关键词： 图像去雾   计算机视觉系统   数字图像视频   FPGA硬件  

摘要： 针对在雾霾、沙尘等不利的气候条件下，拍摄照片和视频会受到如对比度下降、色彩失真等严重影响。为了减少不利天气对视觉信息的干扰，该文将对暗通道先验算法进行改进，提出一种优化的加窗加权暗通道先验自适应阈值去雾算法，结合硬件FPGA(field programmable gate array)对图像视频进行去雾，并运用模块化设计的理念，对算法进行硬件级优化，利用FPGA的并行计算特性加速图像视频去雾。实验结果表明，该系统能够高效地还原清晰图片，硬件资源消耗及成本较低，视频帧率稳定在60帧/s，可满足实时性要求。

关键词： 欺骗式干扰   多基地雷达系统   高速目标   干扰识别   相参积累   目标检测  

摘要： 当代电子对抗领域的技术革新中,数字射频存储器(Digital Radio Frequency Memory,DRFM)的突破性应用,推动电子干扰技术实现了从单一噪声压制干扰向多种高保真欺骗干扰的范式转型。该技术通过动态重构电磁环境,显著削弱了战场环境中雷达的生存概率。与此同时,高速运动目标与雷达系统的时变相对运动所引发的距离走动与多普勒走动,给高速运动目标的积累检测带来了挑战。多基地雷达系统凭借其高自由度空间布局和协同探测优势,构建出具备全向感知、多层防御的复合探测网络,显著增强了关键军事设施的电子防护能力。因此,欺骗干扰下多基地雷达高速目标检测技术的研究已成为电子对抗领域的前沿研究方向。 针对欺骗干扰下多基地雷达高速目标检测问题,本文进行了模型推导、方法研究和仿真验证等工作,主要内容以及贡献如下: 1、介绍了DRFM干扰机的基本工作原理,以及干扰信号的产生过程与作用机理,建立了雷达系统中三种典型欺骗干扰的数学模型,并通过仿真实验验证分析了上述干扰对雷达系统中物理目标精准检测带来的挑战。 2、提出了一种距离欺骗干扰环境下的高速目标积累检测方法。首先建立了距离欺骗干扰下的高速目标回波模型,然后利用Radon傅里叶变换(Radon Fourier Transform,RFT)实现了单通道相参积累;随后通过基于熵循环匹配的方法完成多通道相参积累,同时获得了目标和距离欺骗干扰在不同通道中的位置估计信息,进而利用椭圆定位处理完成距离欺骗干扰的精准识别;最后通过仿真实验验证了所提方法的有效性。 3、提出了距离-速度联合欺骗干扰识别与高速机动目标积累检测方法。首先构建了距离-速度联合欺骗干扰环境下的高速机动目标回波模型,然后利用广义Radon傅里叶变换(Generalized RFT,GRFT)实现了多脉冲相参积累;随后通过基于拓扑欧式距离的方法实现了多通道相参积累,并获取了所有通道中物理目标和距离-速度联合欺骗干扰的参数估计值,进而通过双曲线-椭圆联合定位实现了距离-速度联合欺骗干扰的识别;最后进行了所提方法的仿真实验与性能分析。

关键词： 光学测量   数字图像相关   图像特征匹配   改进SIFT算法   图像处理  

摘要： 数字图像相关法是一种基于机器视觉的光学测量方法,其基本原理是通过采集对象变形前后的序列数字图像并进行相关运算来分析出对象的位置与形状变化信息,进而获取其物理力学信息。数字图像相关法具有非接触式、全场测量、光路简单、测量范围方便调整等优点,经过三十多年的发展与改进已被广泛应用于现代工程测量中。为了使数字图像相关法达到实时、高精度的测量水平,对其计算速度与精度的完善一直是研究工作的重点。因此,本文探讨了数字图像相关中的关键问题,对其初值估计方法进行改进,并搭建了一套三维数字图像相关测量系统,进而分别从二维变形测量实验和三维变形测量实验对所提算法和测量系统可行性进行验证。论文主要研究工作如下: (1)介绍了数字图像相关法的基本原理,包括形函数、相关函数和亚像素求解算法,然后提出了一种基于图像特征匹配技术的数字图像相关初值估计方法,即:首先采用圆形窗口改进传统SIFT算法的特征描述区域,并通过实验对比确定加权函数标准差,对窗口内像素点加权生成40维特征描述符;然后获取变形图像特征匹配点对坐标,使用与所在子区相对应的仿射变换来初始估计子区的变形参数,即兴趣点的位移初值估计;最后将估算的位移初值作为亚像素求解算法的迭代初值,优化计算出使相关函数获取极值的兴趣点的精确位移值。根据模拟散斑平移实验和聚氯乙烯树脂材料拉伸实验的结果可知,相较于传统基于SIFT、SURF和KAZE特征匹配的初值估计方法,本文算法在计算精度和效率方面都有更好的表现,兴趣点位移计算准确率可达99.9%以上。 (2)对三维数字图像相关方法中的关键技术开展研究,总结了双目立体视觉成像、相机标定、极线约束和三维重建的原理,并对三种3D-DIC匹配策略进行比较,选取其中精度最高的匹配策略与本文初值估计算法相结合,提出了一种基于改进特征匹配的3D-DIC测量方法。随后选用两个相同型号的相机以及相应硬件组成搭建了一套三维变形测量系统。 (3)通过刚体位移实验和6061铝合金拉伸实验来验证本文三维测量系统的可行性。实验结果表明本文的三维测量系统能够实现材料变形过程中位移数据和应变数据的准确测量,进而能够根据相关变形数据反演出材料的相关力学特性,如弹性模量和泊松比,表明本文三维测量系统运用于材料力学性能测试中的可行性和优越性,具有很高的实际应用价值。

