关键词： 遥感影像   轻量级模型   YOLOv5   坐标注意力  

摘要： 基于YOLOv5提出一种改进的轻量级遥感影像目标检测方法。在特征提取端使用深度可分离卷积替代常规卷积核以降低计算量,同时引入坐标注意力机制来提高模型对小物体特征的学习强度。在特征增强端,以多层融合特征金字塔代替路径聚合网络来获取信息更为丰富的特征图。实验结果显示,本文所提出的改进模型在检测精度方面明显优于原始模型与对比模型,同时对于不同环境下的目标表现出了很好的鲁棒性,在测试硬件环境下产生的计算参数量少,能够达到实时检测的水平,可部署在算力有限的边缘计算硬件上开展实时的推理检测。

关键词： 深度学习   图像识别   FPGA   图像处理   Zynq  

摘要： 为了解决手写数字识别准确率不高的问题,设计了一种基于FPGA的手写数字识别系统。系统以Xilinx公司的Zynq-7020 FPGA为处理器,利用OV5640摄像头获取卷积神经网络训练完成的手写数字信息,并进行分析和处理,通过HDMI接口发送至液晶显示器进行显示。实验结果表明,该系统能够对卷积神经网络训练完成的不同形状的手写数字0~9进行准确的识别,手写数字识别准确率大于95%,为手写数字识别提供了一种参考。

关键词： 图像尺寸   小目标检测   特征提取   多尺度检测   模型集成  

摘要： [目的/意义]为了解决图像尺寸变化和目标尺度变换共存对小目标检测精度的影响问题,本研究提出了一种新的检测模型:Multi-Strategy Handling YOLOv8(MSH-YOLOv8)。[方法]该模型在YOLOv8的基础上增加一个检测头,以提高小尺度目标敏感度;引入Swin Transformer的检测结构到头部网络,以减少计算冗余;引入包含可变形卷积的C2f_Deformable Convolutionv4(C2f_DCNv4)结构和Swin Transformer编码器结构重构YOLOv8主干网络,优化并增强其特征传递和提取能力,提高小目标敏感度;采用基于规范化的注意力模块(Normalizationbased Attention Module,NAM)优化网络检测速度和准确性;用Wise-Intersection over Union Loss(WIoU)代替原损失函数,以提高训练效果和收敛速度;在后处理阶段应用分辨率动态训练、多尺度测试、软非极大值抑制算法(Soft-Non-Maximum Suppression,Soft-NMS)、加权边界框融合算法(Weighted Boxes Fusion,WBF)等方法,提高尺度变化下小目标检测效果。以蘑菇为研究对象,在开放数据集Fungi上开展实验。[结果和讨论]MSH-YOLOv8的平均正确率(Average Precision50,AP50)和AP@50-95分别达到了98.49%和75.29%,其中小目标检测指标值APs达39.73%。相较于主流模型YOLOv8,三项指标分别提高了2.34%,4.06%和8.55%;相较于优秀模型Transformer Prediction Heads-YOLOv5(TPH-YOLOv5),三项指标分别提高了2.14%,2.76%和6.89%。[结论]本研究提出的MSH-YOLOv8改进方法可在图像尺寸变化与目标尺度变化条件下有效提高小目标的检测效果。

关键词： 检测前跟踪   阵列信号处理   方位跟踪   标签随机有限集   广义标签多伯努利滤波  

摘要： 针对传统先检测后跟踪方法在多目标方位历程交叉时存在轨迹中断或者误跟的问题,提出了一种基于广义标签多伯努利滤波的多目标检测前跟踪方法。该算法直接利用声呐基阵接收数据构造的协方差矩阵作为观测,无需波束形成等预处理技术,构建了轨迹新生、消亡、演变及观测过程的概率模型,并通过原理性近似消除了更新步骤的多维积分运算,实现了联合多目标检测、方位跟踪与航迹管理。仿真结果表明,所提算法不仅能够准确估计目标数量,并且在方位历程交叉时也能连续、稳定地的输出多目标方位轨迹,同时在低信噪比(−18 dB)条件下具备较高的跟踪精度。海底线阵试验数据也验证了所提算法性能。

关键词： 深度学习   遥感图像   目标检测   YOLOv7-tiny   MobileViT模块   多尺度特征融合   上下文信息   Wise-IoU  

摘要： 针对遥感图像目标检测存在复杂背景干扰、微小目标提取难和目标多尺度差异问题,提出一种基于MobileViT和多尺度特征聚合的遥感图像目标检测算法(FWM-YOLOv7t)。首先设计多尺度特征聚合模块,建立遥感目标上下文依赖关系,提升多尺度目标和小目标检测精度;然后利用MobileViT模块,融合卷积神经网络和视觉Transformer优点,有效编码局部和全局信息,抑制非目标噪声干扰;最后引入Wise-IoU损失函数,重点关注普通质量锚框,提高算法检测性能。在公共数据集RSOD和NWPU VHR-10上的实验结果表明,FWMYOLOv7t能够显著提升遥感图像目标检测的平均准确率。与其他目标检测算法相比,FWM-YOLOv7t对复杂背景目标、小目标和多尺度目标的检测更有效。

