关键词： 小目标检测   YOLOv11   特征金字塔   感受野   特征调制  

摘要： 针对无人机航拍视角下目标检测中存在的小尺寸目标密集、多尺度变化显著及复杂场景干扰导致的检测精度不足问题,提出一种基于YOLOv11n改进的无人机航拍图像目标检测算法DMF-YOLOv11。设计双重双向辅助特征金字塔网络(dual bidirectional auxiliary feature pyramid network,DBAFPN)作为Neck结构,通过多层级特征双向融合机制增强极小目标与常规小目标的特征表征能力;构建多分支混合卷积模块(multi-branch hybrid convolution,MBHConv),采用并行异构卷积路径提升模型对小尺度目标的感知灵敏度;将自调特征聚合网络(self-modulating feature aggregation network,SMFANet)与主干网络C3K2模块深度融合,提出C3K2_FMB模块以协同提取局部细节与非全局上下文特征。在VisDrone2019数据集上的实验表明,DMF-YOLOv11的mAP50与mAP50-95分别达到46.2%和28.4%,较基准模型YOLOv11n分别提升11.5和8.3个百分点,召回率提升9.4个百分点至44.6%。改进算法有效提升了无人机航拍场景下的目标检测精度。

关键词： 目标跟踪   交互多模型   ADS-B   转移概率矩阵   跟踪误差  

摘要： 为了提高场面监视效率,实现场面运动目标精准跟踪,考虑到传统交互多模型由于固定马尔可夫转移概率矩阵导致模型跟踪精度降低,该文提出一种转移概率自适应改进的交互多模型滤波算法。该算法利用观测数据和滤波残差数据,结合模糊推理算法,构建机动强弱模糊推理系统,推理出观测数据与隐马尔可夫显状态集合的映射关系,得到显状态集下的状态序列;根据隐马尔可夫模型中的Baum-Welch算法实时求解状态转移矩阵和更新观测概率矩阵,优化状态转移概率矩阵自适应更新策略;将机动强弱模糊推理系统和隐马尔可夫模型融入交互多模型算法中,构成机动目标实时估计的模糊隐马尔可夫-交互多模型算法,以提高跟踪精度;最后,基于实际场面ADS-B轨迹数据进行了验证,验证结果显示,改进后的交互多模型能够在非等间隔预测条件下实现参数的自适应调整,且在双维度4项统计指标中,位置跟踪精度方面分别提高了63.5%,54.3%,40.3%,22.7%,速度和加速度的轨迹拟合精度均得到了提高,验证了改进算法的优越性。

关键词： 图注意力网络   注意力机制   硬样本挖掘   目标检测  

摘要： 针对电力系统图纸矢量化需求,提出一种基于图注意力神经网络(GAT)的图纸符号连接关系识别算法,有效解决繁杂的符号种类与连接关系识别的问题。通过注意力机制赋予符号图片中关键特征更大的权重以提升整体的精度;采用硬样本挖掘训练策略,解决电力符号数据集中类别不平衡问题。实验表明,该算法在检测精度上显著优于传统方法,克服了样本分布不均带来的识别偏差,实现了电力系统符号检测和连接关系识别的同步优化,为电力图纸的智能化管理提供了可靠的技术方案,具有工程应用价值。

关键词： 非合作设备   信号识别   时频特征   目标检测   YOLO架构  

摘要： 随着各种通信、导航、遥控设备的广泛使用,电磁环境变得愈发复杂。在多类信号混杂的电磁环境中对电磁频谱进行监测布控,实现针对非授权、非合作设备的准确识别成为迫切需求。近年来,基于深度学习的识别技术得到快速发展,但在多域特征融合机制方面仍有所欠缺,在非合作条件下识别性能仍相对较弱。针对多信号混杂情境下特定电磁目标信号识别问题,提出一种基于多域特征融合与目标检测架构的电磁信号识别方法。该方法利用短时傅里叶变换实现了时频域信号特征的融合,基于YOLO目标检测架构,设计了时频域联合特征提取识别机制。算法在实测数据和公开数据集上进行性能验证,实验结果表明本算法的识别准确率明显优于对比深度学习识别方法。

关键词： Python语言   OpenCV库   银行卡卡号识别   计算机视觉   图像处理  

摘要： 深入介绍了利用Python编程语言及OpenCV库开发的一款用于银行卡卡号识别系统,详细阐述了整个项目的设计与实现过程。通过对图像预处理、特征提取、模板匹配等关键技术的研究和应用,不仅阐述图像处理和模式识别在实际运用中的核心技术,而且为处理诸如车牌号识别、身份证号码识别、产品序列号识别等类似项目,提供了有效的参考和借鉴。

