关键词： 无人机   目标检测   小目标   双模态   轻量化  

摘要： 近年来,无人机凭借其出色的灵活性、机动性,以及能够精准感知目标的能力,在诸多领域展现出重要价值,当前,运用基于深度学习的目标检测技术处理无人机航拍影像以实现目标精准识别的研究,日益受到学界和业界的广泛关注。然而,在实际应用过程中,无人机航拍目标检测技术暴露出诸多亟待解决的问题:首先,无人机航拍图像中通常为小目标,所提供的目标特征信息较少,目标检测精度较低,其中,小目标是指尺寸小于或等于32×32个像素或者其宽和高均不大于原图十分之一的目标;其次,在光照不足、雨雾遮挡等复杂环境下,可见光图像难以充分呈现目标的纹理细节信息,干扰无人机目标检测的准确性;此外,无人机机载计算机资源有限,对目标检测模型的轻量化有一定要求。因此,本文针对上述问题开展了对无人机航拍图像的双模态目标检测算法研究,旨在获得高精度、轻量级的小目标检测模型,同时提升模型在复杂环境下的抗干扰能力,为无人机航拍目标检测任务提供准确可靠的信息支持。 本文主要研究内容和创新点如下: (1)针对无人机航拍目标小的问题,提出一种高精度航拍小目标检测算法YOLO-SOD。以YOLOv7为基础模型,首先,将轻量级通道注意力SE(Squeeze-and-Excitation)模块引入颈部的SPPCSPC(Spatial Pyramid Pooling Cross Stage Partial Connections)模块中,在空间金字塔池化(Spatial Pyramid Pooling,SPP)模块后对重要的通道特征信息进行加强,以获得更精准的多尺度特征;其次,将Patch-Aware模块引入到骨干网络的高效层聚合网络(Efficient Layer Aggregation Networks,ELAN)模块中设计多分支特征提取模块,分别提取全局、局部、多尺度卷积信息,获得包含更全面信息的特征图;随后,在检测头部分嵌入无参注意力SimAM(Simple Parameter-Free Attention Module)模块,增强用于分类和回归的特征图信息表达能力,提高模型检测精度;之后,对整个网络增加一个小目标检测层P2,保留更多的小目标细节信息,充分利用浅层特征进行分类和回归。实验结果显示,本文改进的YOLO-SOD算法较YOLOv7算法在Vis Drone2019数据集上检测的mAP[0.5]指标提高了3.0%,达到了51.9%,mAP[0.5:0.95]指标提升了2.4%,达到了30.2%,且模型具备更好的鲁棒性。 (2)针对无人机航拍背景复杂、机载计算机资源有限的问题,提出一种轻量级双模态目标检测算法YOLO-LDM。首先,针对背景复杂的问题,在YOLO-SOD算法的基础上,采用计算复杂度较低的特征级融合方法,引入红外图像实现双模态目标检测,弥补可见光图像在复杂环境下纹理细节信息不足的问题,并优化边界框损失函数为Inner-CIoU损失函数,采用辅助边界框加速边界框的收敛。然后,针对机载计算机资源有限的问题,对上述模型进行了轻量化改进:采用轻量级的空间金字塔池化快速(Spatial Pyramid Pooling Fast,SPPF)模块替换SPP模块;在颈部的ELAN-W模块内部采用沿通道维度分割的方法降低参数量,同时增加多尺度卷积特征信息表达的丰富性;采用轻量级卷积Ghost Conv模块和DSConv模块替换上述两个轻量化改进模块中冗余的标准卷积模块。实验结果显示,在VEDAI数据集上,本文改进的YOLO-LDM算法分别较原YOLOv7和YOLO-SOD算法,在参数量上分别降低了约14.4兆字节和约16.3兆字节,达到了约22.1兆字节,在指标mAP[0.5]上分别提高了9.0%和5.7%,达到了78.0%,且算法在复杂环境下具备更强的抗干扰能力。