关键词： 目标检测   图像融合   特征级融合   决策级融合   眼部温度检测  

摘要： 体温是评价牛个体健康和生理状况的重要指标,及时准确地检测体温变化对牛养殖和健康管理具有重要意义。传统测温方法通常是用探针插入牛体内测量直肠温度,该方法不仅费时费力、具有创伤性,还可能引发牛只应激反应,导致体温升高,从而影响测量准确性。因此,亟需一种非接触式体温监测技术。基于红外热成像原理及相关研究结论,本文结合可见光图像,提出一种融合红外热图像与可见光图像的牛眼检测与测温方法,以减少单一图像检测可能带来的误差。通过监测牛眼区域温度,替代传统侵入式测温方式,以评估牛只的应激水平、疾病早期迹象或发热情况。在图像融合过程中,本文分别从决策级融合和特征级融合两个角度展开研究。 在决策级融合牛眼检测部分。本文以YOLOv8L为基础模型,在主干网络中引入DWConv卷积替换传统卷积,减少参数量与计算量的同时,增强对牛眼边缘细节的建模能力。在上采样方式中,采用Dy Sample模块动态调整卷积层感受野,以减少信息丢失,使牛眼区域特征更清晰,提升模型的检测精度和鲁棒性。在最终的决策级融合策略中,采用置信度加权融合方法,依据检测结果的置信度得分加权计算,选取综合得分最高的区域作为最终检测结果,最终精确度为98.6%,m AP指标达到了96.5%。 在特征级融合牛眼检测部分,本文采用双分支结构,使用Dark-Swin和Mobile Net分别提取可见光和红外热图像的牛眼特征。可见光分支中,Dark-Swin结合了Dark Net的高效卷积特征提取能力与Swin Transformer的全局特征建模能力,增强了牛眼的细节特征表达;红外热分支中,Mobile Net则以其轻量高效的架构确保牛眼特征提取能力,同时降低计算复杂度,提高模型实时性。特征融合策略则是选取门控机制融合方法,自适应调整可见光和红外热图像特征的贡献比例,提升牛眼检测精度。为进一步增强模型对牛眼区域特征的关注能力,在检测头之前引入NAM注意力机制,通过自适应归一化策略优化特征分布,使模型更聚焦于关键特征。虽然m AP指标只达到了95.5%,但最终模型大小仅为12.24M,是决策级融合模型的1/5,在推理速度更快的同时还具有较高的牛眼检测精度。 在牛眼测温阶段,本文通过对红外热图像提取温度矩阵,并结合牛眼检测结果,计算牛眼区域的温度值。研究结果表明,该方法可有效替代传统侵入式测温方式,为牛只健康监测与疾病预警提供重要参考。

关键词： YOLOv8   渐进特征金字塔结构   尺度变化   数据增强   芒果计数  

摘要： 针对传统目标检测算法在处理多尺度目标时准确率不足的问题，提出一种基于YOLOv8网络的改进算法。通过引入渐进特征金字塔网络（AFPN），来增强模型对多尺度特征的提取能力，使其在识别不同尺寸目标时具备更高的适应性和鲁棒性。同时，结合数据增强技术与优化的训练策略，进一步提升模型的泛化能力。在多个公开数据集上进行实验，结果表明所提算法在目标检测精度方面显著优于Faster R-CNN、RetinaNet和YOLOv8原始网络结构。此外，在自制芒果数据集上的实验表明，所提方法在多尺度目标识别方面表现较突出。所提方法不仅为目标检测算法的优化提供了新思路，而且为农业及其他领域中的多尺度目标检测任务提供了有效参考。

