关键词： 深度学习   计算机视觉   电子工程  

摘要： 近年来,人工智能的一个主要研究方向是基于深度神经网络的机器学习,它在许多方面显示出了强大的应用前景。计算机视觉是一种非常有前途的深度学习技术,它能够模仿人眼的行为进行图像、视频等内容的分析,在电气领域有着广泛的应用前景。本项目将探索基于深度学习的电力系统设计方法,为电子工程设计提供一种全新的思路和方法,具有重要的理论意义和应用价值。

关键词： 深度学习   目标检测   注意力模块   新型轻量化   多尺度特征   车辆检测   YOLOv5s算法  

摘要： 为提高车辆检测算法精度,提出一种基于YOLOv5框架上增添新型轻量化注意力机制(novel lightweight attention module, NLAM)和多尺度特征检测层的算法。NLAM模块将深度可分离卷积的空间注意力模块和一维卷积的通道注意力模块进行并联融合,使NLAM模块参数量仅为8;增添多尺度特征检测层,提升小目标的检测精度。该算法在KITTI数据集训练和测试,实验结果表明,改进后算法平均精度为89.9%,相较于原始算法平均精度上涨2%,检测帧率为90 frame/s。该算法对车辆检测具有更高的小目标检测精度和更好的鲁棒性。

关键词： 客车打磨   点云   边缘提取   图像处理  

摘要： 目前客车车身机器人打磨路径规划主要依赖于人工示教,为提高打磨效率,提出一种利用激光线扫相机获取客车点云,融合二维图像处理的点云边缘高效提取方法。基于边缘提取结果,利用切片法生成打磨轨迹规划,进行了实车打磨验证。

关键词： 目标跟踪   行为检测   超声波追踪   课堂录播系统  

摘要： 文章详细介绍了课堂录播系统中行为检测与目标追踪的对象类型,通过专业的研究与分析,对行为检测与目标追踪进行了科学设计,包含明确行为检测标准、更新目标追踪技术、设置行为检测与目标追踪模型、预测目标行为状态、监测课堂录播行为等。根据行为状态与课堂表现,通过严格监督课堂师生行为的具体变化,文章提出了改进课堂教授状态的针对性建议,保障了课堂教授效果。

关键词： 点云理解   目标跟踪   机器视觉   稀疏卷积   特征融合  

摘要： 稀疏卷积在处理激光雷达点云单目标跟踪时的潜力尚未得到充分发掘.目前,绝大多数点云跟踪算法使用基于球邻域的骨干网络,其显存计算资源占用大并且目标感知的关系建模不充分.针对此问题,本文提出一种基于稀疏卷积结构的LiDAR(Lightlaser Detection And Ranging)点云跟踪算法,并创新性地融合了空间点与体素双通道的关系建模模块,以高效适应稀疏框架下目标判别信息的嵌入.首先,本文采用3D稀疏卷积残差网络来分别提取模板和搜索区域的特征,并利用反卷积来获取逐点特征来保证跟踪任务中对空间位置特性的要求.其次,关系建模模块进一步在模板与搜索区域特征之间计算相似度语义查询表.为了捕捉到模板与搜索区域间细粒度的关联性,该模块一方面在空间点通道中利用近邻算法找出每个搜索区域点的模板近邻点,并根据语义查询表提取对应特征;另一方面,在体素通道中以每个搜索区域点为中心构建局部多尺度体素,并根据落入体素单元的模板点索引计算语义查询表中值的累计和.最后,将双通道的特征融合并送入基于鸟瞰图的候选包围盒生成模块来回归目标包围盒.为了验证所提出方法的优越性,本文在KITTI和NuScenes数据集进行了测试,对比其他使用稀疏卷积的算法,本文方法平均成功率和精确率分别提升了11.0%和12.0%.本文方法在继承了稀疏卷积高效特点的同时还实现了跟踪精度的提高.

关键词： 目标检测   遥感图像   多尺度   大核卷积   密集检测   特征融合  

摘要： 针对遥感图像中目标尺度变化差异大、方向任意和分布密集,现有检测方法较少直接关注密集边缘信息且目标无法获得合适的感受野,遥感检测效果较差的问题,本文提出了一种基于大核卷积和密集目标细化的多尺度特征增强网络(LKCSFP-NET)来进行遥感图像的检测。该网络首先在SKNET基础上增加了空洞卷积形成大核卷积块(LKB),从而获得小目标的最佳感受野以及提升了网络对多尺度的适应性和准确度;其次在FPN基础上增加了集中空间特征金字塔CSFP模块,通过将全局语义信息与局部语义信息相结合,解决了遥感图像因目标分布密集以及背景复杂导致的检测效率较低的问题。实验结果表明,在DOTA和HRSC2016公开数据集上,所提算法在2个数据集上的平均检测精度分别为75.96%和96.60%,较基线网络提升了1.36百分点和0.63百分点,优于现有大多数模型。所提出的LKCSFP-NET在两个公开数据集中表现稳定,对小目标和密集排列的目标都有较好的检测效果,高于现有大多数模型的检测精度,可以很好地应用于遥感目标的检测。