关键词： 混纺纱   条混模拟   混合均匀度   纤维排列   三维纱条   图像处理  

摘要： 纤维在纱条中混合与分布的均匀程度,不仅制约着纺纱过程的稳定性,还通过影响纱条的条干均匀度、断裂强力和外观等性能,从根本上决定了后续工序的稳态运行和最终纺织品的性能。纺纱加工过程决定了纤维在纱条中的排列,进而影响纤维的混合与分布。其中,并条工序作为纤维混合的关键控制阶段,其工艺参数的设置直接决定了最终混纺纱条内纤维的混合均匀度与条干均匀度。因此,分析并条混合过程中纤维的运动规律和混合机理,揭示条混工艺参数对条混过程的影响机制,探讨纤维分布对成纱质量的影响,为构建纱线质量预测模型、开发工艺参数优化策略以及推进智能纺纱建设提供理论支撑。 本文从混纺纱条中混合均匀度的表征与测试方法出发,在考虑纱条三维特性的基础上,建立了条混模型。分析了条混工艺参数对成纱中纤维分布及混合均匀度的影响,建立了混合均匀度与成纱质量的定量关系,为准确预测混纺纱条的质量提供基础。本文的主要研究内容和结论如下: (1)混纺纱条混合均匀度评价体系的建立 以往对混纺纱条中纤维混合均匀度的研究仅针对纱条截面或纱条长度上的单一维度,无法全面表征纤维在纱条三维空间内的混合特征。本文基于纱条的三维特征,通过对混纺纱条的长度方向以及截面的单元格划分,实现了混纺纱条混合均匀度的全面表征。首先,以混纺纱截面上的混合不匀为内不匀,以混纺纱条长度方向上各片段间的混合不匀为外不匀,通过方差相加,得到纱条的整体混合不匀率。多种规格、不同种类的混纺纱实际混合不匀率的计算结果与经验趋势吻合,验证了本文建立的混纺纱条实际混合不匀率表达式的准确性和适用性。基于纤维在三维纱条中随机混合分布的假设,推导出的理论混合不匀率计算结果与模拟的理想混合纱条的实际测试混合不匀率结果的差异率小于5%,再次验证了实际混合不匀率计算方法的准确性。为后续合理评价混纺纱的混合均匀度特性,以及探讨工艺参数对混纺纱混合效果的影响提供了理论基础。 (2)基于图像处理法的混纺纱混合均匀度测试 为了快速、便捷、准确地测量混纺纱条的混合均匀度,开发了基于图像处理技术的混纺纱条截面纤维识别方法,并将其应用于混合不匀率计算。首先,对混纺纱的截面图像进行增强、去噪等预处理以提高图像质量,并采用基于欧氏距离剥离法分割粘连的纤维,以确保每根纤维均为一个单独的连通域。然后,根据纤维颜色、截面形状、大小等多重特征参数对纤维进行识别和分类。最后,按所推导的混纺纱条混合不匀率表达式来计算混纺纱的混合均匀度。实验验证结果表明,图像处理法与人工计数法对涤纶、粘胶、羊毛等不同纤维种类的纤维束识别误差小于5%,对截面形态不规则的棉、麻等各种混纺纱的混合不匀率测试误差小于10%,且用时减少80%以上,证实了该基于图像处理技术的混合不匀率测试方法不仅具有较好的准确性,同时也展现出优良的普适性和高效性,能够为后续测量混纺纱的混合不匀率提供准确、高效的工具。 (3)条混合过程中纤维运动模拟与混合均匀度预测 基于纤维在纱条中的三维排列模型,采用计算机模拟纤维在条混过程中的运动,以预测混纺纱条的混合均匀度。首先,采用Monte Carlo方法模拟纤维在三维纱条中的排列,分析纤维在条混中的喂入排列、旋转、牵伸、集束成条等过程的运动,得到混合纱条内纤维的新排列,据此分别计算混合纱条混合均匀度和条干均匀度。最后,模拟分析了条混工艺参数对条混过程的影响,并进行了实验验证。结果显示,模拟混合纱条的外观和截面上纤维分布与实际纱条相近,混合不匀率的模拟值与实测值误差率均小于10%,在不同并条根数和头道条混时喂入纱条排列方式等参数下的混合不匀率以及变化趋势的模拟值,与实测值以及实际生产经验均一致,表明了本文建立的条混模型具有较高的准确性。此外,考虑到不同组分纤维的特性,其对应牵伸时的加速点分布不同。因此,模拟了不同牵伸工艺参数时纱条的条混过程,结果发现,加速点分布越分散,混合纱条的混合均匀度略有降低。集束参数仅对纱条的条干均匀度有明显的影响,而对纱条的混合均匀度影响不显著。本文的条混模型为预测纤维分布和提高混纺纱条的混合均匀性提供了理论基础。 (4)混合均匀度与成纱质量关系的研究 通过不同种类的两组分纤维混纺,建立了混纺纱的混合不匀率与成纱质量的定量关系,并探究纤维分布对混纺纱、混纺织物以及复合材料性能的影响。首先,采用不同的条混工艺,制备了具有不同混合均匀度的两组分混纺纱,并分别测试了其混合不匀率、强伸性和条干均匀度等质量指标。然后,通过Pearson相关分析和线性回归定量分析了混纺纱的混合均匀度与混纺纱性能的关系。实验结果显示,混纺纱的混合不匀率与其强度不匀(CV)和条干不匀呈显著的正相关,与强度和断裂伸长率呈负相关。线性回归系数表明,混合不匀率对混纺纱的强度不匀线性相关最显著,其次是强度。此外,当组分纤维间的性能差异增大时,混合不匀率对混纺纱性能的影响也会增大

