关键词： 图像处理   缺陷识别   边缘检测   轮廓拟合  

摘要： 核燃料元件焊缝中可能会出现气孔缺陷,严重影响产品的质量和安全性,为此设计了一种气孔缺陷检测方法,采用高斯滤波、形态学操作、边缘检测、轮廓拟合等方法提取了感兴趣区域,然后采用对比度拉伸、灰度值补偿、双边滤波、自适应阈值二值化等方法对检测图像进行识别。试验结果表明,所提方法实现了焊缝射线检测图像中气孔缺陷的识别,提高了缺陷检测的稳定性和准确性,同时也为处于明暗不均环境下的射线图像中的小尺寸近圆形等类似目标的检测提供了有效思路。

关键词： 多模态数据   多无人机协同   主动感知   目标检测  

摘要： 为解决现阶段单无人机目标检测过程中存在的探测视场有限、目标易被遮挡、单一光源图像信息薄弱等问题,提升无人机可靠、高效的感知计算能力,提出一种面向多无人机协同的多模态目标检测方法。首先,研究可见光和红外融合的多模态目标检测算法,提出了由视觉任务驱动的基于卷积融合网络的双光融合模型,将融合图像经过语义分割网络的结果反馈给融合网络,通过对融合网络参数的迭代训练出损失较小的双光图像融合模型。然后对融合后的图像输入视觉感知增强模块进行图像增强,消除了不良光照条件对图像质量的影响,提升了目标细节特征保持性,并在MSRS数据集验证了算法的有效性。此外,面向多无人机协同检测提出了基于分布式生物感知处理的主动感知流程,通过无人机在被感测目标位置计算检测置信度并通过释放信息素来分配主机和从机的检测优先级,完成多无人机协同检测任务的引导策略,实现不同光照条件下非结构化地面场景的目标检测。实验结果表明,该算法在无人机载智能边缘计算平台RK3588上具有56.55 ms延迟和45.84 fps的推理速度,能准确检测地面场景布设的典型军事目标,平均检测精度达到78.5%。

关键词： 道路病害检测   YOLOv8   目标检测   Wise-IoU损失函数   可变形卷积DCNv3  

摘要： 随着道路运营时间的增加,在行车荷载和自然因素的反复作用下,道路状况恶化,影响其使用寿命和服务质量,因此本文提出一种基于改进YOLOv8的道路病害检测方法。首先,结合道路病害图像特点,针对性地进行图像翻转、光照条件变化、运动模糊操作来进行数据增强;而后将Wise-IoU作为损失函数,其采用一种动态非线性聚焦机制,通过使用离群值而不是IoU来评估锚点盒的质量,并提供明智的梯度增益分配策略,平衡病害类别之间的样本数量差异,提高检测器的整体性能;其次,通过用DCNv3替换部分C2F模块,采用卷积神经元间共享权重降低计算复杂度,能够更好地学习到道路病害图像中的特征,同时引入多组机制,并使用沿采样点的Softmax归一化,增强模型对道路病害图像的理解能力。实验结果表明,改进的YOLOv8的道路病害检测算法在测试网络模型上可以达到准确率为77.3%,比YOLOv8提高了3.9个百分点;mAP@50达到76.9%,比YOLOv8提高了3.4个百分点,该模型能够准确、高精度地检测出道路病害,优于已有的道路病害检测算法,可以较好地应用于工程中。

关键词： 同步定位与建图   动态物体   特征匹配   目标检测网络   位姿估计  

摘要： 搭载在移动机器人上的同步定位与建图(simultaneous localization and mapping,SLAM)系统在实际环境中,时常因动态物体的影响而导致SLAM系统的定位精度低,严重时会使相机定位位姿失败,基于此,提出一种YOLO(you only look once)动态目标检测网络与LK光流法相结合的RDFP-SLAM算法。该算法在视觉里程计线程中通过目标检测网络YOLOv5,对相机获取图像进行动态目标检测,再利用LK光流法判断预期动态目标检测框中真正的动态特征点并剔除,剩余静态特征点参与位姿估计及建图,最终在公开数据集TUM、KITTI和现实动态环境中进行实验测试。实验结果表明,RDFP-SLAM算法在多种视觉传感器及室内、室外不同环境的影响下,时间消耗相较于同类型的算法仍有大幅度减少,且有效提升了动态环境下特征提取的精度,该系统的鲁棒性、实时性和定位结果均得到优化。

关键词： 微创手术   手术器械   目标检测   YOLOv8   深度学习  

摘要： 在机器人辅助微创外科手术领域,实时检测手术器械图像对于确保手术安全至关重要,这些技术以其创伤小、恢复快等优势逐渐成为主流医疗手段。在这一领域,手术器械的精确检测是关键,基于深度学习的检测技术尤为重要。本研究针对现有方法的不足,提出了基于YOLOv8的新型实时检测网络,该网络在腹腔镜手术器械数据集上表现出色,MPA评分达到97.8%,处理速度高达每秒167帧(FPS)。结果 表明,本研究提出的实时检测模型在性能上显著优于其他最先进模型,为智能手术机器人的进一步发展提供了宝贵的参考。

