关键词： 计算机视觉   图像去雨   多尺度   生成对抗网络   渐进递归  

摘要： 为了解决传统生成对抗网络（GAN）在去雨问题中因网络容量不均衡而表现不佳的问题，提出了一种基于渐进递归的生成对抗单幅图像去雨算法。该方法采用了渐进递归模块生成器和多尺度特征模块鉴别器，旨在提高生成器效率并增强鉴别能力。渐进递归模块通过融合多尺度特征并构建渐进递归结构，不仅减轻了网络参数的负担，也提高了生成器的效率。与此同时，多尺度特征模块有助于鉴别器从局部和全局两个层面提取特征，从而增强了其鉴别能力。实验结果表明：相较于现有算法，本文算法在Rain100L数据集上峰值信噪比（PSNR）和结构相似性（SSIM）指标提高了1.11%和1.16%；在Rain100H数据集上将指标分别提高了3.28%和1.01%；在真实数据集上，本文算法在去雨任务中表现出色，成功地保留了大部分细节特征。这些实验结果充分验证了本文算法的有效性和鲁棒性。

关键词： 胶凝材料   背散射电子图像   能谱图像   微观表征   图像处理  

摘要： 背散射电子(BSE)与能量色散X射线谱(EDS)图像分析技术凭借其出色的二维空间分辨能力，已成为表征土木工程材料微观结构的重要技术手段。本工作提出一种标准化的图像预处理策略，通过整合BSE图像和同视场的定性与定量EDS元素面谱，建立以超像素为基本分析单元的多模态数据集，有效克服孔隙存在及特征X射线与样品相互作用体积过大对物相识别的影响。结合降维和聚类算法，开发可解释的BSE-EDS图像分析模型，实现水泥矿渣复合胶凝体系物相组成的自动化分类。基于Glue平台构建多视图交互分析技术，实现化学元素特征、物相含量分布和离子迁移路径的可视化、同步、联动表征。基于PHATE(Potential of heat-diffusion for affinity-based trajectory embedding)图像构建物相网络拓扑图，通过节点-连接拓扑关系量化物相演化动态特征。最终形成以EDS图像为核心、BSE图像为辅助的智能分析范式，实现化学模态(元素组成、物相类别)与空间模态(孔隙分布、物相分布)的协同定量表征，达成“单次独立微观表征-多模态特征融合分析”的技术愿景，为胶凝体系反应机理研究及微观结构动态演化分析提供较为综合全面的技术支撑。

关键词： SAR图像   目标检测识别   实时信号处理平台   DSP并行实现  

摘要： 合成孔径雷达(Synthetic Aperture Radar,SAR)以其全天时、全天候、高分辨的独特优势,已广泛应用于军事侦察、地质勘探、灾害监测等多个领域。SAR图像的目标检测与识别作为SAR技术应用的核心环节,具有重要的研究价值和实际应用需求。现有的检测识别方法尽管能达到较高的准确率,但在资源有限的信号处理平台上部署困难,难以实现实时处理。因此,研究适合信号处理平台部署的SAR图像实时目标检测识别方法具有重要的理论意义和实际应用价值。 本文以在TI TMS320C6678多核DSP平台上高效部署SAR图像实时目标检测识别算法为研究对象,重点开展了检测识别算法设计、实时信号处理平台的开发调试以及基于多核DSP平台的算法实时实现和优化三个方面的研究。主要研究内容如下: (1)研究并提出了一种引入局部统计特征与梯度增强的谱残差目标检测模型,提升了对SAR图像中目标的检测能力;研究了一种基于范数约束的稀疏主成分分析特征提取方法,并与支持向量机相结合,实现了对目标的高效识别与分类,通过仿真实验验证了所提算法模型的准确性和鲁棒性。 (2)设计并开发了一套基于VPX架构的6U6槽实时信号处理系统,完成了实时处理板卡的软硬件设计、存储管理及高速通信接口设计,通过调试与实验验证该处理平台满足SAR图像检测识别任务的实时性要求。 (3)提出了一种面向多核DSP平台的算法并行优化策略,包括基于数据并行与基于核间通信中断的多核并行架构设计,以及功能级和代码级优化方法,成功实现了SAR图像目标检测与识别算法的实时并行化部署。 本文通过理论分析、软硬件平台设计和实验验证,证明了所提出的算法模型与实时处理系统在SAR图像目标检测识别领域的有效性和实时性,为进一步开展SAR图像处理技术研究奠定了良好的理论与实践基础。