关键词： 机场围界   深度学习   图像增强   异常目标检测  

摘要： 随着中国民航运输业的快速发展,机场航班起降量显著增加,区域性航空枢纽布局日益密集,航空地面运行安全风险管控能力面临挑战。机场围界作为机场安全的第一道防线,是管控外来人员或动物异常入侵的有效途径。目前,国内机场围界巡检主要依赖于人工巡检,其巡检效率低且智能感知能力不足,难以满足日益增长的航空运输安全保障需求。如何有效感知机场围界异常目标入侵,构建智能化的机场围界防护体系,是助力智慧民航发展、推动智能安防领域进步的关键所在。 本文基于机场围界全天候巡检需求,以深度学习算法为支点,对机场围界异常目标检测算法开展研究。本文的主要研究内容如下: (1)针对机场围界全天候监控场景,提出围界红外图像与可见光图像的质量增强算法,构建面向异常检测的高保真异构数据集。针对围界红外图像,提出一种结合CLAHE、非锐化掩模与中值滤波的图像增强算法。进一步针对围界可见光图像,提出一种基于HSV色彩空间的图像增强算法。实验表明上述方法分别能有效对两种类型的图像进行质量提升。 (2)针对机场围界可见光图像下的异常目标检测任务,提出一种基于YOLOv7的围界异常目标检测模型。考虑到围界异常目标的多尺度特性、复杂背景的干扰以及围界的遮挡问题,提出A-Bi FPN结构对特征金字塔网络进行改进,增强不同尺度特征信息之间融合能力;然后采用CARAFE替换上采样模块,扩大感受野;最后引入WIo U函数,提升检测准确率。实验表明所提出的模型相较YOLOv7,检测精度提升了0.63%,误检率降低了0.98个百分点,能够有效检测围界异常目标。 (3)针对机场围界红外图像下的异常目标检测任务,提出一种基于YOLOv7-Tiny的红外行人检测模型。考虑到红外图像下目标特征不突出、数据集样本量较少,采用RFB模块改进SPP-Tiny,同时引入DCNv3与ECA-Net改进ELAN-Tiny,提高模型对特征的捕获能力,进而提升检测精度。实验表明所提出的模型相较YOLOv7-Tiny,检测精度提升了0.84%,在保持轻量化的同时也能对各状态行人进行准确检测。 (4)设计并开发机场围界异常目标检测原型系统,采用模块化架构集成机场监管用户管理单元与全天候协同检测原型系统,实现全天候自适应算法的无缝部署及围界态势实时感知,为机场安防系统性能优化提供可工程化技术实现路径。

