关键词： 红外小目标   目标检测   跨越连接   注意力机制   多尺度融合  

摘要： 针对复杂背景红外小弱目标信号弱、特征不明显、干扰虚警多等检测性能低问题,提出基于跨越连接与融合注意力机制的单阶段红外弱小目标检测算法。该方法融合注意力机制与残差网络提取小目标多特征,减少复杂背景干扰;双向跨越连接结构融合低层与高层各自的特征信息,凸显小弱目标特征表达能力;增加一个高分辨率检测层,重新聚类弱小目标先验框,增强目标与背景的特征差别学习能力;最后,建立真实目标和预测目标框的高斯分布模型,计算两者相似性,解决因IoU度量造成的目标损失回归偏差敏感问题,提升损失回归准确性。在公开红外小目标数据集上进行对比测试,实验结果表明该算法对多种复杂背景下红外小弱目标检测均取得了最佳性能,在平均精度和速度等方面都得到显著提升,模型最小,方便部署。

关键词： 养殖场   牛日常行为   目标检测   YOLOv5s  

摘要： 在现代化养殖场中,牛的行为识别对提升生产效益有重要意义,通过监测牛的日常行为可以判断牛的身体健康状况;而对牛的产犊行为监测,便于做好护理工作,避免生产损失。本研究采用YOLOv5s目标检测算法对养牛场牛进行行为检测,采集牛的站立、躺卧、采食、饮水、排粪、排尿、产犊七类行为图像数据并做标注,对图像进行数据增强操作,制作成牛行为识别数据集,最后放入YOLOv5s网络进行训练,得到牛行为目标检测模型。结果显示,模型检测站立、躺卧、采食、饮水、排粪、排尿、产犊等行为的平均准确率和平均召回率分别达到96.9%和94.1%,可为智慧养殖场牛行为监测提供技术支持。

关键词： 自动驾驶   环境感知   路侧视角   多目标检测   YOLOv4   深度学习  

摘要： 面向道路交通场景中多类别、可变规模的目标车辆检测需求,如何有效地以低算力构建结构化数据,实现超视距感知并解决单车视距限制,是自动驾驶汽车环境感知技术领域亟待解决的重要问题之一.为此,提出兼顾精度和实时性的轻量化路侧视角多目标检测算法.首先,以嵌入通道域注意力机制的倒残差网络结构代替单阶段检测算法特征提取网络作为网络骨干部分,利用深度可分离卷积降低特征提取网络参数量;其次,采用空间金字塔池化(spatial pyramid pooling, SPP)处理深层网络输出特征图,选取轻量化后骨干网络不同深度特征图的输出,利用路径聚合网络(path aggregation network, PANet)融合深层语义信息与浅层表观信息构成检测模型颈部;最后,在检测模型头部设置3种不同特征图大小的网络输出,使同一图像信息不同尺寸目标在适宜网络深度进行目标信息回归,提出轻量化路侧视角多目标检测算法M3-YOLOv4.实验结果表明, M3-YOLOv4在数据集RS-UA表现的mAP值为0.906,相较YOLOv4的mAP值下降1.1%, M3-YOLOv4模型参数量缩减为YOLOv4的10%,同平台下模型前向推理速度也具备明显优势.

关键词： 领域自适应   跨域目标检测   深度神经网络   平均教师  

摘要： 无偏跨域目标检测的主要目的是借助知识蒸馏最大限度地利用源域的知识,通过领域自适应减小模型的跨域差距。然而,通常用于无偏跨域目标检测的平均教师方法所产生的伪标签并不可靠,从而导致师生模型间仍然存在较大的领域偏差问题。受傅里叶变换中相位信息不变性特点的启发,在平均教师的基础上提出傅里叶增强无偏协同教师模型(FAUMT)。利用傅里叶相位信息的不变性,设计振幅混合的数据增强(AMDA)模块,其可以有效地混合源域和目标域间的相位信息从而实现数据增强。而数据增强会产生额外的噪声,设计两个一致性损失来保证数据增强前后预测的一致性。此外,为平衡模型训练过程中源域和目标域间的跨域偏差,还设计了多层对抗学习(MAL)模块,旨在对不同层次的像素级别特征进行域对齐。在三个基准数据集Cilpart1K、Watercolor2K、Comic2K上,该方法的mAP分别达到了47.5%、58.9%、46.1%,超过了其他算法。

关键词： 深度学习   目标检测   垫圈检测   YOLOv8   损失函数  

摘要： 针对沉孔螺栓自动装配过程中孔内垫片的有无检测问题,本文提出了一种基于深度学习的视觉检测方法,利用改进的YOLOv8算法模型对不同表面性质的产品进行沉孔内垫片检测。首先,对不同产品沉孔中垫片构建了垫片装配情况数据集;其次,使用GhostNet网络改良原有的YOLOv8主干网络,并通过新增第六个深度学习计算层,在不影响检测效果的同时使模型得到轻量化;最后,采用SmoothL1损失函数,提高了模型训练收敛速度。实验结果表明,优化后的模型精确度为99.5%、召回率为97.4%、Map@0.5为98.4%、推理耗时为6.4ms,相比YOLOv8原版本精确度提升了1.9%、召回率提升了11.8%、Map@0.5提升了13%。模型投入实际生产后,垫片装配不良漏检率0%、错杀率0.25%,对解决螺栓自动装配场景下垫片装配异常检测问题具有重要参考价值。

