关键词： 计算机视觉   深度学习   小目标检测   YOLO  

摘要： 基于深度学习的YOLO系列目标检测算法因出色的实时检测性能而被广泛应用。然而,该系列算法对于复杂背景和雾霾天气下小目标的检测仍然是一个挑战。原始YOLO算法更适合检测多尺度目标,而对像素占比小、特征信息不足的小目标检测性能较低,难以达到预期效果。本文分别基于经典YOLOv7和YOLOv9算法做出改进,用于提高在复杂背景和能见度低的环境中的航拍小目标检测性能,主要研究内容如下: 在航拍图像分析中,由于小目标的像素占比极小且背景复杂,检测小目标具有极高的挑战性。为了解决这一问题,本文提出了一种新颖的航拍小目标检测方法。首先,利用K-means++算法生成适合小目标的锚框,以优化目标定位的初始条件。其次,提出了YOLOv7-BFAW模型,该方法对YOLOv7进行了一系列改进:在骨干网络中引入了基于Bi Former和Bottle Neck融合的BBF残差结构,以增强特征提取能力;在头网络中设计了基于sim AM注意力的MPsim模块,以提升特征表达的精细度;并基于WIo U v2开发了一种新的定位损失函数——inner-WIo U v2,进一步优化了目标定位的准确性。实验结果表明,YOLOv7-BFAW在DOTA v1.0数据集上的m AP提升了4.2%,在Vis Drone2019数据集上的m AP提升了1.7%,展现了优异的泛化能力。此外,与当前最先进的算法相比,YOLOv7-BFAW表现出较优越的检测性能。 针对在雾天场景下,遥感小目标检测存在漏检错检的问题,本文提出一种基于双子网多任务协同训练的GFFA-YOLO算法。首先,基于门控融合设计了GFFA网络,并作为去雾子网,促进雾天场景中目标信息恢复。其次,基于SCConv设计了SD-SCConv优化自校正卷积和Rep NCSPELAN-SD-SCConv模块,并引入检测阶段的骨干网络,通过融合空间到深度层和自校正机制,提高模型的特征提取能力。最后,在特征金字塔结构中引入选择注意力LSK模块,通过动态调整感受野,增强模型多尺度特征融合。实验结果表明,GFFA-YOLO在不同雾霾浓度的NWPU VHR-10数据集上m AP达到了85.6%和74.3%,相较原始算法m AP提升了2.2%和1.2%;在薄雾处理的DOTA v1.0数据集上m AP达到了82.1%。与当前主流算法相比,GFFA-YOLO具有较高的检测能力。 最后,对小目标检测研究工作进行分析总结,并提出了后续的研究方向。

关键词： 驻站联络员   深度学习   目标检测   多模态融合   智能卡控  

摘要： 为提高铁路运输和施工作业的安全性和规范性，该文针对铁路施工作业中驻站联络员可能出现的离岗、睡岗、玩手机等行为，研制了一套驻站联络员智能卡控系统。通过改进目标检测网络、增加基于多模态图像融合的人员异常行为检测等方式，对驻站联络员的违规行为进行识别，并通过运转室声光报警提示、违规行为上报等监督管理机制，及时纠正其违规行为，以确保其严格遵守规章制度；通过构建融合通信平台，使用便携式智能终端，保障作业人员之间的高质量通信。在国能包神铁路东胜站部署驻站联络员智能卡控系统，对其功能进行验证。试验结果表明：该方法可有效识别驻站联络员的违规行为，提高其安全作业规范，极大地提升施工作业防护水平。该系统的研发具有较高的实用价值，能够为铁路施工作业安全提供有力保障。

关键词： 图像处理   非均匀去雾   偏振成像   双迭代分离  

摘要： 在非均匀雾霾场景中，现有的去雾算法往往缺乏对雾霾含量非均匀分布情况的动态处理能力，导致难以有效解决雾霾残留问题。针对这一难题，提出了一种非均匀雾霾含量下双迭代分离的偏振图像去雾算法。该算法主要包括含量估计和双迭代分离算法寻优两个模块。首先利用偏振特性构建出图像的动态雾霾含量函数；然后，在雾霾含量函数的基础上得到大气散射系数，再将大气散射系数代入双迭代分离算法，求解出最优的透射率；最后，结合基于偏振差分图像估算出的无穷远处大气光值复原出图像。实验结果表明，相比于CAP、BCCR、ZSR、PLE、BSMP等去雾算法，所提算法的自然图像质量评估指标、雾霾含量评价指标和平均梯度分别提升了1.26%、23.78%和75.63%，并且对于不同雾霾含量区域，所提算法都取得了较好的去雾效果，雾霾残留进一步减少。