摘要： 近年来,密集遮挡、极端弱光、高动态模糊、水下浑浊、强辐射等极端环境日益成为智慧城市、深空探测、极地科考、灾害应急、智能交通和高端制造等领域的常态场景。面对信噪比极低、退化类型多样、目标尺寸微小或密集的原始影像,传统图像处理链路在增强复原、信息解析和下游应用中屡遭瓶颈。与此同时,跨模态融合、物理退化建模、生成式人工智能等新兴技术不断涌现,为极端环境图像处理与应用注入创新动力。

摘要： 低空对地监控是我国公共安全监控和人民安全防护的重要手段，机载探测感知系统与技术是低空对地监控能力实现的核心要素。太赫兹雷达成像为全天候、视频级、高分辨监视提供新的技术与装备，为交通监控、应急救援、安防反恐等领域提供可靠信息来源。如何基于机载太赫兹雷达视频中的动/静目标信息，进行重点区域目标检测、识别、跟踪，值得深入探索。此外，视频SAR与可见光、红外宽谱段集成，还可以视频级高刷新率实现低空对地多模态、高精度感知，多模态传感信息集成将有力提升重点目标识别跟踪鲁棒性。本专题拟对以上问题进行探讨。

关键词： 海杂波   特征参数预测   深度学习   杂波生成   性能评估   目标检测  

摘要： 雷达系统检测性能既依赖于雷达使用环境,同时也依赖于信号处理算法及其细节,开展雷达系统检测性能评估对目标检测算法选取、检测参数设置具有理论指导作用,对于雷达系统检测性能提升具有重要意义。海杂波指由海面反射的雷达回波信号,是海上目标检测的主要干扰来源。现有雷达检测性能评估方法,通常基于特定分布模型下的理论推导或杂波特性经验模型下的仿真计算,但由于经验模型的偏差,导致难以准确反映真实海杂波背景下的检测性能表现。因此,本文基于黄海灵山岛海域实测Ku波段小擦地角海杂波数据,提出一种面向雷达系统检测性能评估的海杂波生成方法,该方法基于雷达真实的工作场景,生成逼真的杂波数据,通过叠加目标回波可开展不同检测算法下的检测性能评估,进而为雷达系统目标检测策略提供决策辅助。论文的主要内容及成果特色概括如下: 1、提出了一种由测量条件参数到海杂波多维特征参数综合性预测方法。针对于传统经验模型对海杂波特性描述能力不足,以及基于深度学习技术实现多维特征参数统一化预测的缺失,本文设计了一种共享-多任务神经网络模型,基于Ku波段小擦地角实测杂波数据构建模型训练数据集,并引入了一种多任务损失函数设计方法用于模型训练。基于预测结果分析表明,本文所提出模型在较小的复杂度下仍然具有较好的预测效果,相较于传统模型多维特性预测性能均有提升,其中针对海杂波特征参数中衰减系数指标预测精度提升达到70%以上。 2、建立了一种由测量条件参数控制的海杂波数据样本高精度仿真方法。基于海杂波多维特征参数预测结果,结合时空相关杂波生成方法,具备了任意测量条件参数下的海杂波数据样本精确生成能力,并引用四种指标在统计特性上进行定量评估,结果表明生成杂波与实测杂波在多个特性维度下皮尔逊相关系数和余弦相似度均达到90%以上。在此基础上,探索了基于生成对抗网络的海杂波生成方法,并对生成结果进行了分析讨论。 3、实现了由测量条件参数到检测性能结果的端到端评估。基于理论公式推导和实测杂波对比结果,验证了生成杂波背景下开展检测性能评估的可靠性,系统分析了不同海杂波特征参数及测量条件参数对雷达目标检测性能的影响,本文研究内容对于雷达系统检测性能提升具有重要意义。

