关键词： 单目标跟踪   复杂跟踪场景   孪生网络   自注意力机制  

摘要： 为了在目标发生遮挡、形变、尺度变化和背景干扰等场景下准确地跟踪目标,注意力机制被广泛应用于特征抽取模块,以选择性地关注重要特征和抑制无关特征.然而,现有的注意力机制只考虑了通道特征层与空间特征点之间的局部或全局关系,没有对特征进行融合建模.本文针对复杂跟踪场景提出了一种基于卷积神经网络和自注意力机制的卷积自注意力模块(Convolutional Self-Attention Module,CSAM),该模块能够以注意力加权方式解决前景遮蔽、非刚性形变、快速尺度变化与相似特征背景干扰问题.经过实验验证,引入卷积自注意力模块的孪生网络能够显著地提升跟踪器的性能,在跟踪问题基准(Benchmark)数据集OTB100上以平均重叠率、跟踪成功率与准确率作为评判指标,相比基准模型分别提升了9.2%、2.2%与2.9%.通过进一步的消融实验证明了本文提出并引入的适用于孪生网络跟踪框架的卷积自注意力模块能够有效地提升特征辨识度,对比先进方案兼顾单目标跟踪性能和实时性,能够在大多数实时复杂跟踪场景实现轻量化部署.

关键词： 机器人   目标检测   YOLOv8n   注意力机制   Ghost卷积  

摘要： 针对机器人视觉系统在开阔环境中检测精度低的问题,该文提出了基于改进YOLOv8n的目标检测算法。实验结果显示,在引入多尺度检测头和压缩-激励注意力模块后,YOLOv8n的准确率上升到82.3%,而在引入Ghost卷积后,算法的浮点运算数降低至11.6。同时基于改进YOLOv8n的目标检测算法在水面环境中的检测准确率可达83.6%,高于其他算法。上述结果表明,基于改进YOLOv8n的目标检测算法不仅检测精度高,且计算复杂度低。

关键词： 表面缺陷检测   目标检测   RT-DETR算法   ConvNeXt模型   通道注意力  

摘要： 液晶面板喷墨打印表面缺陷检测中存在目标小、样本少、纹理背景干扰等问题,应用传统图像处理算法检测精度低、泛化性差,针对以上问题提出了一种改进RT-DETR(real-time detection transformer)的目标检测算法。改进RT-DETR算法通过将主干网络ResNet模型替换为特征提取性能更优的ConvNeXt模型,提高算法整体检测精度。设计了基于通道注意力的增强通道压缩模块,使算法更有效地消除背景干扰专注于定位缺陷目标,加快算法收敛,提高小目标检测精度。在构建的喷墨打印缺陷数据集训练实验上,改进RT-DETR算法检测平均精度mAP(mean average precision)为80.58%,较原始RT-DETR算法提升了2.89%,较原始DETR算法提升了15.88%,检测速度达到20 FPS(frames per second),改进RT-DETR算法的综合检测性能更优。改进RT-DETR算法在小目标检测数据集VisDrone训练实验上表现出良好的通用性,为其他工业场景下的表面小目标缺陷检测提供了参考价值。

关键词： 目标检测   实例分割   边界框回归   损失函数   最小点距离  

摘要： 边界框回归(BBR)已广泛应用于目标检测和实例分割,这是目标定位的一个重要步骤,但仍存在收敛缓慢和回归不准确的问题.本文研究发现大多数现有的边界框回归损失函数在预测框与标注框具有相同的纵横比,但宽度和高度值不同时损失函数值无法收敛.为了解决这个问题,本文充分挖掘矩形的几何特征,提出了一种最小点距离的边界框相似度度量,它包含了现有主流边界框回归度量的相关因素,即重叠或非重叠面积、中心点距离、宽度和高度的偏差,同时简化了计算过程.在此基础上,本文提出了一个最小点距离的边界框回归损失函数,称为.实验结果表明,损失函数应用于最先进的实例分割(例如YOLACT)和目标检测(例如YOLOv7)模型训练PASCAL VOC、MS COCO和IIIT5k,其性能优于现有损失函数,模型回归效率和精度得到有效提升.

关键词： 模型   麦穗   目标检测   transformer   轻量化  

摘要： 小麦是重要的粮食作物之一,麦穗计数对于预测麦穗产量至关重要。针对现有的检测计数方法在复杂农田环境下存在检测精度不足、模型参数量大等问题,该研究提出一种轻量级麦穗检测模型RT-WEDT(real-time wheat ear detection transformer)。首先,选择基于transformer的轻量化网络EfficientFormerV2作为RT-WEDT的骨干网络,以提升特征提取效率的同时学习麦穗图像的长距离特征;其次,设计三重特征融合模块(triple feature fusion,TFF)并引入尺度序列特征融合模块(scale sequence feature fusion,SSFF)以构建多尺度增强混合编码器(multi-scale enhanced hybrid encoder,MSEHE),达到浅层和深层特征充分融合,提高模型在不同尺度上的检测精度;最后,采用WIoUv3损失函数作为边界框损失函数来优化模型对麦穗目标的定位准确度。在全球麦穗数据集上的试验结果表明,RT-WEDT模型的交并比阈值0.50的平均精度AP_(50)为90.2%,高于传统的目标检测模型。在自建的无人机视角麦穗数据集(drone perspective wheat spike dataset,DPWSD)上的交并比阈值0.50的平均精度AP_(50)为96.8%,验证了模型有较好的普适性。此外模型的参数量为12M,检测速度为79.7帧/s,可达到麦穗高通量实时检测的目的。该研究为实现高效、快速的小麦产量估计提供了技术支撑,对推动智慧农业的发展具有重要意义。