关键词： 空时自适应处理   目标检测   无人机载雷达   互质采样结构   杂波协方差矩阵   杂波抑制  

摘要： 现代战争中,无人机因机动性好、生存能力强、覆盖范围广及无人员伤亡等优点,在敌对目标追踪和己方作战指挥等任务中扮演着至关重要的角色。为了有效抑制杂波,提高系统输出信杂噪比,实现动目标检测,其雷达系统常采用空时自适应处理(Space-Time Adaptive Processing,STAP)技术。然而,无人机载雷达在实际应用中面临阵元误差、阵元失效、样本数量不足等非理想因素,对STAP技术提出严峻挑战。 针对上述问题,本论文依托XXX计划技术领域基金项目——运动弱小目标精确识别技术,重点研究互质采样结构下,解决样本数量不足、阵元误差、阵元失效和阵元耦合等问题的STAP方法,具体研究成果如下: 1.针对互质采样结构雷达样本数量有限问题,提出了基于截断核范数最小化的快速迭代互质STAP方法,该方法通过重构虚拟空时快拍来估计杂波协方差矩阵(Clutter Covariance Matrix,CCM),并利用截断核范数正则化技术将非凸问题转化为凸优化问题,进而采用交替方向法快速求解其值。仿真实验验证了该方法的有效性和准确性。 2.针对互质采样结构雷达阵元幅相误差问题,提出了基于奇异值阈值的稳健互质采样结构STAP方法,该方法通过添加校正的辅助阵元来保持互质结构,并对虚拟CCM进行误差补偿和扩展填充,然后利用奇异值阈值算法求解凸优化问题以恢复填充后的CCM。仿真实验表明该方法具有良好的有效性和稳健性。 3.针对互质采样结构雷达阵元功能失效问题,提出了基于解耦原子范数最小化的互质STAP方法,该方法利用协方差矩阵数据的二阶统计特性和空时导向矢量的Kronecker积性质来构建虚拟空时快拍数据,并结合差分联合模型和协方差矩阵Toeplitz特性构建了阵列失效的互质采样结构STAP信号模型。最后,引入解耦原子范数最小化算法进行矩阵填充恢复数据。与现有解决方案相比,该方法在相同阵元数量和阵元失效状况下获得了更好的检测性能,并在小快拍数、低信噪比条件下展现出了更强的鲁棒性。 4.针对相控阵-MIMO雷达阵元数量有限问题,提出了一种新式相控阵-MIMO雷达STAP方法,该方法在有限的阵元下,MIMO雷达发射和接收阵列采用超级嵌套阵,利用差分操作构造虚拟空时快拍数据,得出虚拟CCM,给出最优权矢量。该方法可在保证减少阵元耦合影响的同时,增加系统虚拟自由度。 本文提出的方法通过理论推导和仿真实验验证,证明其能够有效解决无人机载互质采样结构下空时自适应信号处理中样本数量不足、阵元误差、阵元失效及阵元耦合等关键问题,从而显著提升雷达对动目标的检测能力。所提出的基于截断核范数最小化、奇异值阈值以及解耦原子范数最小化的STAP方法,为无人机载雷达信号处理中的非理想条件问题提供了全新的理论框架和算法思路。通过本研究,揭示了互质采样结构在解决样本数量不足、阵元误差和阵元失效等问题上的独特优势,为其他雷达信号处理技术的创新和发展提供了有益的借鉴和启示。同时,这些方法能够显著提升无人机载雷达的动目标检测能力,为军事侦察、目标追踪和作战指挥等任务提供更为准确和可靠的信息支持。通过解决阵元误差和阵元失效等问题,增强了雷达系统的鲁棒性和适应性,使其能够在复杂的电磁环境中保持稳定的性能。这对于提升雷达系统的整体作战效能和生存能力具有重要意义。此外,本研究提出的方法还可以应用于其他类似的雷达信号处理系统中,如有人机载雷达、舰载雷达等,为这些系统的性能提升和智能化发展提供了有力的技术支持。

关键词： 交通标志检测   车道性检测   YOLOv8   Transformer   模型压缩  

摘要： 当前,智能驾驶与辅助驾驶技术正处于迅速发展阶段,因其广泛的应用潜力而受到国内外学术界的持续关注。然而,在实际应用中仍面临诸多挑战:汽车光学相机在复杂环境下性能受限;小目标检测难度较大;全局场景理解能力不足以及系统实时性难以保障。为了实现低分辨率、小目标的交通标志和车道线检测的任务,本文分别基于YOLOv8和PersFormer对交通标志和车道线检测模型进行了改进。本文的研究内容有以下几个方面: (1)针对复杂多样的小目标交通标志,本文基于YOLOv8提出了交通标志检测的优化算法。该算法使用MobilenetV3作为骨干网络,使用LGB进行轻量化改进,增强特征表达能力;采用AugFPN作为特征融合网络,其利用剪枝和降通道卷积的方式进行改进,提升模型对不同感受野目标的关注度,强化多尺度目标检测性能;用大参数和小参数两个版本的模型搭建知识蒸馏模型,提高小模型的检测精度;霍夫变换设计MCI算法,充分利用标志的全局信息。实验表明,基于YOLOv8改进的交通标志检测在TSRD和融合TT100K数据集上表现良好,有着较高的检测精度。 (2)针对多场景下的交通车道线,本文基于PerFormer提出了交通车道线检测的优化算法。该算法利用Token和Channel分离卷积网络实现特征提取,降低计算复杂度的同时,提升了模型的灵活性与表达能力;空间车道重建SLR,使得远景区域包含更丰富的定位信息,有效地提高了二维图像到三维车道线定位的准确性;设计新的损失函数,平衡二维和三维车道线检测的关注度,使模型更好地适应不同任务的需求。实验表明,基于PersFormer的交通车道线检测在OpenLane数据集上提高了远景检测能力,平衡了二维和三维检测性能。 (3)基于上述研究,本文实现了在RK3568上部署的多任务道路目标检测模型。用模型预处理和量化的方式将模型转化为RKNN模型;用零点偏移和缩放因子的方法实现32位浮点型到8位整型的数据类型转化;交叉编译器获取RK3568上的可执行程序,实现开发板上的多任务目标检测。实验结果表明,在RK3568上部署的多任务道路目标检测模型,实现了在80ms内对多个小目标的实时检测。

