关键词： 目标跟踪   Transformer   卷积神经网络   无人机  

摘要： 针对无人机目标跟踪任务中背景复杂、目标分辨率低、尺度变化大等问题,提出了融合多尺度全局-局部特征的无人机目标跟踪算法。首先,设计了多尺度特征增强模块,充分利用多尺度信息来生成跟踪目标的判别性表示,以增强对不同尺度目标、低分辨率目标跟踪的鲁棒性。其次,提出了全局-局部特征融合模块,结合了Transformer对于全局关系建模的优越性以及卷积神经网络在提取局部相似性的优势,丰富了整体网络的表征能力,可以应对各种复杂环境的挑战。所提算法在UAVDT、UAV123、UAV112L、DTB70等4个无人机跟踪数据集上进行实验,结果表明,所提算法的性能优于目前一些先进的无人机跟踪算法,在各种复杂场景下表现出更优越的跟踪效果,并且满足算法实时性的要求。

关键词： 航空遥感图像(ARSI)   目标检测   空洞Inception   Transformer   改进U-Net  

摘要： 航空遥感图像(ARSI)目标检测在国防和民用的很多领域具有重要的应用价值。针对现有ARSI目标检测方法中存在的形态特征提取不充分、目标区域检测不完整、背景混淆等问题,提出一种基于改进U-Net(MU-Net)的ARSI目标检测方法。该方法在U-Net中引入了多尺度空洞卷积模块Inception、语义增强模块Transformer和注意力门控模块,旨在提取局部与全局多尺度分类特征。主要过程包括:利用空洞Inception模块增强U-Net的多尺度局部特征提取能力;利用Transformer模块捕获ARSI的全局位置信息,整合局部形态特征;利用注意力门控模块抑制噪声和不重要的特征,实现图像目标检测。该方法在ARSI数据集上进行了测试,结果表明,所提出的方法的检测精度为94.26%、训练时间为2.13 h,检测结果整体优于其他方法。与其他模型相比,MU-Net可以提取更丰富的ARSI目标形态特征,检测到更完整的目标区域。

关键词： 隧道工程   衬砌内部缺陷   目标检测   深度学习  

摘要： 大多数隧道在建成初期都存在钢筋不连续、内部脱空和混凝土浇筑不密实等衬砌内部缺陷,严重影响隧道结构的耐久性和稳定性。为解决隧道衬砌内部缺陷常规检测手段的主观性强、准确性差、效率低等问题,基于YOLOv7目标检测算法,提出一种改进的YOLOv7隧道衬砌内部缺陷检测算法,将主干特征提取网络输出的最深层特征层输入视觉显示中心(EVC),使其更加关注层内的细节信息,同时将边界框回归误差替换成基于最小点距离的新型损失函数(MPDIoU)。使用有限差分时域方法获取模拟雷达图像,与真实雷达图像一起构成隧道衬砌缺陷雷达图像数据集,进而将改进YOLOv7算法与YOLOv8、YOLOv7、YOLOv5、SSD和Faster RCNN共5种算法进行模型对比实验,在实际隧道质量检测中验证提出方法的优越性和有效性。模型对比实验中对于钢筋、内部脱空以及衬砌不密实这3种缺陷的识别,改进YOLOv7算法的F 1分数分别为94.51%、84.53%和97.66%,平均精度分别为97.13%、83.78%和98.30%,并且相较于其他5种模型在3种缺陷信号的均值F 1值和均值平均精度上均有一定提升;实例验证中,脱空信号和注浆不密实信号的识别准确率分别为70%和75%。结果表明改进的YOLOv7隧道衬砌内部缺陷检测算法具有优越的综合检测性能和泛化能力,有效满足了隧道二衬缺陷的检测需求。

关键词： 丘陵山地   轨道检测   单轨轨道   GPS   目标检测   损伤检测  

摘要： 针对丘陵山地单轨轨道本体结构受高密度运营、高负荷载重和外界自然环境的作用导致腐蚀损伤、轨道变形、沉降等问题,设计了一种便携式单轨轨道检测装置以及时获取轨道信息并进行精准检修。该检测装置通过GPS传感器记录经纬度信息和多轴角度信息,对摄像头记录的画面进行目标检测从而实现轨道检测,最后将多种信息汇总实现地理信息交互。试验结果表明:检测装置对转弯半径检测的最低平均误差为3.68%;静态坡度检测的最大相对误差为4.55%,平均误差为2.53%;动态坡度检测的最大相对误差为-8.20%,平均误差为5.33%;采用YOLOv8-n模型对轨道表面缺陷进行检测,完成训练的模型m AP值为81.55%;地理位置信息可以准确地显示转弯半径、坡度和轨道表面损伤分析的结果。该检测装置可以较好地实现轨道转弯半径、坡度、损伤检测,可以应用于数字农业从而提升农业信息化水平,具有一定的应用前景。