关键词： 非金属夹杂物   图像识别   夹杂物分类   机器学习   YOLOv5   目标检测  

摘要： 管线钢中非金属夹杂物是诱发氢致裂纹(HIC)的关键,夹杂物数量、尺寸、形貌与HIC敏感性正相关。实现夹杂物形态精准调控已成为制造高级别管线钢的技术难点。建立夹杂物识别模型,为夹杂物演变规律、优化管线钢质量控制提供技术指导。采用YOLOv5目标检测算法,成功实现了管线钢中4类典型非金属夹杂物的智能识别与分类。该模型检测精度:MnS夹杂物100%,TiN析出相95%,Al_(2)O_(3)团簇83%,Al_(2)O_(3)·MnS复合相94%。通过夹杂物的形成对管线钢力学性能的影响机制进行了分析。

关键词： 机器视觉   透明元件   图像处理   灰度重心法  

摘要： 针对平面透明元件特征不明显、大视场下测量精度不高等问题,文章提出一种基于机器视觉的平面透明元件测量方法。该方法主要包括平面透明元件二维信息测量及高度信息测量两部分。添加特征背景增加平面透明元件的纹理信息,在此基础上基于SURF角点检测的图像配准方法实现大视场环境下图像高精度拼接,提出一种改进的二值化方法剔除特征背景还原图像信息,结合轮廓检测及矩形轮廓识别技术获得平面透明元件二维信息。同时引入一种激光投影装置,通过灰度重心法及改进的双边滤波方法,实现对平面透明元件上下表面的激光异位成像高精度检测,并基于折射原理获得平面透明元件高度信息。实验结果表明,二维检测的准确度为5μm,相对误差保持在0.02%以下,高度检测的准确度为50μm,相对精度保持在0.78%以下,实现平面透明元件在大视场下的高精度测量。

关键词： 计算机视觉   建筑工程   电缆敷设   质量检测  

摘要： 传统的建筑工程电缆敷设质量检测方法存在检测准确性不足与响应速度慢的问题,且需要对电缆进行取样、切割、测量等操作,这些操作不仅繁琐,而且耗时较长。特别是在大型建筑工程中,电缆数量众多,检测工作量大,传统方法的响应速度无法满足快速施工和质量控制的需求。为此,提出基于计算机视觉的建筑工程电缆敷设质量检测方法。首先,基于计算机视觉技术,采集建筑工程电缆敷设图像,通过图像预处理,实现电缆敷设区域的精准分割;然后,从分割的区域中提取电缆敷设的关键特征,包括形态、排列及表面缺陷等,为质量检测判断提供基础;最后,基于提取的特征,构建质量检测模型并进行敷设质量的智能判断。结果显示,应用该方法后,检测漏报次数和误报次数均显著低于传统检测方法,展现出更高的检测准确性。同时,由于计算机视觉技术的快速处理能力,该方法的检测响应速度较快,更适合用于大规模电缆敷设质量的快速检测,能够显著提高检测效率。

关键词： 半监督   伪标签   目标检测   师生模型  

摘要： 精准检测果实的生长阶段对于提高农业机器人的作业效率至关重要。然而,传统的全监督目标检测模型依赖于大量的数据标注,实现成本过高。鉴于此,提出了一种利用少量标注数据训练的目标检测模型。包括:(1)采用YOLOv8构建教师-学生模型,负责生成伪标签与训练网络;(2)通过改良的伪标签分配方法,筛选出可靠、不确定与不可靠的伪标签,减少低质量伪标签对学生网络训练的负面影响;(3)针对这三种伪标签优化了训练损失函数,以更好地提取不同置信度的伪标签内的潜在信息。通过在石榴生长阶段数据集上进行实验验证,结果显示,在仅使用10%的标注数据的情况下,所提方法的平均精度达到了90.8%,比同样数据集下的YOLOv8网络提升了5.5个百分点,且该性能已接近于使用全标注数据训练的YOLOv8的92%。这一结果充分证明了提出的方法在标注资源有限的背景下,依然能够训练出高效且准确的目标检测模型。

关键词： 显著性目标检测   特征净化   多模态融合   注意力机制  

摘要： 为以高效的方式检索特征中的显著性信息,本文提出一种用于RGB-T显著性目标检测的特征过滤网络。通过分组注意力机制,对多模态融合后的显著性特征进行过滤,逐步引导网络模型得到更精确的显著性目标。实验结果表明,与8种算法比较,本文算法的5个指标性能良好,验证了该方法的有效性。