关键词： 毫米波雷达   非视域   主成分分析   目标检测   多径利用  

摘要： 基于77 GHz调频连续波雷达,提出了一种在非视域环境下利用电磁波的多径效应从而实现人体目标检测的方法。首先,建立一个多径传播模型,并通过深入分析该模型,提出了一种有效的二维坐标点云生成方法。为了提高波达方向的测量精度,并满足实时性要求,提出了一种基于最小方差无畸变的改进方法来估计目标的波达方向,这一方法通过迭代求逆运算,显著地降低了运算复杂度。然后,针对多余的静止杂波,引入了主成分分析的杂波抑制手段,通过对回波数据的主成分分析,滤除了第一个主成分并重构数据,以达到杂波抑制的效果。最后,实验结果表明,所提方法可以准确地检测雷达视线外的目标。这一研究为未来的雷达技术应用提供了新的思路和技术支持,特别是在安全监控和自动驾驶等领域。

关键词： YOLOv5算法   火灾检测   目标检测   深度学习  

摘要： 文章设计了基于YOLOv5算法的火灾检测系统。通过深入分析火灾图像特征,采用PyTorch框架,结合数据增强与模型优化策略,提高了检测性能与泛化能力,实现了实时、准确检测火灾。实验结果显示,该系统具有较高的检测精度,优秀的实时性,有效增强了火灾预警的及时性和可靠性,为火灾检测提供了高效、可靠的技术支持,具有显著的应用价值。

关键词： 图像去雾   图像复原   图像处理   方法依赖   数据需求   先验知识   复杂场景   物理模型  

摘要： 图像去雾是图像处理中的关键任务,传统方法依赖物理模型和先验知识,但在复杂场景中效果不佳。近年来,卷积神经网络(CNN)和Transformer模型在图像复原上取得了进展,但仍面临训练数据需求大和复杂度高的问题。为解决这些问题,本文提出了一种基于5阶段U-Net结构的图像去雾模型,该模型结合了并行的大核卷积(Large Kernel Convolution,LKC)模块和增强型通道与空间注意力(Enhanced Channel and Spatial Attention,ECSA)模块。

关键词： 3D目标检测   单阶段检测网络   点云下采样   点云特征提取   点云特征聚合  

摘要： 目的自动引导运输小车(automatic guided vehicles,AGV)在工厂中搬运货物时会沿着规定路线运行,但是在靠近障碍物时只会简单地自动停止,无法感知障碍物的具体位置和大小,为了让AGV小车在复杂的工业场景中检测出各种障碍物,提出了一个点云多尺度编码的单阶段3D目标检测网络(multi-scale encoding for single-stage 3D object detector from point clouds,MSE-SSD)。方法首先,该网络通过可学习的前景点下采样模块来对原始点云进行下采样,以精确地分割出前景点。其次,将这些前景点送入多抽象尺度特征提取模块进行处理,该模块能够分离出不同抽象尺度的特征图并对它们进行自适应地融合,以减少特征信息的丢失。然后,从特征图中预测出中心点,通过多距离尺度特征聚合模块将中心点周围的前景点按不同距离尺度进行聚合编码,得到语义特征向量。最后,利用中心点和语义特征向量一起预测包围框。结果MSE-SSD在自定义数据集中进行实验,多个目标的平均精度(average precision,AP)达到了最优,其中,在困难级别下空AGV分类、简单级别下载货AGV分类比排名第2的IASSD(learning highly efficient point-based detectors for 3D LiDAR point clouds)高出1.27%、0.08%,在简单级别下工人分类比排名第2的SA-SSD(structure aware single-stage 3D object detection from point cloud)高出0.71%。网络运行在单个RTX 2080Ti GPU上检测速度高达77帧/s,该速度在所有主流网络中排名第2。将训练好的网络部署在AGV小车搭载的开发板TXR上,检测速度达到了8.6帧/s。结论MSE-SSD在AGV小车避障检测方面具有较高的精确性和实时性。

关键词： 小目标检测   复杂环境   大面积遮挡   YOLOv5   无人边防  

摘要： 面对边境复杂环境导致的人工巡检难题和安全风险,部署无人化监控系统对我国边防至关重要。由于摄像头与入侵目标间距离差异导致所拍图像尺度变化显著问题,以及监控目标采用遮挡策略,现有无人边防系统面临误检、漏检率高和实时性不足的挑战。针对该问题,提出了一种平均精度更高、参数量更少、普适性更强的FDB-YOLOv5遮挡小目标检测算法。首先,采集大量不同遮挡面积的人员样本构建数据集;其次,设计了Faster_C3新结构,以减少遮挡小目标检测网络的延迟和参数量,提高模型检测速率;此外,在颈部网络中引入基于点采样的Dysample上采样器,获得更多的局部细节和语义信息,增强模型对小目标的检测能力,同时降低计算开销;最后,使用基于多尺度特征提取BSPPF的空间金字塔池化方法,有效地解决尺度不变性及遮挡目标特征信息损失问题,从而更好地捕获关键信息,提高模型对遮挡小目标检测的稳定性以及鲁棒性。实验结果表明,与基线YOLOv5相比,FDB-YOLOv5的mAP@0.5%达到了91.5%;参数量和计算量分别减少了19.07%与18.40%;模型的检测速度提高了8.83%;与Faster R-CNN、SSD、YOLOv5s、YOLOv8相比,FDB-YOLOv5表现出更优越的性能,可以为边境无人化目标检测技术提供参考。