关键词： 目标检测   安全帽佩戴检测   样本匹配策略   解耦检测头  

摘要： 针对目前无法实时准确地监测工人是否佩戴安全帽的问题,提出一种基于YOLOv5s的多场景安全帽佩戴检测算法(YOLOv5s-SDSNR)。首先,在YOLOv5s基础上采用最优传输理论将局部匹配策略改进为全局匹配策略,增加正样本的数量,使模型更有针对性训练;然后,利用解耦检测头对分类和定位进行解耦,分别提升分类和定位的准确性;最后,使用结构重参数化将主干网络的训练和推理等效转换,以此来提升特征提取能力和推理速度。实验结果表明,相比原YOLOv5s模型,YOLOv5s-SDSNR的mAP达到97.83%,提升了8.01个百分点,在NVDIA Tesla T4上FPS达到67.77,相较于Faster RCNN、YOLOX,改进的模型更适用于多场景安全帽检测需求。

关键词： 个人防护装备   检测   计算机视觉   深度学习   传感器  

摘要： 为了分析和总结个人防护装备(PPE)检测技术的发展及其在工地安全管理中的应用,探索传感器和深度学习在检测中的作用与成效,作者采用文献调研与数据分析相结合的方法,基于Citespace系统梳理了近年来PPE检测领域的技术进展。通过比较基于传感器的检测方法与深度学习算法(包括One-stage和Two-stage)的优缺点,全面评估了这些技术在PPE检测中的实际应用效果。结果表明,深度学习技术能够显著提升PPE检测的准确性与效率,尤其在复杂场景和小目标检测中表现突出。然而,当前检测技术在数据集多样性、设备稳定性和小目标检测等方面仍存在挑战。未来需要进一步优化多模态检测技术,并结合5G与边缘计算等新兴技术,以实现更高效、精准的PPE检测与应用。

关键词： 间歇采样转发干扰   短时分数阶傅里叶变换   图像处理   频率捷变  

摘要： 干扰机对雷达脉冲快速切片、转发形成间歇采样转发干扰,若从雷达主瓣进入,将对雷达目标检测形成严重威胁。从波形设计和时频分析的角度出发,提出一种基于短时分数阶傅里叶变换(short-time fractional Fourier transform,STFrFT)的主瓣间歇采样转发干扰抑制方法。首先设计脉内捷变频信号,提升干扰与目标信号的差异;接着采用STFrFT进行时频分析,相比传统短时傅里叶变换大大提升了时频分辨率,相比分数阶傅里叶变换类方法没有对信号参数的限制;最后结合图像学方法对干扰进行剔除,对从主瓣进入的高干信比干扰也可形成有效抑制。仿真结果表明,所提方法可在多种环境下有效对抗间歇采样转发干扰。

关键词： 无人驾驶方程式赛车   YOLO v4   赛道锥桶   目标检测   锥桶识别  

摘要： 为快速检测与准确识别赛道锥桶,提出了一种基于YOLO v4模型的赛道锥桶检测与识别方法。首先依据复杂多变的赛道场景采集了多张锥桶图像作为数据集原始数据,在工控机上进行锥桶数据集制作、训练和模型选取;然后搭建基于YOLO v4模型的锥桶检测与识别系统,选择三种较为常见赛道场景进行实车试验。试验结果表明,所提出的方法在不同光照条件下仍能快速检测并准确识别目标锥桶,特别是在锥桶较为密集且多个锥桶目标重叠的场景下,置信度达到0.91以上,具有较强的鲁棒性,且实时检测的平均帧率达到35f/s,能够满足无人驾驶方程式赛车对感知系统准确性和实时性的需求。

关键词： 数粒机   图像处理   小波变换   缺陷检测  

摘要： 为满足数粒机的高精度、高速度要求,结合图像处理算法设计了一种数粒机控制系统。首先介绍了数粒机的机械结构和工作原理。采用现场可编程门阵列(FPGA)作为控制系统的核心,对面阵图像传感器进行参数配置、图像数据采集。设计了一种基于小波变换的图像边缘检测算法,可实现药粒形状和尺寸的检测。将图像增强算法引入到小波变换中,可进一步改善图像处理效果。最后,进行了实验研究。实验结果表明:所有待检测药粒无漏检情况,药粒计数和检测准确率均在99%以上,说明文中所述数粒机智能控制系统具有比较高的检测精度。基于机器视觉的包装数粒机智能控制系统可实现高速度、高精度的在线检测计数。