关键词： 机器学习   织针   图像处理   变形检测   模型对比  

摘要： 织针形状不规则、结构精细,但一致性要求极高。为了解决以往人工检测织针一致性的效率低下,以及机器视觉检测织针中出现的程序计算量过大、对图像污点敏感、图像有效特征概况不全面等缺点,提出了一种基于机器学习的织针一致性检测方法。通过对比各类机器学习算法,筛选出最适合织针检测的机器学习模型,实现了更优越的检测织针俯视(前后)方向一致性的功能。本文主要开展了如下工作: (1)明确了基于机器学习的织针检测的总体流程。利用已有的检测设备,拍摄织针俯视(前后)方向图像,去除图像中的噪点,提取图像轮廓,将织针轮廓与模板进行基准定位,最后通过机器学习算法判断待测织针轮廓是否合格,实现俯视(前后)方向检测。 (2)基于工厂实际生产的产品特点,本文提出一种基于机器视觉的标准合格织针模板的制作新方法。基于机器视觉和图像处理技术,获取大量的向前(向后)变形合格织针,并将其轮廓进行定位叠合,再根据叠合图像的实际情况,可最大程度、最贴切地提取出完整的向前(向后)变形标准合格检测模板。该方法创新性在于,基于大量合格织针所制作的模板可以检测织针全部区域并与现实相结合,解决了以往人工检测和机器视觉检测的标准合格织针模板存在的模板不能覆盖织针全部区域、制作向前向后检测模板时缺少实验数据支持、与实际生产不结合等问题和不足。 (3)设计了机器学习模型训练流程,获得了较优的机器学习模型。模型训练的主要流程是先获取大量样本图像,提取样本图像特征,再将图像特征导入各种机器学习模型中进行训练,根据模型评估结果来判断模型的优劣,修改模型参数,最后筛选出评估较好的模型。研究表明,织针检测的较佳检测模型是决策树模型,其准确率为97%。 (4)对织针进行分拣的实验,获得了满意的检测效果。提出漏检和误检的定义,以及漏检率和误检率的计算公式。通过俯视(前后)方向检测实验,一次试验织针误检率为0%,漏检率为0.37%,以50枚/分钟的速度进行检测,能较好地达到检测要求。

关键词： 遥感图像目标检测   多尺度融合   可形变注意力机制   轻量化  

摘要： 在无人机和卫星等遥感设备的广泛应用背景下,本文聚焦于遥感图像目标检测,提出了一种考虑尺度和形变特征的遥感目标检测方法。研究首先深入分析遥感图像目标检测的研究背景与意义,并阐述在该领域国内外的研究现状。针对现有研究的重难点,本文基于通用检测模型,展开针对性的研究。本文的主要研究内容及工作具体如下: (1)在模型的特征提取阶段引入多尺度融合卷积,并与SPPF模块协同工作,增强了多尺度特征提取能力,随后在SPPF模块后添加可形变注意力机制,提升对旋转目标特征的提取效果。在特征融合阶段,用动态上采样因子替换原有上采样因子,加强颈部网络多尺度特征融合。最终在模型检测阶段,使用了一种动态检测模式,使模型对应的检测任务能够适应目标尺度以及形变的变化。为了验证模型的检测性能,本文使用无人机遥感图像数据集对算法进行消融、对比和泛化实验,对性能进行测试。实验结果显示,针对Visdrone数据集,本文所设计的模型在P、R、mAP50、mAP50-95等指标上均取得显著提升,分别提升了2.4%、2.5%、2.3%和1.7%。在Drone Vehicle数据集上,模型同样表现出色,R、mAP50、mAP50-95指标分别提升了4.3%、1.5%和1.8%。 (2)为满足实际应用对模型体量的约束,本文尝试对提出的算法模型进行轻量化。通过在特征提取阶段引入基于“星运算”的StarConv卷积,提升了主干特征表达能力并降低主干体量。其次,为进一步将模型体量降低,在特征融合阶段采用了Slimneck模块,使多尺度特征融合与轻量结构结合,在特征通道维度快速交换信息,强化特征表达能力。并在无人机遥感图像的基础上引入卫星遥感数据集RSOD,实验结果表明,轻量化后的模型在保证一定检测精度的前提下,有效的降低模型复杂度,在性能和资源利用之间达到了良好的平衡。 (3)为了方便遥感图像目标检测的实际应用,采用PyQt5框架开发了图形用户系统。此系统支持多种输入方式,包含图像显示、算法调用、测试与分析等功能模块,可以直观展示检测结果并支持保存。并通过对不同场景下以及不同目标的遥感图像进行检测测试,验证了该系统的有效性与实用性。 本文所改进模型不仅在理论上提高了遥感图像目标检测的性能,而且在实际应用中也显示出了广泛的适用性和强大的实用性。

