足的问题,首先构建了散装水泥罐车罐口专用数据集,涵盖多视角、多光照条件的图像并完成精细标注;其次,通过改进数据集映射器,改变数据加载模式,通过动态增强提升训练多样性;提出自适应多尺度特征融合增强方法(Adaptive Multi-scale Feature Fusion,AMFF):通过构建特征金字塔对单图像进行跨层融合,同时对双图像执行标注框对齐、特征层匹配与语义融合,生成兼具目标特征增强与背景噪声抑制的新样本。得到的不同融合结果的图像,可以达到图像生成、特征增强、背景去噪的目的,以此来增强模型目标检测的能力。实验表明,该方法使HTRPN模型在罐口数据集上的检测精度显著提升,nAP、nAP50、nAP75三个指标分别能够提升4.8%、6.0%和6.6%的精度,验证了该方法的有效性。 2)针对传统知识蒸馏方法在跨域共性提取中的低效问题,本文提出一种改进的注意力增强多方面蒸馏框架(Attention-enhanced Multi-faceted Distillation of Commonality,AMDC)。该框架分两个重要阶段优化:特征提取和共性蒸馏。在特征提取阶段引入软注意力(Soft attention)模块,通过一系列卷积和归一化操作,生成空间注意力权重,用这个注意力权重与特征图相乘,可以使得模型在特征提取的过程中强化目标区域特征;在共性知识蒸馏阶段,利用自注意力(self-attention)机制动态建模基类与新类特征相似性,提升共性知识蒸馏迁移效率。实验证明,改进的注意力多方面蒸馏方法相较原基线方法在nAP、nAP50、nAP75三个指标上分别提升了13.3%、5.5%和18.0%的精度,且与自适应多尺度特征融合数据增强方法相结合使用的模型达到最优性能。

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： 深度学习   高寒草甸   鼠洞   秃斑   目标检测   图像分割  

摘要： 青藏高原是全球生物多样性保护的关键区域,高原鼠兔在青藏高原高寒草甸生态系统中扮演着重要的角色,该物种具有维持食物链稳定、促进土壤养分循环和驱动植物群落演替等重要的生态功能。然而,当其种群数量过度增长时,会导致草地退化、土壤侵蚀等一系列生态问题。特别是在气候变化和栖息地破坏的双重压力下,可能加剧草地生态系统的脆弱性和不稳定性。因此,通过监测鼠洞数量和秃斑面积及其空间分布,对高原鼠兔种群进行科学调控和管理,维持高寒草甸生态系统的平衡与健康至关重要。 传统的高寒草甸鼠害监测方法往往依赖人工调查,存在效率低、精度差的局限性。因此,本文采用深度学习技术,以自建的鼠洞、秃斑数据集为对象,探索高原鼠兔鼠洞数量及秃斑面积的自动化识别方法,为鼠害评估和草地修复提供科学依据。本文的主要工作分为以下几个方面: (1)构建鼠洞、秃斑图像数据集。2023年采用无人机平台获取了20 m航高的图像数据集,2024年进一步扩充了数据样本,利用无人机获取了10 m和30m两个航高的图像数据,各航高均包含314张高质量图像,对所有数据集进行裁剪后手动标注。然后,根据实验要求对不同高度的数据集进行不同的数据增强方法,构成目标检测数据集和图像分割数据集。 (2)提出一种基于改进YOLOv5s的鼠洞、秃斑检测方法。针对草原图像背景复杂,且鼠洞和秃斑的检测易受阴影、光照等因素干扰的问题,提出一种改进的YOLOv5s模型,即GS-YOLO。GS-YOLO引入全局注意力机制,提高模型对目标的关注度,减少复杂背景的干扰;添加小目标检测层,增强模型对小目标的识别和定位能力;使用Focal-EIo U代替原有的CIo U损失函数,通过动态调整难易样本的权重,有效提升模型在难易样本不平衡情况下的检测性能。最终实验结果表明,改进后的模型具有较好的性能。其平均精度均值较原始模型提高了7.5%。最终利用GS-YOLO模型对实际样地的鼠洞和秃斑进行检测和计数。 (3)提出一种基于改进UNet的秃斑分割方法。针对秃斑形状大小不一、边缘复杂等特点,在模型训练中存在样本不均衡的问题,提出一种改进的网络架构W-UNet。W-UNet采用VGG16作为主干网络,增强全局上下文和高层次语义特征的提取能力;在跳跃连接中引入坐标注意力机制,优化特征融合并提升目标定位精度;在解码器中使用小波变换卷积,结合频域和空域信息恢复高分辨率特征图,改善小目标和细节的分割效果;同时,采用Focal Loss与Dice Loss的组合损失函数,解决类别不平衡问题并优化分割精度。实验表明,W-UNet相较于基础网络UNet,其MIo U和MPA分别提升了4.2%和7.3%,说明W-UNet在复杂草原环境下能够对秃斑进行有效分割。最终利用W-UNet模型对实际样地的秃斑进行分割并计算秃斑占比,判断其是否超过防治阈值。