关键词： 目标检测   低照度图像   YOLOv8   轻量化   ExDark  

摘要： 阐述一种面向轻量化设备的夜间目标检测模型YOLO-GloLite。通过设计CPDarkNet骨干网络，将其用作检测网络的主干结构。新构建的主干网络旨在获取更多的语义信息，进而提升检测精度。

关键词： 深度学习   目标检测   YOLOv8   注意力机制   假阳性删减  

摘要： 肺癌作为发病率和死亡率最高的癌症,其早期筛查和诊断对于提升患者的治愈率和生存率起着至关重要作用。低剂量CT扫描被广泛应用于早期肺结节的筛查,但是这一过程会产生大量的CT切片图像,显著增加了放射科医生的工作负担。另外,人工诊断具有一定的主观性,可能导致诊断错误,诊断遗漏和诊断时间延长。随着人工智能技术的不断发展,基于深度学习的计算机辅助诊断技术能够有效提高诊断准确率并且减轻医生的阅片压力。本文从低剂量CT图像的预处理,候选结节检测算法的优化,候选结节的假阳性删减三个方面展开研究,主要研究成果如下: (1)针对低剂量CT图像中伪影噪声干扰问题,本文提出了一种融合多尺度分解与形态学优化的肺实质分割算法。首先通过小波变换将原始图像分解为高频纹理分量与低频结构分量,分别采用BM3D去噪和全变分图像降噪处理,并通过逆变换重建获得增强图像。在此基础上,采用区域生长算法实现肺实质的粗分割,针对分割结果中由支气管低密度区域及噪声引起的空洞异常,构建多级形态学处理流程:通过寻找封闭轮廓并用背景像素值填充空洞,细化过程生成单一像素宽的骨架,以及粗化过程增加物体厚度,最终形成精确的掩膜图。实验结果表明,该算法在LUNA16数据集上的平均Dice系数达到91.7%,平均Io U达到86.2%,可以有效分割出肺实质区域。 (2)针对肺结节在图像中占比较小,不仅导致医生阅片难度大,还可能会出现误检和漏检等问题,本文提出在YOLOv8网络的基础上加入可形变卷积和多尺度模块,并融合坐标注意力机制,使得网络能够聚焦小目标的同时又扩大感受野而不丢失分辨率,同时利用不同方向的注意力模块来聚集目标上的上下文信息,增强特征表达,能够有效的提高定位精确度。实验结果表明,该算法在LUNA16数据集上的AP指标达到86.28%,Recall指标达到89.30%。 (3)针对肺结节检测中因肺部复杂解剖结构及二维算法特征提取能力有限而导致的高假阳性率问题,本文提出了一种基于三维Shuffle Net V2架构的新型假阳性删减网络,并引入3D CBAM模块增强对空间和通道信息的关注。通过注意力机制在通道和空间维度处理输入数据,该算法显著提升了特征提取能力和准确性。实验结果表明,相比传统方法,该算法减少了假阳性预测数量,这为提高肺结节检测的准确性和可靠性提供了有效解决方案。

关键词： 机器视觉   指针式仪表   图像处理   深度学习  

摘要： 随着工业领域智能化和自动化的发展，指针式仪表检测与读数识别成为了一个备受关注的研究领域，该文综述了近些年指针式仪表检测与读数识别方面的研究进展。首先，介绍了指针式仪表读数的作用及计算机视觉应用于指针式仪表读数识别方向。随后，总结了指针式仪表读数识别方法，详细地阐述了国外和国内学者的主要研究。进一步介绍了图像处理与深度学习相结合的5个步骤，即图像预处理、仪表盘检测、仪表指针与刻度检测、仪表盘数字检测与识别和仪表数值识别的研究现状与方法对比。绍了指针式仪表的检测与识别框架内容及技术；然后对指针式仪表的检测与识别框架内容及技术进行阐述与比较；最后对基于机器视觉的指针式仪表检测与识别进行了总结与展望。