关键词： 高速摄像   玉米排种器   性能测试   图像处理   排种均匀性   漏播率  

摘要： 随着现代农业对高效、精确播种技术需求的增加,传统的排种器性能测试方法已经难以满足要求。该文基于高分辨率高速摄像机,在不干扰排种器正常工作的情况下实时捕捉和分析排种过程,通过获得排种器在高频率下的连续图像了解种子在被排出瞬间的运动轨迹和分布情况。试验结果表明,该方法可以准确地检测排种器的排种速度、排种均匀性和漏播率,为优化和改进玉米排种器设计提供了可靠的数据支持。通过该技术手段,可以大幅度提升玉米播种器的效率和质量,不仅有助于提高玉米的播种质量和效率,还可以为农业生产提供重要的技术支持和保证。

关键词： 目标检测   军事飞机   YOLOv8   模型剪枝   知识蒸馏  

摘要： 遥感图像军事飞机检测在侦察预警、情报分析等领域具有重要意义。为使军事飞机检测模型能在算力受限的设备上高效运行,从网络设计与模型压缩两个方面对YOLOv8n进行轻量化改进。在网络设计方面,使用FAS_C2f替换原始主干网络中的C2f模块,减少计算冗余并加快网络特征提取的速度;根据军事飞机目标的尺度特征对网络结构进行优化,缓解因过度下采样导致的小目标信息丢失问题;使用Inner-SIoU作为新的定位回归损失函数,提升对小目标样本的学习能力并加快回归边界框的收敛。在模型压缩方面,使用基于LAMP分数的通道剪枝对重设计后的模型进行压缩,进一步减少参数和模型大小;并利用通道级知识蒸馏(channel-wise knowledge distillation,CWD)将模型精度恢复到接近剪枝前的水平。实验结果表明,在公开军用飞机数据集MAR20上,轻量化后的模型mAP为97.2%,体积仅有0.7 MB,较原始模型缩小了88.3%,FPS提高了14帧/s,满足军事飞机目标检测的实时性要求。

关键词： 目标检测   无人机   重参数化   注意力机制   解耦检测头  

摘要： 针对无人机航拍图像目标尺度变化大、目标与背景相互干扰所导致的误检、漏检问题,提出一种基于重参数化注意力的目标检测方法,并将其应用于无人机航拍目标检测。首先,通过提出重参数化坐标注意力模块来增强相关特征,提升网络对上下文信息的捕捉能力;其次,设计多尺度感受野增强模块来重构骨干网络,从而增强特征图的接受域,提升网络的特征提取能力;接着,提出四尺度特征融合检测网络,提升网络对小目标的检测能力;最后,引入解耦检测头来解决分类与回归任务之间的冲突。在VisDrone2021数据集上进行实验,所提方法的mAP0.5相比原算法提高了7.6个百分点,召回率提升了5.5个百分点,与其他方法相比也具有明显优势。实验结果证明,改进方法能够较好地解决上述误检、漏检问题,具有良好的检测效果。

关键词： 注意力机制   图像处理   全息影像技术   噪声模糊处理   像素捕捉模型   影像重建  

摘要： 全息影像在重建后经常会出现背景模糊等现象,为提高影像重建质量,设计融合注意力机制的模糊全息影像重建方法。设置像素点恢复与退化机制,对像素点采样与噪声进行模糊处理,关联区域内数值背景,建立全息影像像素捕捉模型,获取相同的特征序列维度,计算目标图像的背景信息,对不同空间采样频率的排列矩阵进行线性差值处理,采用融合注意力机制设计全息影像背景增强方法,采用模糊全息影像重建算法计算补偿函数,得到重建后全息影像。最后测试结果表明,所提方法可以得到最清晰的基础图案以及背景信息,结构相似性指数均在0.85以上,重建效果明显优于对比方法。

关键词： 外辐射源雷达   多目标跟踪   鲁棒跟踪   标签多伯努利滤波器   随机有限集  

摘要： 针对未知杂波环境下机载外辐射源雷达的多目标跟踪问题,提出一种鲁棒自适应的标签多伯努利滤波器。首先基于标签多伯努利滤波器算法框架对多目标跟踪问题进行建模,然后针对目标新生参数、杂波参数以及目标检测概率未知的问题,提出采用量测驱动的目标新生模型和基于势均衡多目标多伯努利估计器的在线参数估计方法,最后考虑到机载外辐射源雷达量测的非线性,采用序贯蒙特卡罗方法对所提算法进行实现。实验结果表明,所提滤波器能够利用外辐射源量测准确估计多目标航迹,且在未知杂波环境下的性能可以逼近杂波参数已知的广义标签多伯努利滤波器,鲁棒性更好。