关键词： 低照度   目标检测   图像增强   遥感图像   深度学习  

摘要： 遥感技术凭借其远距离、无接触信息获取的优势在智能交通、资源探测、城市规划、智慧农业、林火监控等众多领域受到了广泛的关注,具有极高的应用价值。随着科学技术的发展,遥感设备愈加先进、丰富,获取到的信息指数级增长,如何从海量的数据中快速提取具体应用所需的关键内容已成为当下的研究热点。目标检测可以在图像中快速定位感兴趣对象的位置和类型,是各种高级决策的基础,有着重要的研究价值。然而,低照度环境广泛存在于夜间、遮挡等场景下,不仅会引发弱特征与强噪声等问题,而且与遥感图像中目标尺度的多样性以及背景结构的复杂性相互交织,这无疑给信息解译工作带来了极为严峻的挑战。各类遥感应用对低照度目标检测技术的需求呈现出日益增长的态势。 传统目标检测方法往往过度依赖先验知识,存在设计难度大、流程复杂、局限性高等问题。近年来深度学习技术的应用带来了目标检测效率的快速提升,但遥感目标尺度变化大、分布密度多样、旋转角度任意、背景结构复杂等特点仍使得目标检测技术存在巨大的挑战,特别是在低照度场景下,模糊的目标特征会导致检测性能进一步下降。本文以基于深度学习的低照度遥感目标检测算法为研究重点,深入分析低照度图像增强以及遥感目标检测这两个关键步骤,改进方法流程提升处理效率,并针对特征表示能力不足这一核心问题,在相关领域先进成果的基础上,进一步融合与优化,深入探究能够改善检测精度的算法方案。论文的主要工作及成果如下: (1)针对当前零参考低照度图像增强算法普遍存在的模型结构复杂或者多次循环迭代限制处理效率的问题,本文提出一种基于相机响应模型的零参考相机响应网络(ZRCRN),充分利用传统模型精简凝练的优势简化非线性过程,结合深度学习强大的特征提取和表示能力,提升图像的视觉效果。ZRCRN先根据相机响应模型中的相机响应函数将输入图像逆变换为入射辐射图,再建立一个仅含两层卷积的参数提取网络PGN从中提取增强所需的曝光比参数,最后将该参数代入到相机响应模型的亮度变换函数中,实现低照度图像增强。这种基于逆变换图像获取增强参数的方式,无需依赖复杂的模型结构,且最终的增强变换仅需一次运算即可完成,二者均有助于提高处理速度。此外,为实现无需数据集提供标签数据的零参考训练过程,本方法还设计了对比度保持亮度损失和边缘保持平滑损失两个损失函数。通过进一步保留输入图像中的部分关键信息,它们能够有效提升增强质量。经实验验证,该方法在多个低照度图像增强数据集以及DARK FACE人脸检测数据集上,实现了增强速度达到先进算法两倍的优异表现,并且质量指标并未出现明显下降。 (2)针对遥感图像幅宽广、分辨率高且背景结构复杂,导致检测效率低的问题,本文提出一种基于浅层注意力引导的遥感目标快速检测算法AG-Yolo。该算法以Yolov10为基础构建模型,将水平边界框双标签分配策略拓展至旋转目标检测领域,以降低非极大值抑制后处理过程对检测速度的不利影响。同时,为了改善检测精度,增设注意力分支,从输入图像以及骨干网络的前两层特征图中获取注意力前景图,并在颈部特征聚合之前进行注意力加权操作,进而有效降低复杂背景对检测精度的影响。此外,本方法还基于课程学习策略,根据目标和背景的复杂度整理数据,设计出一种三阶段训练方案。该方案从简单背景单一目标开始训练,逐步过渡到简单背景多个目标,最终到复杂背景多个目标,模拟人类学习过程,由易到难,逐步优化模型,从而提升最终的检测精度。在DOTAv1.0和DOTAv1.5数据集上,与其他先进方法相比,该算法的处理延迟从33.8ms降至19.7ms,减少了约40%,同时mAP指标也实现了一定程度的提升。 (3)针对当前低照度目标检测算法生成的特征表示能力不足,限制检测精度的问题,本文进一步提出一种三分支融合的目标检测模型BFDet。先建立定向特征提取模块(DFE),基于低照度图像生成增强图和照度不变特征图两个额外分支。再经过特征融合模块(FFM)对三个分支进一步提取特征并逐像素合并为一路,直接匹配检测器的输入格式。最后结合检测器获取识别结果,采用检测器的损失函数统一优化DFE局部和FFM整体的参数,改善内部特征对检测任务的适配性。DFE的两个额外分支通过显式建模能够更具针对性地改善亮度和边缘等特征,并且其增强分支采用的是ZRCRN模型,照度不变特征图的提取也是基于输入图像实现的,无需额外数据集监督即可有效提升相应特征的表示能力。FFM则能够高效地聚合各个分支中更有利于检测任务的特征,改善检测精度。此外,通过随机执行两种图像退化算法,本文还基于DOTA数据集生成了低照度遥感目标检测合成数据集LL-DOTA用于模型训练,并标注Darkrs数据集建立了测试集Darkrs-Det,以进一步评估模型的泛化能力。在Exdark以及两个新数据集上的实验验证了该模型的优势。与直接检测低照度图

