关键词： 目标检测   草原生态   机器视觉   鼠洞   YOLOv3模型   YOLOv4模型  

摘要： 鼠洞密度可用于评估草原鼠害发生程度。在近地面鼠洞图片采集与识别中,图像分辨率和拍摄倾角是影响时效性和识别性能的关键因素。为此,设计了带有倾角传感器的图像采集装置,在锡林郭勒草原采集2325张鼠洞图片并进行手工标注,对比分析了3种图片输入尺寸(416 pixel×416 pixel、608 pixel×608 pixel、1024 pixel×1024 pixel)、4类拍摄倾角(21°、32°、41°、51°)、2种目标识别模型(YOLOv3和YOLOv4)对识别性能的影响。结果表明:YOLOv4模型在输入图片尺寸为416 pixel×416 pixel时能取得最优的性能。当拍摄倾角为41°时,识别性能最优;当拍摄倾角为32°时,识别性能最差。与近3年发表的鼠洞识别方法进行对比分析,验证了本文方法的性能先进性。研究结果可为草原鼠害的智能化监测提供技术支撑。

关键词： 无人机集群   自主控制   交通管制   智能感知   态势评估   应急救援   目标跟踪   农业监测  

摘要： 无人机集群在军民诸多应用领域引起了极大的关注,尤其在空中搜索、目标跟踪、边境巡逻、应急救援、交通管制、农业监测等特定任务领域已大显身手.无人机群体自主控制是无人机集群方向的核心关键技术和“卡脖子”挑战痛点难题,近年来国内外学者在无人机集群智能感知、协同控制、集群规划、态势评估、集成验证等方面取得了新的进展.

关键词： Hough变换   目标检测   多重检验   星图匹配  

摘要： 针对星空背景下地球同步轨道空间暗弱目标准确检测识别的难题,提出了一种基于Hough变换的多重检验目标检测算法。分析了地球同步轨道空间目标特性和检测识别的难点,以及传统目标检测算法存在的不足。通过连续的多帧图像经图像去噪、阈值分割、质心提取和星图匹配,滤除了大部分恒星的影响,然后将多帧图像叠加进行Hough变换后进行多重检验实现了目标的准确提取,大大提升了Hough变换在空间暗弱目标检测中的适用性。通过外场实验和仿真实验数据分析,验证了本文算法的有效性,相对于传统的Hough算法,检测准确率提升62.5%,虚警率降低74.9%,且算法耗时减少了7.2%,在信噪比大于等于3时,可达到检测准确率大于98%,虚警率小于2%的检测效果。

关键词： 数字图像技术   中阳剪纸   图纹整理   角点检测  

摘要： 中阳剪纸的图纹整理工作对于保护和传承这一非物质文化遗产至关重要。传统的剪纸图纹整理主要由人工完成,效率低、误判率高,而在剪纸图纹整理中引入数字图像处理技术可提高分检效率,降低误判率。文章对数字图像处理技术在中阳剪纸图纹整理的应用进行了研究分析,从数字图像处理技术的特点和工作内容出发,主要对剪纸图像特征提取方法进行较为详细的分析说明,并在此基础上阐述了数字图像处理技术在中阳剪纸图纹整理中的发展趋势,为后续该领域的研究提供参考。

关键词： 口罩规范性佩戴检测   深度学习   目标检测   YOLOv5s   注意力机制  

摘要： 通常以人工查验方式来检验公共场所进出人员是否规范佩戴口罩,计算机视觉技术辅助的自动查验大多用于佩戴口罩时的人脸识别、是否佩戴口罩等特定场景人物,而缺乏对口罩佩戴规范性的自动检测。针对口罩佩戴规范性的视觉检测问题,提出了一种基于改进YOLOv5s框架的口罩佩戴规范性检测模型。为提高口罩佩戴规范性检测算法的准确率和稳定性,在paddle口罩数据集基础上,通过互联网检索,并经过人工筛选与标注后,构建了口罩佩戴规范性检测数据集,提出了基于改进YOLOv5s的口罩佩戴规范性视觉检测模型。该模型融合了多种嵌入注意力机制,实验结果表明,提出的YOLOv5s-ECA模型的先进性可以满足实际场景的应用需求。

