关键词： 目标检测   卷积神经网络   自注意力机制   金属锈蚀检测  

摘要： 金属锈蚀会对变电设备的正常运转造成威胁,需要电网运维部门及时发现并处理,以避免形成安全隐患,而基于卷积神经网络的金属锈蚀检测是目前一种可行的智能化检测方法。由于卷积操作着重于局部计算存在着全局信息融合能力不足的缺点,为此,论文通过在卷积神经网络输出的特征图上进行自注意力操作,构建了融合自注意力机制的特征提取网络。实验结果表明,论文提出方法在公开数据集和金属锈蚀自建数据集上可有效提高检测性能。

关键词： 无人机遥感图像   目标检测   数据集   评价指标  

摘要： 目标检测技术在无人机遥感图像方面具有巨大发展潜力。为了有针对性地设计出适合遥感图像的目标检测算法,需要准确把握当前各类算法的优势及局限,探索新的解决策略。本文对基于传统技术和深度学习的目标检测方法进行了全面系统的分析,并将各类算法进行了对比;总结了常用的遥感图像数据集及目标检测算法的评价指标;针对遥感图像目标检测中目标较小、含有遮挡物以及背景环境复杂等关键问题,深入剖析了现有方法在处理这些难点时所面临的挑战;鉴于遥感图像的背景环境以及特性,从5个方面探讨了当前算法可能的改进方向,为无人机遥感图像目标检测技术的发展提供了参考。

关键词： YOLOv5   口吃识别   语谱图   目标检测  

摘要： 语言交流效率得分是量化口吃严重程度的方法,该方法需要获得口吃发生的时间,但目前相关研究仅能判断语音段中是否存在口吃,无法精确定位口吃的发生位置,不利于对口吃严重程度的判别.针对目前深度学习检测口吃类型无法可视化定位目标的问题,首先使用短时傅里叶变换将语音转化为语谱图,然后对其进行口吃类型标记,最后使用YOLOv5对口吃类型进行检测.在YOLOv5的基础框架下尝试YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x 4种不同深度和宽度的模型,实现口吃类型的分类和定位,并选择在其性能最优的模型YOLOv5l中引入高效通道注意力机制和CIOU目标框损失函数对基础模型进行改进.实验结果表明,改进的YOLOv5l模型在训练损失值有明显降低,在准确率、召回率和mAP_0.5上分别提升了1.2、0.6和0.4个百分点,较原模型漏检情况有所改善.

关键词： 激光武器   跟瞄系统   单目标跟踪   目标形变  

摘要： 当无人机在被激光武器击中后发生着火并导致部分零件掉落时,目前的跟踪算法会因物体掉落而出现跟丢现象,降低系统的作战效能。本文提出了一种抗无人机着火脱落干扰的单目标跟踪算法,能够在无人机着火后出现的复杂场景下有效应对零件掉落,确保持续跟踪目标。实验结果表明,改进的算法能有效应对着火脱落引起的跟丢问题。

关键词： 堆石料   级配   Segment Anything Model(SAM)   图像识别   快速检测  

摘要： 堆石料级配检测是堆石坝施工过程中质量控制的重要环节,传统方法通常采用现场人工筛分法测量,存在检测样本少、效率低、干扰施工等问题。提出了一种基于图像处理的堆石料级配计算方法,采用国际最新Mata AI开源的通用图像分割大模型Segment Anything Model(SAM)对筑坝堆石料进行自动图像分割,提出堆石长宽比、面积比等堆石形态学几何参数用于提取堆石料图像中的堆石颗粒目标;同时,建立堆石形态数据库、堆石实例分割数据库,并分析参数取值和验证堆石图像级配计算方法的有效性;最后,试验验证结果表明该方法能够有效识别出图像中的堆石颗粒目标,实现级配曲线的智能识别,以及曲率、不均匀系数等级配指标的快速计算。该方法计算获得的级配与真实筛分法测的级配相关性可达0.94,平均绝对误差约5%,能够在堆石坝施工过程中有效辅助检测堆石料的颗粒级配信息,服务堆石坝的施工碾压质量控制。

