关键词： 目标检测   学生行为   RFAC3   辅助边框   平均精度  

摘要： 针对学生行为检测算法准确率不高、易出现漏检误检问题,文章提出了一种改进的RI-YOLO学生行为检测算法。该算法通过引入感受野注意力卷积(Receptive-Field Attention Convolution,RFAConv)对C3模块进行优化,提出新型的RFAC3模块,可以更精确地捕捉细微的局部特征,提升网络特征提取能力。此外,采用基于辅助边框的交并比(Intersection over Union,IoU)损失函数Inner-IoU替代传统损失函数,加速模型的收敛速度。在学生课堂行为数据集SCB-Dataset3上验证表明,RI-YOLO平均精度mAP50较YOLOv5提升了1.5%,mAP50:95提升了1.2%,与其他主流检测模型对比,展示出了优异检测效果。

关键词： 图像处理   泄漏区域识别   目标检测   挥发性有机化合物泄漏   红外气体成像仪  

摘要： 为了解决红外气体成像仪在挥发性有机化合物(VOC)泄漏识别中存在的误识别率高、漏检率高、算法执行效率低以及模型泛化能力差等问题,提出了一种基于运动特征增强的VOC泄漏区识别方法。采用视频序列投影变化率统计的方法确定视频稳定性判定阈值,提取稳定状态下运动背景和运动前景;采用优化线性拉伸的方法对运动前景进行特征增强和异常值过滤;将运动前景与原始帧进行图像融合,并利用目标检测算法进行VOC泄漏区域识别;通过模型预训练和迁移学习的方法,以烟雾数据集和少量VOC泄漏数据集进行了识别模型训练,并将模型迁移至RK3588S嵌入式开发板上进行了执行效率测试。结果表明,该算法在交并比为0.5的情况下,平均精度均值为0.88;交并比在0.5~0.95范围内,平均精度均值为0.51,单帧平均识别时间为49 ms,具有较高的识别精度和识别效率,能够满足实时监测需求。本文中的算法能够保持稳定的模型性能且具有一定的抗干扰能力,为VOC泄漏识别提供了一定的参考。

关键词： 察打一体   无人机   情报收集   通信中继   空中力量   目标跟踪   军事行动   新型作战力量  

摘要： 随着战争形态不断演进,无人机成为战场上不可或缺的新型作战力量。从近年来的几场局部战争看,无人机在执行情报收集、战场态势感知、目标跟踪和打击等军事行动中扮演着重要角色。当前,无人机正向着察打一体、隐身突防、通信中继等功能拓展,带动现代战争呈现新景观。作为新兴空中力量,随着更多新技术应用,无人机将迎来新一轮发展期,在战场上的地位更加突出,能力也更加全面。

关键词： 铝熔体   氧化铝   润湿性   座滴法   悬滴法   图像处理  

摘要： 高温下熔体的润湿性对焊接工艺的改进具有重要研究意义,良好的润湿性能够提高焊缝质量,减少焊接缺陷,从而降低制造成本,提高生产效率。本研究搭建了一个低成本的由管式炉、相机、光源、真空泵和计算机构成的实验平台,利用座滴法和悬滴法开展了真空环境中不同温度条件下熔体Al在Al_(2)O_(3)基板上的润湿性实验,获得了边缘轮廓清晰、对比度明显的高质量图像,并采用开发的润湿性参数测量程序,计算了接触角、表面张力、热膨胀系数、铺展速度等参数。结果表明,润湿性参数的测量具有较高精度,温度升高能够促进熔体Al在Al_(2)O_(3)基板上的润湿,表现为接触角明显减小,铺展半径明显增大。

关键词： 弱小目标检测   水下声呐图像   全局信息聚合   共焦通道调控池化  

摘要： 声呐图像视觉检测是复杂水域资源勘探和水下异物目标探测领域的重要技术之一。针对声呐图像中小目标存在的特征微弱和背景信息干扰问题,本文提出弱特征共焦通道调控水下声呐目标检测算法。为了提高模型对弱小目标的信息捕获和表征能力,设计弱小目标特征激活策略,并引入先验框尺度校准机制匹配底层语义特征检测分支,以提高小目标检测精度。应用全局信息聚合模块深入挖掘弱小目标的全局特征,避免冗余信息覆盖小目标微弱关键特征。为解决传统空间金字塔池化易忽视通道信息的问题,提出共焦通道调控池化模块,保留有效通道域小目标信息并克服复杂背景信息干扰。实验结果表明,本文所提模型在水下声呐数据集的9类弱小目标识别的平均检测精度达83.3%,相较基准提高了5.5%,其中铁桶、人体模型和立方体检测精度得到显著提高,分别提高24%、8.6%和7.3%,有效改善水下复杂环境中弱小目标漏检和误检问题。