关键词： 场景变化检测   隐患识别   目标检测   深度学习  

摘要： 为解决以往变电站中人工巡检效率低、准确率差等问题,本文探索了两类基于图像分析的变电站隐患识别算法。相较于基于场景变化检测的隐患识别算法,基于目标检测的隐患识别算法不受限于基准图像,且综合识别效果更优,能够对变电站的各类隐患进行有效识别。本文在对大量变电站隐患图像进行标注后,在YOLOv8深度学习框架的基础上进行训练,训练后的模型经由部分隐患图像组成的测试集测试后,结果表明隐患检出率为82.10%,隐患误检率为14.64%。本文提出的基于目标检测的变电站隐患识别算法识别准确率高、识别速度快,且部署较为简单,能够有效取代人工巡检工作,显著提高变电站内的隐患识别效率和准确性,对保障变电站安全稳定运行具有重要意义。

关键词： 目标检测   TOOD   缩放混合   特征增强   金字塔卷积  

摘要： 针对TOOD算法鲁棒性差、特征金字塔顶层丢失部分语义信息、不同尺度特征层存在语义差距的问题,提出随机缩放混合与跨尺度特征增强的任务对齐目标检测算法;该算法提出2×4混合增强方法,丰富训练样本,提高模型的泛化性和鲁棒性;构造多重残差特征增强模块,自适应融合顶层不同尺度的上下文信息,减少最高层语义信息的损失;构建堆叠金字塔卷积模块,缩小不同尺度特征层之间的语义差距,提升多尺度特征的融合效果;Pascal VOC数据集上的实验结果表明,所提算法的均值平均精度、查准率、查全率分别比TOOD算法提高了3..76%、15.71%、6.28%;而且该算法的F_(1)值与均值平均精度均优于6种主流对比算法。

关键词： 深度学习   小目标   目标检测   双模态   大核卷积  

摘要： 小目标检测在自动驾驶、安防等领域具有重要的应用价值。然而,由于小目标自身视觉特征不明显、复杂背景干扰以及信噪比低等因素,使得小目标检测一直以来都是一个极具挑战性的难题。笔者系统回顾了当前基于深度学习方法的小目标检测技术,对现有算法进行了系统地归类、分析和比较:界定了小目标检测的概念,总结了小目标检测所面临的主要挑战;着重讨论了几种主要的网络优化策略,如利用数据增强技术提高模型的泛化能力,通过超分辨率技术改善小目标可视性,采用多尺度信息融合技术提升检测精度,以及基于上下文信息学习和大核卷积策略改进特征表达能力、无锚框检测机制、DETR技术和针对特定应用场景的多模态小目标检测等方法并详细分析了其优缺点;全面介绍了现有小目标数据集,并在常用公共数据集上对目前经典的小目标检测算法进行了测试和性能评估;对小目标检测领域未来的研究方向进行了展望,旨在推动小目标检测技术的进一步发展和应用拓展。

关键词： YOLOv5   深度学习   虚实融合   目标检测   OpenCV  

摘要： 针对增强现实技术目前虚实融合方面效率不高、目标识别不够精准的问题。该文提出并实践基于YOLOv5训练模型的虚实融合技术,在通过YOLOv5识别清楚目标建筑物的基础上,加入虚实融合技术,使用这种方法可以在YOLO这种优秀深度学习算法的基础上,提升增强现实技术的精确性和可靠性。YOLO本身是目标检测模型,在一张图片或者是一段视频中找到特定的物体,目标检测不仅要求我们识别这些物体的种类,同时要标出这些物体的位置。虚实融合技术的总体思路是使用目标检测、特征匹配等方法,配合OpenCV读取准备好的图层信息。总体借助YOLOv5训练模型的实时目标检测算法,并与虚拟三维对象相结合,实现虚实融合。

关键词： 红外小目标检测   视觉Transformer   多尺度特征融合   编解码结构  

摘要： 当前基于卷积神经网络的红外小目标检测方法在编码器阶段受限于感受野,且解码器在多尺度特征融合中缺乏有效的特征交互。本文提出了一种基于编码器-解码器结构的新方法,针对现有红外小目标检测方法中的问题进行改进。该方法使用视觉Transformer作为编码器,能够有效地提取红外小目标图像的多尺度特征。视觉Transformer是一种新兴的深度学习架构,其通过自注意力机制捕捉图像中像素之间的全局关系,以处理长程依赖性和上下文信息。此外,本文还设计了一个由交互式解码器和辅助解码器组成的双解码器模块,旨在提高解码器对红外小目标的重构能力。该双解码器模块能够充分利用不同特征之间的互补信息,促进深层特征和浅层特征之间的交互,并通过将两个解码器的结果进行叠加,以更好地重构红外小目标。在广泛使用的公共数据集上的实验结果表明,本文提出的方法在F1和mIoU两个评价指标上的性能优于其他对比方法。