关键词： 深度学习   目标检测   注意力机制   无人机   计算机视觉  

摘要： 2021年《国家综合立体交通网规划纲要》首次将无人机经济纳入国家战略布局。2022年民航局发布《“十四五”通用航空发展专项规划》和《民用无人驾驶航空发展路线图V1.0》,推动无人机在交通管理中的应用。2024年至今,相关政策法规的实施为无人机在智慧交通中的应用提供了坚实保障。随着无人机技术的快速发展,在智慧城市交通领域,结合无人机的优势开创新的应用模式。如今,无人机在交通管理中的应用更加广泛和深入,基于无人机交通事故的快速处理,进行交通巡逻,结合5G技术实现对重点路段的动态监管等,为智慧交通的建设与发展提供了有力支撑。基于无人机与计算机视觉技术的结合,成为一种新兴的城市交通信息获取手段,核心价值在于为人类观察地面交通细节信息提供了独特视角,为不同场景下的决策提供信息支持。 在智慧城市交通建设中,针对航拍交通小目标检测的研究在提升城市交通管理水平和保障交通安全方面具有重要意义,不仅有助于降低交通事故发生率,还能在事故发生时迅速提供现场信息,提升应急响应能力。但在成像过程中受光线以及尺度变化影响,目标呈现出尺寸小、密集、分布不均、以及背景复杂等特性。为实现航拍图像交通小目标的精准定位与识别带来极大的局限性。因此,针对上述问题,本文开展基于深度学习的航拍图像交通小目标检测方法的研究。 第一部分提出基于特征融合与高效多尺度注意力机制的航拍小目标检测算法,提升算法对交通小目标的检测精度。针对复杂环境下交通小目标特征利用率低下的问题,引入更高效的特征提取主干网络。通过搭建全卷积掩码自编码器框架,结合自监督学习策略来优化基础算法的主干网络CSPDarknet,提升算法对交通小目标底层特征的敏感度;针对航拍图像交通小目标之间相互遮蔽的现象,结合注意力机制的优势,设计跨空间特征提取模块EC2f。通过构建并行支路实现对不同尺度、方向及形状目标的上下文细节特征交互建模,将位置信息有效嵌入通道注意力中,增强特征的空间表达能力;针对航拍图像交通小目标尺度多样且在复杂背景下难以精确定位的问题,设计多层级共享特征检测头模块。构建共享特征交互网络以及特征交互模块,实现多尺度特征融合,同时对目标分类和定位任务进行分解,有效减少参数量的同时提升整体性能。 第二部分综合考虑实际应用的场景,就无人机边缘设备因有限算力制约算法检测效果的问题,设计基于自适应剪枝与知识蒸馏的轻量化策略。基于第一部分所提算法展开轻量化的研究。训练过程中展开相应维度的特征图,计算每个权重参数的想对重要性权重分值,结合全局重要性进行排序评估,自适应修剪分值低的权重参数,使其达到设定的稀疏值,保证算法结构稳定的同时实现轻量化的目的;为弥补剪枝策略应用过程的性能损耗以及优化整体算法的鲁棒性。结合逻辑蒸馏的优势,构建定位和分类任务的并行蒸馏损失函数。同时考虑特征蒸馏,计算特征图的蒸馏损失函数,加权构建混合蒸馏学习模块。增强算法在定位和分类任务中的学习能力,优化剪枝后算法对交通小目标检测性能。 综上所述,本文所研究的轻量化小目标检测算法,为智慧城市交通建设中无人机的实景应用提供了有力支持,有助于提升在复杂场景下的感知性能和可靠性,推动无人机在智慧城市中的进一步发展与应用。