关键词： 显著性目标检测   注意力   多尺度特征引导融合   多模态  

摘要： 提出一种基于多尺度特征引导融合(MFGF)和多模态加权交互聚合(MWIA)的RGB-D显著性目标检测(SOD)算法,旨在解决现有方法存在的多尺度特征提取不足、跨模态冗余干扰等关键问题。该模型遵循“编码-融合-解码”的设计范式,由MFGF和MWIA两个核心模块构成。首先,通过ResNet50主干网络提取RGB特征和深度特征;然后,MFGF模块通过改进残差结构、分层特征切分与空洞卷积策略对编码后的特征进行细化,以增强多尺度表达;最后,通过MWIA模块中的跨模态加权融合单元和跨模态注意力聚合单元获得高质量的多模态特征,并在解码阶段得到准确的显著性分割图像。利用5个主流的数据集进行实验,结果表明,在平均绝对误差(MAE)、F_(β)^(max)、E_(φ)^(max)、S_(α)这4个指标上优于其他18种方法,验证了该算法的有效性。

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。

关键词： 目标检测   雾天驾驶   YOLOv8   BiFormer   多尺度注意力机制   C2f-RepGhost  

摘要： 雾天场景下能见度降低,车辆在雾中捕获的目标信息模糊且不完整,易发生误检与漏检问题,文中提出一种改进YOLOv8的雾天目标检测算法(BRES-YOLO)。首先,引入BiFormer替代骨干特征提取网络,捕获不同的语义特征以提升模型的检测精度;其次,在颈部网络中加入EMA模块,以增强模型对目标的关注度,引入SPD-Conv替代原始模型中的Conv,提高在处理低分辨率图像和小目标时的检测性能,使用MPDIoU代替原损失函数,提高检测框的定位精度和分类性能;最后,引入C2f-RepGhost结构替代原有的C2f模块,使模型轻量化,并减小模型的计算复杂度。实验结果表明,与YOLOv8n模型相比,BRES-YOLO模型在RTTS数据集上的平均精度均值mAP@0.5提高了5.8%,mAP@0.5:0.95提高了5.4%。综上所述,BRES-YOLO模型可以更准确地完成雾天场景的目标检测任务。

关键词： 毫米波雷达   计算机视觉   深度学习   多模态融合   空中手写体识别  

摘要： 空中手写体识别是一项前景广阔的人机交互技术。单一传感器挖掘手势特征,如毫米波雷达、相机和Wi-Fi,均难以捕捉完整的手势特征。对此,设计了一种灵活的双流融合网络(Two-Stream Fusion Networks,TFNet)模型。该模型既可以融合空中手写体能量图(Air-writing Energy Images,AEIs)和点云时间序列特征图(Point Cloud Temporal Feature Maps,PTFMs),又能仅以单模态数据作为网络的输入。同时,构建了一种鲁棒可靠的多模态空中手写体识别系统。该系统采用硬触发方式启动和结束多传感器数据采集,分别处理同时间序列内的图像和点云数据,生成AEIs和PTFMs,实现多模态数据时间对齐。经过分支网络,对手势外观和细粒度运动信息进行特征提取,结合自适应加权权重,融合双分支决策结果,避免了多模态中间特征的复杂交互,有效地降低了模型的损失。采集多名实验者空中书写0-9共10个数字的空中手写体数据对模型进行评估,结果表明,所提模型在识别精度方面优于其他基线模型,且具有较强的鲁棒性,在空中手写体识别任务中表现出明显优势,可成为多传感器在空中手写体识别任务中的有效工具。

关键词： 紧凑型地波雷达   目标跟踪   航迹预测   特征分析   组合模型   极限学习机  

摘要： 针对紧凑型地波雷达由于定位精度低,导致航迹预测精度较低的问题,提出了一种结合最小二乘拟合与极限学习机的航迹预测方法。首先,采用均值滤波方法对航迹参数序列去噪,以降低噪声对预测结果的影响;然后,利用最小二乘拟合对航迹参数序列进行预测,得到线性预测值,并计算得到拟合序列与航迹参数序列之间的残差序列;最后,利用ELM对残差序列进行预测,以得到残差预测值,并将线性预测值与残差预测值相加,得到最终预测值。利用仿真及实测数据开展实验,结果表明,使用所提方法能够正确关联到目标点迹,并获得持续、稳定的目标航迹,优于现有的卡尔曼滤波预测方法。

关键词： OTSU算法   纤维图像分割   自适应阈值   形态学操作   图像处理  

摘要： 本文详细阐述了基于OTSU最大类间方差法的纤维图像分割技术,并对其在实际应用中的性能进行了评估。OTSU算法作为一种自适应阈值分割方法,通过寻找最优阈值,能够自动将纤维图像中的前景与背景分离,有效减少了人工干预的需求。算法的核心在于最大化类间方差,从而实现图像分割的最佳效果。结合形态学操作,该算法在处理纤维图像中的空洞、噪点以及细节保留方面表现出色,提高了图像分割的质量。实验结果表明,该算法不仅适用于羊毛、羊绒等常见纤维材质的图像分割,在多种复杂纤维图像处理中也展现出了良好的稳定性和适应性。本研究为纤维图像分析领域的进一步发展提供了有益的参考和可靠的技术支持。