关键词： 动态环境   目标检测   同时定位与建图   稠密点云地图   光流法  

摘要： 针对动态物体严重干扰同时定位与建图(SLAM)系统正常运行的问题,提出一种基于目标检测和特征点关联的动态视觉SLAM算法。首先,利用YOLOv5目标检测网络得到环境中潜在动态物体的信息,并基于简易目标跟踪对图像漏检进行补偿;其次,为解决单一特征点的几何约束方法易出现误判的问题,依据图像的位置信息和光流信息建立特征点关联,再结合极线约束判断关系网的动态性;再次,结合两种方法剔除图像中的动态特征点,并用剩余的静态特征点加权估计位姿;最后,对静态环境建立稠密点云地图。在TUM(Technical University of Munich)公开数据集上的对比和消融实验的结果表明,与ORB-SLAM2和DS-SLAM(Dynamic Semantic SLAM)相比,所提算法在高动态场景下的绝对轨迹误差(ATE)中的均方根误差(RMSE)分别至少降低了95.22%和5.61%。可见,所提算法在保证实时性的同时提高了准确性和鲁棒性。

关键词： 目标检测   分形特征   YOLOv7   自适应融合  

摘要： 针对复杂环境背景和噪声情况下,桥梁病害图像中特征提取不充分的问题,提出将分形几何特征与YOLOv7网络融合的方法来提高病害检测的精度。首先,设计分形特征模块(fractal feature module,FFM),得到桥梁病害图像的分形特征图;其次,设计了自适应特征融合层,将提取的分形特征融入YOLOv7网络,让网络获得表达能力更强的特征图;最后,引入坐标注意力机制(coordinate attention,CA),增强了网络对小病害的检测精度。实验对包含风化、裂缝、钢筋外露、腐蚀和剥落5种桥梁病害的复杂图像进行了检测,结果表明:在相同的数据集和迭代次数下,融入分形几何特征的YOLOv7网络相比于原始网络对上述5种病害检测的平均精度均值从82.94%提高到86.24%,其中,裂缝病害的检测平均精度提高最为显著,从75.92%提高到81.29%。

关键词： 图像处理   非均匀光照校正   双边滤波   Retinex算法   数字图像相关  

摘要： 为了解决场景中非均匀光照导致散斑图像质量下降,进而影响数字图像相关测试精度的问题,采用多尺度双边滤波Retinex算法对散斑图像进行光学校正,实现光照不均匀场景下位移场与应力场的高精度光学测量;进行了模拟散斑图像的亚像素位移的实验,并与现有图像光学校正算法进行对比,取得了相应散斑图像位移均值误差、标准偏差以及质量评价指标数据。结果表明,所提出的算法对于非均匀光照散斑图像具有良好的校正效果,可以解决图像边界模糊和局部过度校正的问题,校正后散斑图像的平均灰度梯度从12.986上升到14.574,位移标准偏差从0.0443下降到0.0335。该方法可以增强散斑质量,保证光照不均匀场景下数字图像相关方法的测试精度和稳定性,提高复杂光照场景下数字图像相关方法的测试精度,为实际环境中光照突变的非接触测量提供了参考。

关键词： 无人机图像   Faster   R-CNN   注意力机制   空洞卷积   特征融合   目标检测  

摘要： 针对现有无人机图像目标检测算法存在小目标检测精度低、多尺度目标漏检等问题,提出一种基于通道注意力机制和并行结构空洞卷积特征融合的无人机图像目标检测算法。该算法在ResNet50特征提取网络中引入SENet和PSDCFFN,从通道和感受野两个层面提高算法的特征表达能力,并使用ROI Align代替ROI Pooling,基于K-Means重新设计RPN(Region Proposal Networks)锚框尺寸,减小目标回归过程的坐标偏差。实验表明,该算法能够提升无人机图像目标检测精度,在RSOD-Dataset和无人机图像数据集上,mAP分别达到92.52%和98.07%。

关键词： 无人机(UAV)   小目标   YOLOv8   轻量级   复合特征   多尺度特征融合  

摘要： 针对目前无人机航拍图像小目标检测算法存在的漏检、误检、精度与速度不平衡等问题,提出复合特征与多尺度融合的无人机小目标检测算法CM-YOLOv8s(composite and multi-scale YOLOv8s)。通过在空间金字塔池化模块引入通道特征,实现目标复合特征质量提升;通过重建模型颈部结构,提高目标细节特征的保留比例;通过设计DRHead检测头,实现多尺度特征检测图融合,增强多尺度目标检测适应性;通过采用Wise-IoU损失函数提升模型收敛速度。相比于基准算法,改进后的CM-YOLOv8s算法参数量仅为3.5×10^(6),参数量降低了69%。实验结果表明,提出的CM-YOLOv8s算法在数据集VisDrone2019上的mAP50显著提升了6.8个百分点;同时,在UAV-DT和DIOR数据集上验证了提出算法的泛化性和有效性。