关键词： 深度学习   目标检测   电磁信号识别   自适应空间特征融合   MobileNet  

摘要： 针对从在时间及频段上重叠的多种电磁信号中识别出目标信号的问题,提出了一种基于YOLOv5架构改进的电磁信号目标识别方法;通过改进YOLOv5算法以提高对电磁信号时频图像上目标信号的检测精度;采用MobileNetV3作为主干网络,以实现骨干网络轻量化的同时平衡精度和速度;通过在特征金字塔网络模块中引入自适应空间特征融合(ASFF)模块来将不同尺度的特征进行融合,调整损失函数,从而增强网络对不同尺度目标的感知能力;将改进YOLOv5算法在自制电磁信号时频图像数据集上与原始YOLOv5算法和SSD算法进行对照试验;实验表明,改进后的方法对时频图像上目标信号的检测能力有明显增强,具有一定的实用价值。

关键词： 无人机   目标检测   人工去雄   玉米雄穗   RTMDet   轻量化网络  

摘要： 玉米制种田遗漏雄穗检测是实现人工去雄质量评估的关键。针对现有玉米雄穗检测模型面临的参数量大、检测效率低和精度差等问题,提出一种基于RTMDet-tiny的轻量级雄穗检测模型MLCE-RTMDet。模型采用轻量级的MobileNetv3作为主干特征提取网络,有效降低模型参数量;在特征提取网络中引入CBAM注意力模块,增强对雄穗目标的多尺度特征提取能力,克服引入轻量化网络可能带来的性能损失。同时,使用EIOU Loss替代GIOU Loss,进一步提高雄穗检测精度。在自建数据集上的试验表明,改进的MLCE-RTMDet模型参数量缩减至3.9×10^(6),浮点运算数降至5.3×10^(9),参数量和浮点运算数分别比原模型减少20.4%和34.6%。测试集上模型平均精度均值增至92.2%,较原模型提高1.2个百分点;同时,推理速度达到41.9 f/s,增幅达12.6%。与YOLO v6、YOLO v8、YOLO X等当前主流模型相比,MLCE-RTMDet表现出更好的综合检测性能。改进后的高精度轻量化模型可为实现玉米制种田人工去雄后的遗漏雄穗检测提供技术支撑。

关键词： 隧道工程   隧道照明   智能控制   靶标视距   图像处理   SVR  

摘要： 隧道入口段亮度会直接影响驾驶人行车感受,采取传统的时序控制方式会带来大量能耗浪费。为降低隧道照明能耗并保障行车安全,探究一种隧道智能控制方法,搭建起由圆形靶标、工业相机、专用计算机和调光控制器组成的隧道照明控制硬件平台。以满足最小停车视距为原则,选取洞外光环境、标靶内部灰度值、边缘梯度均值、外围灰度方差以及靶标距离为输入参数,利用SVR算法构建靶标可视认度计算模型实现隧道入口段自适应调光控制。该方法已在重庆万云高速张家山隧道投入使用,并针对隧道特点提出了不同靶标可视距离下的调光控制策略。结果表明:与原有的时序控制策略相比,基于靶标视距的控制方法能在确保隧道行车安全的前提下,降低10.5%的能耗。将其应用于隧道入口段的照明控制,可以在满足交通安全的前提下实现照明节能的要求,为隧道照明调光控制提供了关键技术支撑。

关键词： 桥梁工程   索力测量系统   计算机视觉   直线检测   无靶标识别  

摘要： 拉索是斜拉桥的关键承载构件,其受力状态是评估桥梁安全状态的重要指标,准确测量拉索索力是保障桥梁结构安全的重要环节.基于此,建立一套可实现远距离、无靶标、高精度的斜拉索索力识别系统.该系统利用改进的直线检测(Line Segment Detector,LSD)算法对拉索进行追踪,从而识别拉索的振动信息;再通过模态分解(VMD)离散出斜拉索的有效振动信号,得到斜拉索的频率信息;最后利用振动频率法,从斜拉索的频率信息来估算出斜拉索的索力.在实验室条件下对长细比较大、像素占比较少的钢尺模型以及在大跨度斜拉桥上对斜拉索索力进行识别对比,确定了改进的LSD算法以及该系统对索力识别的精确性及鲁棒性.在钢尺模型试验中,改进的LSD算法识别到的钢尺振动信息与激光位移计对比误差仅为0.63%;在大跨度斜拉桥上的试验中,该系统识别到斜拉索的索力与接触式传感器对比误差小于3.0%.以上两个试验结果表明,本文提出的系统能够在复杂的实际工程现场环境中对斜拉索索力进行高精度识别.

关键词： YOLOv8s   目标检测   注意力机制   损失函数   细粒化卷积   红外图像  

摘要： 红外图像目标检测在交通领域中有很重要的应用价值,然而,由于红外图像存在分辨率低、缺乏颜色信息、对比度差、特征模糊的特点,导致现有模型在检测红外车辆与行人时精度不高。为此,文中对YOLOv8s进行了改进,首先对特征融合机制进行改进,在网络中添加小目标检测层,充分利用目标的浅层特征信息,提高对小目标检测的准确性。其次引入了SPD(Space to Depth)细粒化模块来代替YOLOv8s中的3×3卷积进行下采样,避免了3×3卷积下采样导致红外图像细粒度信息丢失。并且还设计了一个新的混合注意力机制,使网络更好地聚焦感兴趣的区域,减少背景对行人和车辆检测的干扰,增强模型对目标特征的关注度。最后使用Focal EIOU损失函数代替CIOU损失函数,改善了CIOU在特殊情况失效和正负样本不平衡的问题。在交通场景红外图像数据集FLIR_ADAS_v2上进了行实验,验证了算法的有效性。与YOLOv8s相比,改进后的模型mAP@0.5从83.4%提升到了89.3%。