关键词： 机载双基地雷达   高速目标   非理想条件   相参积累   目标检测  

摘要： 机载双基地雷达由于收发分置、双平台可独立自由运动,具有机动灵活、适应性强、观测范围广泛等特点,对于提升高速机动目标的积累检测性能具有重要价值。然而,机载收发平台与高速机动目标之间的相对运动会导致距离走动与多普勒走动产生。同时,由于运动误差、时间同步误差等非理想条件的影响,导致机载双基雷达回波包络和相位存在误差,给信号积累检测带来困难。 本文围绕非理想条件下(存在运动误差或时间同步误差)机载双基地雷达信号积累检测问题,进行了模型构建、算法设计、仿真验证等工作,主要内容及创新如下: 1、搭建了运动误差和时间同步误差下机载双基地雷达回波模型,并分析了回波特性。首先,基于三维空间中机载发射平台、机载接收平台以及目标的几何关系,推导了机载双基地雷达系统理想距离历史、仅存在运动误差和同时存在运动误差和时间同步误差下的实际双基距离历史数学方程,进而构建了运动误差/时间同步误差下的雷达回波信号模型,分析了运动误差和时间同步误差对回波信号的包络影响和相位影响。 2、围绕存在运动误差时的机载双基雷达目标信号积累检测问题,研究了一种基于改进RFRFT(Radon-Fr FT,RFRFT)的运动误差补偿与信号积累检测算法;联合搜索多个维度的运动参数,校正距离走动和多普勒走动,并进行运动误差补偿,实现了对多脉冲回波信号的相参积累,便于目标检测。 3、针对运动误差、时间同步误差同时存在下的机载双基雷达目标信号积累检测问题,提出了基于广义Radon变换和改进匹配滤波处理(Generalized Radon Transform-Improved Matched Filtering Process,GRT-IMFP)的信号积累检测算法。该方法不仅补偿了机载收发平台与目标相对运动产生的距离走动和多普勒走动,并同时补偿了机载平台的运动误差和时间同步误差引起的相位差异,进而实现了目标回波信号能量的有效积累。

关键词： 同时定位与地图构建   物体遮挡   目标检测   运动判断   背景修复  

摘要： 针对传统同时定位与地图构建（SLAM）算法在动态遮挡场景下存在的被遮挡物与动态目标边缘区分模糊、动态特征点误判导致静态特征点不足及跟踪丢失问题，提出一种基于改进YOLOv6s网络的SLAM算法。首先，通过YOLOv6s网络跟踪动态目标并提取语义信息，实现动态目标边界的精准识别与分割。其次，系统同时提取点特征与线特征，并结合改进的Z-score评分机制与对极几何约束筛除动态特征点，保留高质量静态特征点。然后，基于双向映射背景修复模型填补被剔除区域的静态信息，以增强关键帧特征完整性。最后，在TUM公开数据集上进行实验。实验结果表明，相较于DynaSLAM算法，所提算法在动态遮挡场景下的平均绝对轨迹误差降低14.29%，在地图构建质量与轨迹精度方面表现优越。

关键词： 施工安全   深度学习   计算机视觉   智能识别  

摘要： 军事工程施工环境复杂，人员操作频繁，易引发安全事故，影响施工效率。为有效识别和预防安全隐患，提出了一种基于计算机视觉和深度学习的不安全行为智能识别方法。针对施工现场人员和机械目标小、易漏检或误检的问题，改进了YOLOv8算法，并构建专门的多目标检测模型；通过目标检测技术和坐标转换算法，有效识别多种施工安全隐患；对比试验结果表明，改进模型在3种常见施工数据集上的平均识别精度分别提升了7.06%、14.32%和5.32%。