关键词： 目标检测   遥感图像   YOLOv8算法   小目标检测   滑动窗口方法  

摘要： 卫星遥感图像的分辨率高且目标在图像内的相对尺寸小,因此难以同时确保检测准确率和运行速度。为解决高像素遥感图像的目标检测问题,本文提出了一种结合滑动窗口分割和小目标检测器的检测方法。首先使用滑动窗口法将图像分割成多个子图,滑动步长略小于窗口的大小以使每个子图之间具有一定的重叠部分,并采用较大的分割窗口以降低子图数量。之后对子图进行压缩,使用目标检测算法处理压缩后的图片,降低算法运行时间。最后合并检测结果并采用非极大化抑制策略以去除在重叠部分重复检测的目标。在检测算法方面,本文以YOLOv8n为基础,使用SPD卷积核对网络结构进行改进,基于NWD方法调整正负样本匹配策略,并改进特征金字塔结构以提升算法对小目标的检测性能,从而使算法能够适应在更大尺寸下压缩的子图以减少图像分割数量,提升检测速度。实验证明,在图像平均分辨率为4000×4000的车辆检测数据集上,该方法对目标检测的平均准确率为55.7%,平均每张图片的计算时间约为47.5 ms,准确率比YOLOv8n提升16%,比YOLOv5s提升15%,比YOLOv6s提升7.6%。本文方法的运行效率满足实时化要求,能够以更高精度实时检测卫星遥感图像中的目标。

关键词： YOLO网络   目标检测   混凝土裂缝   轻量型网络   全局注意力机制  

摘要： 对于模型规模大、算力要求高的目标检测网络,一般很难实现移动部署,因此,在混凝土裂缝检测领域中的应用受到制约。为此,提出一种混凝土裂缝检测网络模型(YOLO-GAMM),将YOLOv5s主干网络替换为轻量型网络MobileNetV3,再引入全局注意力机制以实现YOLO-GAMM,使其复杂度和精度能够满足便携式混凝土裂缝检测系统的要求。仿真结果表明,与YOLOv5s模型相比,改进后的网络模型计算量缩小了60.0%,占用的内存约缩减了65.5%,性能良好。

关键词： 光学遥感图像   飞机目标检测   YOLOv8   注意力机制   Powerful-IoU  

摘要： 针对光学遥感图像中飞机目标检测算法因背景复杂、受测飞机目标较小以及飞机外观差异较小导致检测精度不足的问题,本文基于YOLOv8n模型,提出一种融合全局信息与双域注意力机制的光学遥感图像飞机目标检测算法。首先,设计了SPPF_Global模块,通过全局最大池化层提供全局特征概览,帮助模型在复杂环境中更好地区分目标与背景;其次,提出了双域注意力机制,通过空间域和通道域的信息引导,提高模型对机翼形状等重要区域的关注度,增强对不同飞机型号的细微差别的区分能力;最后,采用并行路径改进下采样模块并引入Powerful-IoU损失函数,通过自适应惩罚因子加速模型收敛,提高对小目标飞机的识别能力和预测框的回归效率。实验结果表明:与原始YOLOv8n相比,改进后的模型在公开数据集MAR20上的精确率、召回率、mAP50以及mAP50-95分别提高了3.3%,2.6%,3.2%和2.6%,在NWPU VHR-10数据集上分别提高了5%,5.1%,2.5%和0.3%;同时,参数量和运算量分别降低了6.6%和3.7%。证明了本文模型的高效性和优越性,有效提升了光学遥感图像中飞机目标检测算法的应用价值。

关键词： 航空相机   离焦   自准直   图像处理  

摘要： 航空相机搭载在高速飞行的飞机平台上工作,在成千上万米高空对地进行侦照,高度的变化以及恶劣的使用环境,都对相机的成像造成不利的影响。随着航空侦察装备的跨越式发展,必须加装调焦系统,才能满足其成像质量要求。论文在仿真分析不同因素对离焦影响规律的基础上,对比研究了程序补偿法和光电自准直法两种典型补偿方法的原理及特点,并对两类新型图像法调焦进行了讨论,最后给出了检焦系统精度测定评估的方法,展望了航空相机离焦补偿技术及发展趋势。