关键词： 特征提取   小目标检测   海杂波   多特征联合  

摘要： 传统单一特征检测方法的检测性能较差,通过多特征联合检测方法可以有效提高检测性能。采用多特征联合检测方法在提高性能之外,也会造成计算量增加以及信息冗余。对此提出了一种基于线性判别分析的海上目标检测方法,将单一特征映射到二维特征空间中,形成两组特征组合,RDPH-RVE特征组合和RPHTEM特征组合,并在二维特征组合基础上进行降维处理。通过将单一特征映射到二维空间中,降低海杂波与目标重叠区域,再通过线性判别分析方法,将雷达回波数据在区分性更好的方向进行投影,在保留信息的同时减少了计算量。

关键词： 图像处理   图像增强   目标检测   深度学习   YOLOv5   车内被困人员定位  

摘要： 在交通事故等紧急情形下,及时定位车内被困人员对救援工作至关重要。针对救援中车内人员检测的难题,提出一种基于YOLOv5s的检测模型,以实现对车与车内人员的两阶段检测。在第一阶段,检测出车辆位置,并通过动态缩放聚焦感兴趣区域(ROI);然后采用直方图均衡化增强过暗图像的对比度,并使用非局部均值滤波去除噪声,从而提升图像的质量;在第二阶段,准确判定车内是否有被困人员,并定位人员的确切位置。在BIT-Vehicle数据集和UA-DETRAC数据集上的实验结果表明,相较于Faster-RCNN、YOLOv7-tiny等模型,所提模型的精度、召回率等多个指标都表现最佳,展示出更强的鲁棒性和更高的准确率。此外,所提模型的实时性能可以满足智能救援场景的需求。

关键词： 孢粉化石   智能筛选   目标检测   智能识别   深度学习   渤海  

摘要： 通过鉴定古生物化石类别信息和分布情况,可以为地质年代、古沉积环境及油气勘探工作提供重要信息。但传统古生物化石鉴定工作耗时耗力,人工依赖性高,难以满足当前快速勘探评价的需要。鉴于孢粉化石图像数量有限、属种分类多、具有科、属、种的特定分类逻辑等特点,围绕孢粉化石图像处理、化石图像筛选、化石目标检测、化石分类识别等方面,通过利用目标检测深度学习、标签松弛等技术,改进了有效化石筛选和孢粉化石分类识别的智能化水平。以渤海海域浅层新生代孢粉化石鉴定为例,采用YOLOv5和DenseNet等神经网络开发了一套孢粉化石智能识别方法,其平均识别准确率达94%,基本满足了孢粉化石鉴定实际生产准确性要求,可以辅助人工开展古生物化石鉴定工作。该方法将各种深度学习技术与古生物领域专业知识有效结合,并从数据和模型2个角度相结合,提高了识别模型的泛化能力与识别精度,并得以实际应用,使得能够在减少时间人力成本的前提下提供准确的鉴定结果,证实了人工智能技术在传统古生物鉴定领域的可行性。

关键词： 图像处理   深度学习   配电电网跳闸故障  

摘要： 阐述配电网跳闸故障与深度学习技术的融合特点,通过探寻数据来源、处理样本数据、归一处理样本数据,以及运用深度学习技术对故障类型进行高效识别算法的介绍,探讨应用深度学习技术高效识别配电网跳闸故障类型的方法。

关键词： 小目标检测   无人机   红外图像   YOLOv8   注意力机制  

摘要： 针对无人机视角下对地红外目标检测任务中小目标的误检、漏检问题,提出一种改进的YOLOv8检测算法.首先,考虑到无人机视角下目标普遍较小,在YOLOv8n初始模型基础上,增加小目标检测层作为第4输出层,对小尺度目标进行检测.其次,为增强网络对不同维度特征的提取能力引入CA注意力机制,CA将通道注意力分解为横向和纵向2个空间方向,并沿着2个方向的位置信息聚合特征,最后通过一维编码融入到网络的特征表示中.在HIT-UAV数据集上的实验表明:相比于原算法,本算法的准确率P、召回率R、平均精度(mAP@0.5)以及平均精度均值(mAP@0.50~0.95)分别提高了0.9%,1.3%,5.1%,4.5%.改进的网络能有效提高红外小目标的检测精度,具有良好的泛化性.