关键词： 深度学习   安检危险物品检测   注意力机制   目标检测  

摘要： 如今的公共交通体系里,乘客数量不断攀升,安检系统承受的压力与日俱增。目前,安检主要依靠人工检查,这种方式不仅会受到人力资源的制约,还会受到安检人员疲劳因素的影响。在工作强度较高的环境下,容易引发漏检或误检的状况。深度学习的目标检测方法,能够高效、精准识别与分类图像中物品,正逐步应用于违禁品识别领域。本文从安检图像中重叠违禁品检测、安检图像中小目标的检测以及安检模型的轻量化方法三个角度进行了深入研究。本文依据改进的违禁品检测模型,设计并成功实现了一套违禁品辅助识别系统,旨在满足实际应用场景中的需求。具体研究内容如下: 1)针对安检图像识别时重叠违禁品检测精度欠佳的问题,本文提出了改进的重叠违禁品检测模型MAM-YOLO。首先,研究设计了一种多注意力模块,该模块通过注意力处理机制,结合自适应路由策略,增强目标检测算法对重叠物体的定位能力,进而提升检测准确率。其次,针对安检图像中违禁品存在重叠的状况,提出排斥损失函数Repulsion Loss,有效减小预测框和真实框间的偏差,提升检测的准确性和可靠性。最后,通过实验对比,相较于基准模型YOLOv8n,mAP提升了2.4%,验证了模型的有效性。 2)针对小目标检测精度低问题,提出改进的FC-YOLO小目标违禁品检测模型。一是构建多尺度分层特征融合的四路检测框架提升小目标识别能力;二是在C2f模块引入CBAM注意力机制构建C2f-CBAM模块,强化关键特征提取效果。通过实验验证模块有效性,在OPIXray和Hi Xray数据集上,FC-YOLO的m AP较YOLOv8n分别提升了2.8%和3.2%。 3)针对于安检图像识别时,因模型参数量多、计算量大而无法实际应用的状况,构建了轻量化TPC-YOLO模型。在主干网络中设计并运用基于异构与分组模式的三路径并行卷积结构,同时引入轻量级注意力模块提升准确率。实验结果表明,改进后的模型性能优异,在没有GPU加速的情况下,检测准确率达89.9%,速度为10.32FPS,满足安检工作对准确率和实时性的需求。其次,设计并实现了基于Pyqt5的安检违禁品辅助识别系统,搭建的检测系统能满足检测可视化的需要。

关键词： 深度学习   计算机视觉   语义分割   杂草识别   图像处理  

摘要： 杂草是影响作物生长的重要因素之一,其与作物的竞争直接导致了作物产量的下降。传统的除草方法主要采用大面积喷洒除草剂,该方法不仅效率低下,而且容易造成环境污染和生物多样性损失等问题。开发高效、精准的杂草识别技术以实现精准喷施对于促进现代农业的效率提升和可持续发展具有重要意义。深度学习技术的快速发展以及在众多应用领域的卓越表现,为精准、高效的杂草识别提供了新的解决方案。 本文在研究基于深度学习的杂草识别算法的基础上,针对当前杂草识别方法中存在的数据标注量大、模型泛化能力弱、计算资源需求高等问题,提出了一种间接杂草识别方法。针对该方法设计了两种作物分割网络,实现了在资源有限的条件下对杂草的高效、精准识别: (1)本文融合语义分割与图像处理技术提出了一种创新的间接杂草识别方法。该方法首先使用分割网络生成作物掩膜,并将其从图像中去除;然后通过图像处理算法对剩余的绿色区域进行识别与标记,将其判定为杂草。该方法可以有效避免对杂草进行识别、标注的难题,显著增强模型的复用性和泛化能力。实验结果表明,在复杂农田环境下,本方法能高效且准确地识别、定位不同种类和密度的杂草,具有较高的鲁棒性。 (2)为了降低杂草识别算法的计算资源消耗,本文基于YOLOv5框架设计了一种高效作物分割网络(Efficient Crop Segmentation Network,ECSNet)。首先,采用EfficientVit＿S作为骨干网络来更高效地提取复杂背景中的关键信息;然后,在颈部结构中融合渐进式特征金字塔和十字交叉注意力模块来增强网络对多尺度目标的处理能力。实验结果表明,ECSNet在作物分割任务上显著提高了分割精度和计算效率,在多项评估指标上优于现有的分割识别方法。 (3)为满足杂草识别的实时性需求,本文提出了一种轻量化白菜分割网络(Lightweight Cabbage Segmentation Network,LCSNet)。LCSNet基于YOLOv8架构进行设计,采用轻量级骨干网络Vanilla Net＿L和C2f＿Ghost模块,显著减少了模型的参数量和计算复杂度。另外,通过引入渐进式特征融合技术替代传统的FPN+PAN结构,在保持高精度的同时有效提升了推理速度。实验结果表明,LCSNet在作物分割任务中的性能超越现有的基线模型,并在提高推理效率的同时,大幅降低了模型体积和计算开销,使得模型更适用于计算资源受限条件下的应用场景。