关键词： 应用型能力培养   课程思政   数字图像处理  

摘要： 数字图像处理教学采用“以学生为中心”的翻转课堂形式,精心设计课堂教学,引入学生喜闻乐见的工程实例,自然融入课程思政,能产生较好的教学效果,达到应用型人才培养目标。基于此,文章以灰度形态学为例,课前通过慕课平台进行线上教学,让学生得到初阶认知;课中运用现代信息技术,引入实例和递进式应用实践,实现课程思政教学;课后结合慕课平台,让学生进行实践操作,递进式实现光电专业应用型本科人才育人成效。

关键词： 农作物病虫害检测   卷积神经网络   深度学习   计算机视觉  

摘要： 农作物病虫害是全球农业生产的严重威胁之一,易造成巨大的经济损失。引入机器视觉和机器学习方法进行农作物病虫害检测,不仅可以提高病虫害检测的效率,而且有助于及时采取防治措施,降低损失。卷积神经网络(CNN)作为深度学习的代表技术之一,在计算机视觉领域的图像识别、物体识别等方面应用广泛,在农作物病虫害检测方面也取得了一些成果。本文概述了基于CNN检测农作物病虫害的技术要点、发展历程,综述了该技术的主要研究方向与进展,总结了目前研究中存在的主要问题并提出相应的解决策略,旨在为CNN在农业上的应用提供理论依据,并为农业生产管理的智能化提供技术支撑。

关键词： 防空目标   目标探测   目标跟踪   雷达资源管理  

摘要： 雷达资源管理是一项运用优化运筹理论挖掘雷达系统性能边界,通过对系统资源的高效分配和合理调度,实现系统的优化运行,并显著增强系统性能表现的综合性技术。随着机械扫描雷达、相控阵雷达以及多输入多输出(Multiple-input multiple-output,MIMO)雷达技术的持续革新,雷达资源管理技术也在不断深化拓展,以满足日益复杂的目标探测与跟踪需求。鉴于军事威胁的不断加剧和装备技术的迅猛发展,为实现我军未来“网络中心战”的对抗模式,对防空反导武器预警探测装备的资源管理技术研究显得尤为重要。本文聚焦基于防空目标检测、跟踪的信息感知的雷达资源管理技术进行综述,深入剖析与总结现有文献以及研究成果:首先,本文从宏观角度系统概述了雷达资源管理的概念、管理要素组成以及优化策略求解方法。在此基础上,根据雷达系统架构将雷达资源管理研究内容划分为单站雷达资源管理和多站雷达资源管理,并分别对相控阵雷达、集中式MIMO雷达、分布式MIMO雷达以及组网雷达的资源管理研究现状进行梳理和讨论。最后,探讨当前研究中存在的问题和挑战,并对未来基于防空信息目标感知的雷达资源管理技术研究的发展趋势进行展望。期望本文能够为防空反导预警探测装备领域的研究学者提供有价值的参考,推动雷达资源管理技术的持续创新与进步。

关键词： 可变形大核卷积   多尺度特征融合去雾   雾天检测   注意力机制  

摘要： 面对雾天天气下,目标检测网络精度不高,鲁棒性差等问题,本文提出了一种结合多尺度特征融合去雾算法的可变形大核卷积雾天目标检测网络。雾天目标网络基于YOLOv8改进,骨干网络添加特征融合去雾模块(Feature Fusion Dehazing Module,FFDM),颈部网络引入可变形大核卷积注意力构造新的特征融合网络可变大卷积核特征金字塔(Deformable Large Convolution Feature Pyramid,DL-FPN),有效去雾的同时增强了目标检测网络对不规则目标和远小目标的网络检测能力。为了验证实验结果的有效性,本文在真实雾天数据集上进行了一系列实验,实验结果表明,与其他方法相比,本文的方法可以获得更高的检测精度。

关键词： 小目标检测   全局注意力机制   YOLOv8n   AFPN  

摘要： 目标检测是计算机视觉领域的核心问题之一,针对小目标检测目标特征提取难、语义信息处理不精准等问题,在原模型的基础上加入了深度可分离卷积和全局注意力机制来优化网络结构,通过数据增强来提升目标检测算法的性能,使用渐近特征金字塔网络(AFPN)改进原有YOLOv8n的检测头,通过自适应空间融合和底层特征对齐,AFPN能够提升目标检测性能,尤其适用于处理矛盾信息。通过在CoCo数据集上进行大量实验验证,得到实验结果表明,所提出的改进措施在检测精度和实时性能方面取得了显著提升。