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： 目标检测   中药饮片识别   图像合成   YOLOv5   对比学习  

摘要： 目的 设计中药饮片图像的自动合成方法和用于中药饮片识别的深度学习模型，实现对中药饮片的自动识别。方法利用图像处理技术分割单个中药饮片样本的图像，而后随机抽取多个品种的中药饮片样本图像进行合成，生成训练数据集；并将对比学习技术与YOLOv5模型相结合，促使骨干网络提取更有效的特征，用于中药饮片的品种识别。结果 在合成和真实图像上的测试结果表明，对30个品种中药饮片的平均识别率>95%，平均每张图像的处理时间约为28 ms。边界框的精度和相似品种的识别率都得到了有效提升。结论 利用合成图像数据集训练的深度学习模型可实现对多个品种中药饮片的有效识别，并可推广到更广泛的中药饮片识别应用中。

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： 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： 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： 图像处理   物理实验   数据解析  

摘要： 文章探讨了图像处理技术应用于物理实验数据解析的核心价值，通过对物理规律和图像处理交叉理论的阐述，搭建了数据解析框架，覆盖了数据图像化转换、算法设计和规律反演方法等；结合典型的物理实验案例证明了此技术能打破传统方法的限制，准确地揭示物理规律。研究表明，图像处理技术给物理实验研究带来了新的视角和高效路径，促进了物理学科和计算机视觉学科深度融合发展。

关键词： 水下目标检测   图像增强   YOLOv8   小目标检测  

摘要： 水下目标检测的应用前景非常广阔,在海洋资源勘探、水下安防监控、海洋生态保护等诸多实际应用场景中发挥着不可或缺的作用,但当前仍面临一些挑战,例如水下图像的模糊、目标之间的重叠与遮挡、以及目标尺度较小导致的误检与漏检等问题。本文基于现有的水下数据集,对这些问题进行了深入分析,并完成了以下研究工作: (1)针对水下图像失真的问题,提出了一种融合图像增强的水下目标检测网络SD-Net(seabed detection network)。首先,设计端到端的图像增强与目标检测联合训练框架,利用预训练的增强模块优化检测模块,以提升目标检测精度。其次,设计了轻量级的检测头LRPN添加到在骨干网络Mobilenet V2中,进一步压缩了检测模块的网络参数,大大减少了模型的计算量。最后,构建出一种双路FPN(特征金字塔网络)结构,通过自顶向下和自下而上的双向路径进行特征增强,提升了模型对小尺度目标的检测能力。通过在J-EDI海洋垃圾数据集上进行试验,m AP和速度分别达到了94.5%和28.5FPS,且模型参数量仅有15.4M,在精度、速度和模型大小之间实现了良好的平衡。 (2)针对水下小目标检测精度受限和目标遮挡问题,设计了一个基于YOLOv8改进的水下目标检测算法YOLOv8-USOD(YOLOv8-Underwater Small Object Detection)。首先基于全维度卷积和空间通道重构卷积,构建了C2f3DRecon模块,增强了各个通道的表达能力,减少了误检率;其次,在网络颈部嵌入PSA注意力机制模块(Position-Sensitive Attention),利用位置编码来提升空间敏感性,增强模型在空间上对重要目标区域的关注;此外,在颈部新增一个的检测头,提升了对小目标的感知力;最后,设计了改进的Wise-EIo U损失函数,优化了损失函数的在边界框回归损失中的局限性,提高了模型检测准确率。实验结果表明,改进之后的算法在RUOD数据集上准确率m AP提升了2.5%,检测速度提升至102.9FPS;有效的实现了对水下目标快速、准确地检测。 图[33]表[13]参[80]

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。

关键词： 深度学习   目标检测   多帧检测   注意力机制   多目标跟踪  

摘要： 海面微弱目标检测与跟踪具有重要的战略意义与应用价值,不仅关系到沿海国防安全与海上交通秩序维护,还在海上资源开发、环境监测及应急救援等领域发挥关键作用。由于海面微弱目标易受波浪、潮汐与气象条件干扰,其信号特征较为微弱,且目标机动性强,给检测与跟踪过程带来较大挑战。本文将使用深度学习方法,对海面微弱目标的检测与跟踪进行研究,实现海面微弱目标的高精度检测与跟踪。主要内容如下: (1)提出了一种基于Transformer的海面微弱目标检测算法。其算法可以同时对雷达回波的幅度与相位特征进行提取,避免回波的信息损失。具体而言,将雷达原始回波信号进行复数域特征表征,并引入多个感受野通道对同一输入数据进行多尺度特征提取。这不仅能够更充分地捕捉回波的关键信息,还能实现不同通道间的互补以提升特征表达能力。同时,模型将海面目标检测问题建模为各个距离单元的二分类任务,并设计了新的损失函数以缓解目标位置不匹配所导致的检测偏差。实验结果表明,与传统方法相比,本方法的检测率有较大提升。 (2)提出了一种基于多帧检测的海面微弱目标两阶段跟踪方法。能够从连续的距离-多普勒(Range Doppler,RD)图中实现对机动微弱目标有效的检测与跟踪。具体而言,首先设计了结合了多帧思想的多帧帧间UNet网络模型(Multi-Frame Inter-Frame Attention UNet,MF-IFA-UNet),用于对目标进行初步检测,同时通过引入帧间注意力机制(Inter-Frame Attention,IFA)来增强对帧间时空特征的学习能力。随后,使用卡尔曼滤波器对目标进行跟踪,如果当前帧中未能成功匹配上一帧目标,则从当前帧中裁剪出潜在目标区域,并使用小区域检测模型(Small Area Detection Network,SADN)对该小区域进一步精准检测。实验结果表明,所提算法充分利用了帧间目标信息,能够在复杂海况下实现对多个运动目标的稳定跟踪,与多帧和其他跟踪方法相比,本模型的跟踪精度显著提高,验证了该方法的优越性能。最后设计了一个目标跟踪系统,该系统可以有效对海面微弱目标进行跟踪操作,并提供目标的多种表现形式。