关键词： 旁瓣抑制   频谱变形   合成孔径雷达   目标检测  

摘要： 旁瓣抑制是合成孔径雷达(Synthetic Aperture Radar,SAR)图像解译中的关键预处理技术。强散射目标的存在会产生旁瓣,干扰相对较弱的散射目标。多个强十字形旁瓣的重叠甚至可能产生虚假目标,严重影响SAR图像目标检测和识别的准确性。现有的旁瓣抑制方法中,空间变迹法(Spatially Variant Apodization,SVA)系列方法对图像每个像素点进行判断,区分出主瓣和旁瓣并重新赋值。这类方法抑制具备明显抑制效果,但可能造成主瓣能量损失,对多类型旁瓣叠加的情形处理效果较差。频谱变形旁瓣抑制(Spectral Reshaping Sidelobe Reduction,SRSR)方法具备良好的旁瓣抑制效果。它通过改变旁瓣方向分离出主瓣和旁瓣,同时不改变SAR图像分辨率。然而,该方法对强十字形旁瓣的抑制效果不佳,并且会产生额外的旁瓣,使散射点周围变模糊。 针对上述SAR图像旁瓣抑制中的难点,本文提出了两种方法以解决SAR图像旁瓣抑制领域的现存问题。本文的创新点主要有以下两个方面: (1)提出了基于频谱变形和空间变迹的SAR图像旁瓣抑制方法。通过频谱变形,在保持图像分辨率的同时,剔除图像中大部分旁瓣。接着使用广义SVA方法,对未消除的旁瓣进行进一步抑制,同时消除由原始SRSR方法生成的新旁瓣。该方法能在保持良好旁瓣抑制效果的同时,削弱原始SRSR方法所带来的强散射点模糊问题。峰值旁瓣比和积分旁瓣比指标评估表明,该方法处理效果优于传统方法,对距离向和方位向旁瓣的抑制效果提升约20%。 (2)提出了一种改进的SRSR方法来解决新生成旁瓣问题。通过分析频谱变形前后正交和非正交旁瓣区域的复数数据统计差异,构建了一个表示旁瓣叠加特征的图像。接着对图像按照特定规律进行数值选择,确保特征图像仅包含需要消除的旁瓣信息。所提出的方法成功解决了原始SRSR引入新旁瓣的问题,同时更好地抑制了强十字形旁瓣。在机载和星载SAR图像上的实验结果表明,所提出的方法优于其他的旁瓣抑制方法。本文提出方法在距离和方位向上实现了改进的峰值旁瓣比和积分旁瓣比,并且图像熵更小。由于其良好的旁瓣抑制能力,经过本文方法处理的SAR图像在目标检测中的准确性提升约15%。