关键词： 自动驾驶   深度学习   目标检测   注意力机制   特征融合  

摘要： 在自动驾驶、无人机和机器人等领域,目标检测是实现环境感知和自主决策的关键技术。然而,基于单一模态数据的目标检测算法难以应对不同场景的需求,无法保证检测系统的准确性和稳定性,而利用不同模态数据进行目标检测,共同提供环境中信息,是目标检测领域的研究趋势。本文以深度学习理论为框架,针对道路目标检测中,对于小目标检测精度低的问题,分别以YOLOv11和Point Pillars算法为基础,采用注意力机制和特征融合算法融合到特征提取网络中,提升算法在交通应用场景中的检测精度。本文研究内容如下: (1)在基于图像的目标检测中,对于一些远景目标,由于其尺度小、特征弱的特点,卷积神经网络往往需要将多个卷积层级联,才能逐步捕捉这种远距离依赖,这导致信息传递不够直接和有效,另外,CNN操作也可能会丢失一些位置信息。针对这个问题,提出了基于Transformer结构的特征提取网络,该模型将YOLOv11特征提取网络中P3-P5卷积结构替换成级联组注意力结构,通过将图像序列先通过深度可分离卷积先进行分组预处理,再将分组后的序列输入至级联注意力网络,计算分配注意力权重,提升模型特征提取能力。其次,针对改进特征提取网络在每一层提取到过多的初级特征的问题,设计了基于SEAM注意力机制的检测头,直接利用提取到的高质量特征。改进后的检测头为每个尺度的特征图分配一个权重,对不同尺度特征图进行加权并融合,减少冗余特征的干扰,增强模型的判别力和定位精度。实验结果表明,相对于YOLOv11模型,改进模型m AP@50值提升了约2.85%,m AP@50-95的值提升约4.68%。 (2)针对光照条件不理想或者目标物体被遮挡等复杂交通环境中,基于图像的目标检测算法的检测精度下降等问题。采用基于点云数据的目标检测算法Point Pillars进行场景中的车辆行人检测。针对Point Pillars算法中的二维CNN提取伪图像特征时,特征提取能力弱的问题。设计了一种基于CA注意力机制的特征提取模块,通过建模水平和垂直方向的特征信息,使得模型可以捕捉到跨越整个特征图的特征依赖关系,增强了特征提取能力。另外,还设计了一种基于自适应特征融合的特征金字塔结构,通过将不同特征层的特征进行对齐,对于对齐后的特征图使用卷积操作计算每个特征图的注意力权重并进行归一化处理,使用计算得到的权重对齐后的特征图进行加权融合,得到最终的融合特征图。实验结果表明,相对于基础的Point Pillars模型,改进后的模型对于物体的检测精度有着明显的提升,在easy检测难度下分别平均提升了2.59%,2.26%,5.55%,在moderate检测难度下分别提升了4.99%,6.47%,4.78%,在hard检测难度下分别提升了4.7%,3.5%,5.48%。 图[31]表[11]参[78]

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。