关键词： 扩展卡尔曼滤波器   非线性   目标跟踪  

摘要： 卡尔曼滤波本质是一种时间递推的方法,是一个“预测”过程和“更新”过程。该方法在目标跟踪、制导等方面有较广的应用。卡尔曼滤波方法能够较好的处理线性模型,但很多实际问题与工程问题是非线性问题,常规的卡尔曼滤波方法并不适用这类问题。本文以常规卡尔曼滤波方法为基础,推导并给出了扩展卡尔曼滤波的实现过程及完整算法流程,通过对非线性函数进行泰勒展开,保留展开式一阶项,从而将非线性问题近似线性化处理,使得该算法能够处理非线性问题。本文不仅给出了完整的扩展卡尔曼算法框图,使该算法的实现过程更加清晰,并且通过数值模拟证明了该算法处理非线性问题的可行性和有效性,这为使用该算法进行实际工程应用奠定了一定的基础。

关键词： 垂起无人机   自主降落   ArUco标识   着陆地标   图像处理   四面体  

摘要： 针对由RTK偏差引起的垂起无人机降落位置偏差问题,基于无人机吊舱视频流,提出了一种可实时辅助无人机降落的定位方法。设计了一种可根据着陆场地进行灵活部署,且可快速解算距离与偏差的合作地标;为降低光照不均、局部阴影遮挡等因素对ArUco标识检出与解码的影响,基于ArUco标识图像行列方向的极值的分布特征,设计了一种快速重构的方法;建立了无人机着陆的空间几何模型,并给出了相对位置的解算公式,将由降落位置引起的安全问题,转化为求解其投影是否在着陆安全域内的数学判断问题。实测数据表明,所设计的无人机降落定位方法,对相对位置的解算和自主降落时的安全预警,均具有一定的指导价值。

关键词： 小目标检测   轻量化   RT-DETR   部分卷积  

摘要： 针对现有的目标检测算法在航拍图像中的小目标上易出现的漏检和误检问题,提出了基于改进RT-DETR(real-time detection transformer)的算法。在主干网络中引入了部分卷积(partial convolution,PConv),设计了PConvBlock结构,并通过由PConvBlock组成的BasicBlock-PConvBlock模块替代原有BasicBlock,有效减少了模型参数。采用双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)结构优化特征融合模块,并引入S2特征进一步提升小目标的检测能力。引入CARAFE上采样算子,增强了多尺度特征的快速融合。实验表明,在VisDrone测试集上,改进后的模型在参数量上比RT-DETR模型降低了13.9%,同时在mAP0.5和mAP0.5:0.95指标上分别提升了2.4和1.9个百分点。在TT100K和DOTA数据集上均优于RT-DETR算法。改进模型在保持较小参数量和计算量的同时,提高了检测精度,满足了无人机航拍图像实时检测的应用需求。

关键词： 高光谱成像   空谱联合   Gabor滤波   约束能量最小化  

摘要： 高光谱图像目标检测技术在多个领域具有显著的应用潜力,为充分挖掘高光谱图像中丰富的空间和光谱信息,提出了一种结合Gabor滤波与约束能量最小化(constrained energy minimization,CEM)的高光谱图像目标检测方法Gabor-CEM。该方法充分结合了Gabor滤波器和CEM算法的优点,利用Gabor滤波器有效地提取高光谱图像的空间纹理和方向特征,为目标检测提供丰富的空间信息;凭借CEM算法对目标光谱信息的高效利用,对目标进行定位和识别。利用野外成像光谱仪拍摄的高光谱图像进行实验,结果表明,相较传统方法,Gabor-CEM方法能够更准确地检测出目标,降低误检率和漏检率,在目标检测任务中具有显著优势,为高光谱图像目标检测提供了一种新的有效途径。

关键词： 目标检测   异物检测   YOLOv8n   坐标注意力机制   高分辨率网络   WIoU损失函数  

摘要： 针对当前隧道内异物检测存在人工巡检成本高、效率低等问题,提出一种基于改进YOLOv8n的隧道内异物检测算法。首先,提出融入坐标注意力(CA)机制的C2f_CA模块,通过将位置信息嵌入通道注意力,增强网络对图像在空间上的特征分布的关注,从而增强网络的特征提取能力;其次,借鉴高分辨率网络的思想,提出新的特征融合模块HRNet_Fusion(High Resolution Net)将提取的不同分辨率特征图作为4个并行分支输入网络,并经过多次上、下采样和融合操作得到全面且准确的特征信息,从而显著提升在小目标检测和特征信息融合方面的性能;最后,引入WIoU(Wise-IoU)损失函数降低低质量样本对网络的不良梯度影响,进一步提高模型的检测精度。实验结果表明,在隧道异物数据集上,改进算法的平均精度均值(mAP@0.5)为79.9%,模型大小为6.0 MB,与YOLOv8n算法相比,mAP@0.5提升了6个百分点,模型大小减少了0.2 MB,模型参数量减少了0.379×10~6。