关键词： 显著性目标检测   光学遥感图像   卷积神经网络   Transformer  

摘要： 近年来,计算机视觉领域的显著目标检测技术在自然场景图像中取得了显著进展,但光学遥感图像的显著目标检测仍然是一个具有挑战性的研究课题。光学遥感图像作为多光谱遥感图像的一种,结合了光谱与空间信息的优势,能够呈现地物的本质特征,使得基于光谱特性的目标区分成为可能,为RSI-SOD提供了坚实的基础。然而,由于遥感图像的成像环境复杂,其目标尺度变化大,光照条件不稳定,成像角度多变,使得NSI-SOD与RSI-SOD存在显著差异。传统的机器学习方法在复杂背景和不均衡目标分布的情况下表现有限,难以有效提取显著目标信息。尽管近年来深度学习技术的发展为RSI-SOD带来了突破,一些基于卷积神经网络和Transformer的模型取得了良好效果,但仍面临诸多挑战。目标尺寸波动大,涵盖从大尺度建筑到小尺度车辆,难以保持检测稳定性;显著目标数量不确定,可能单一或成群,影响鲁棒性;背景复杂,非显著区域与目标纹理相似,易导致误检和漏检;目标边缘模糊,影响精准分割;此外,阴影、云层等干扰因素降低检测可靠性。因此,如何充分利用遥感图像的光谱与空间信息,构建更鲁棒的特征提取方法仍然是RSI-SOD领域亟待解决的重要问题。未来研究需进一步优化深度学习模型,提升对复杂背景的适应能力,提高显著目标检测的精度和稳定性。 为应对上述难点问题,本文在深入分析了光学遥感图像的在不同尺度大小下的特征特性,利用注意力机制增强浅层高分辨率细节和深层语义结构信息,并通过多维度实验验证了其有效性和优越性。主要研究内容如下: (1)针对基于CNN的RSI-SOD方法存在复杂背景检测冗余、多尺度目标易丢失、边缘检测模糊的问题,提出基于边缘引导与语义交互的显著性目标检测方法。该方法利用层级特征增强策略,结合边缘引导模块优化浅层特征表征,语义交互模块提升全局语义理解,以提高边缘检测精度与完整性。通过混合损失优化训练,并在公共数据集上广泛实验,验证了方法的有效性与优越性。 (2)针对基于CNN的RSI-SOD在信息提取不充分、边缘处理效率低和普通注意力机制导致信息丢失问题,提出基于局部-全局语义感知的显著性目标检测方法。该方法结合CNN与Transformer优势,利用Transformer编码器捕捉全局长距离依赖关系,并设计三大特征语义增强模块优化多层级特征表达,突出显著目标。实验结果验证了模型的有效性,提升语义信息利用率,提高检测精度与运行效率。

关键词： 冲击波   纹影法   超压峰值   图像处理  

摘要： 冲击波作为战斗部的一个毁伤元,具有杀伤范围比较大、破坏性强,是战斗部在中远距离上的主要伤害来源,也是战斗部毁伤测试与评估的重要参量。在冲击波的实际测试中,使用电测法来测量冲击波的传播速度,通常需要沿同一传播方向布设多个自由场传感器,并配备时间同步装置,整体测量过程较为繁琐,系统构建也相对复杂。基于此,本文设计了在自然光条件下基于纹影图像处理的冲击波测试系统,实现了自由场爆炸冲击波的速度、超压测试。主要研究内容如下: 1.论文深入分析了自由场爆炸冲击波的传播特性,并基于纹影图像处理技术设计了基于图像处理的冲击波测试方案。该方案利用高速摄像机记录冲击流场的变化过程,通过冲击波序列图像,精确获取波阵面的传播速度及相关压力参数。 2.本文针对纹影图像中存在的噪声问题,采用双边滤波、局部最小均值滤波与中值滤波相结合的三重滤波方法,有效抑制图像噪声。 3.为精确提取冲击波爆心,通过人工拟合确定爆炸火团中心,并对火团区域进行去除,随后结合形态学操作对图像进行进一步清理,提升了冲击波结构的识别精度。 4.最终通过RANSAC法成功拟合出圆形冲击波。将冲击波图像处理算法封装为函数,并在Matlab的Gui界面中进行调用,编写软件实现了冲击波图像的自动处理。 5.为了定量分析冲击波传播速度,以炮弹实际长度为基准,建立了系统标定模型,成功获取测量系统像素坐标系与世界坐标系的映射关系,使测量系统不受布设环境的影响。最后基于流体力学原理的建立了超压峰值计算模型并进行了实弹测试试验。 试验结果表明,本文所研究的冲击波测量技术能够完整记录火炮发射过程中炮口冲击波的流场形态演变过程。测量结果表明冲击波的传播速度从584m/s衰减至485m/s,超压峰值从329,661帕衰减至222,173帕,实现了冲击波传播速度和超压峰值的测量。本文所研究的基于纹影图像的冲击波测试方法,简化了设备布设、提升了抗干扰能力和试验场地适应能力,能够可靠的测量地捕获冲击波流场形态,并计算得到其传播速度和超压峰值,本文还探讨了超压峰值与冲击波纹影灰度值之间的关系,并建立了纹影灰度与超压峰值的定量关联模型。