关键词： 目标检测   YOLOv5s   轻量化   知识蒸馏  

摘要： 针对传统船舶检测算法参数量多、计算量大的问题,提出一种结合知识蒸馏(KD)的轻量级红外船舶目标检测算法CB-YOLOv5。在YOLOv5s主干网络引入轻量级网络Ghost模型以实现检测主干网络的轻量化;引用新的颈部结构渐进型特征金字塔网络(AFPN),AFPN通过融合两个相邻的低级特征,并渐进向高级特征融合,避免了非相邻级别较大的语义差距;使用VFL函数,改善红外船舶目标检测任务中正负样本不平衡的问题,以提升模型的整体性能;结合KD算法将学习能力强的教师网络中的“知识”迁移到所改进的网络模型中,来提升分类和定位的准确率。实验结果表明,在红外船舶数据集中,与原算法YOLOv5s相比,参数量减少了38%,mAP提升了3.9个百分点,模型权重文件大小仅为8.96×10^(6),证明了所提算法的有效性,具有一定的实用价值。

关键词： 深度学习   小目标检测   多任务学习   超分辨率   注意力机制  

摘要： 小目标通常具有低分辨率和模糊不清的特点,并容易受到遮挡和背景的影响,导致难以实现准确且实时的小目标检测。为提升检测效果,提出一种基于多任务学习的超分辨率辅助小目标检测算法Multi-YOLO。首先,引入一个超分辨率辅助分支引导主干网络提取有效特征,减少小目标信息丢失;其次,采用Anchor based协同监督Anchor free的双检测头训练方法来辅助提升检测准确性,另外,在骨干网络尾部使用CTR3模块加强目标信息与位置感知的关联性;最后,在推理阶段仅使用检测分支进行推理以保证推理速度。实验结果表明,Multi-YOLO相对于基准网络在VEDAI、COCO MiniTrain和SPCD数据集上均取得了一定的性能提升,其中在VEDAI数据集上,Multi-YOLO实现了10.9%的平均精度均值(mAP)提升,且与基准模型大小相近。同时,与主流的单阶段目标检测网络相比,Multi-YOLO在小目标检测方面表现出色,并在精度和速度之间取得了平衡。

关键词： 无人机   目标检测   YOLOv7-tiny   ASFF-L模块   DCNS卷积  

摘要： 无人机图像中的小目标检测是研究的重难点之一。与大目标相比,小目标特征较少,更易受到遮挡和复杂背景的干扰,针对该问题,提出一种基于YOLOv7-tiny的多模型融合目标检测网络YOLO-DA。首先,增加小目标和极小目标检测层,提高网络对小目标特征的学习能力;其次,引入空间自适应特征融合ASFF-L检测头,通过学习空间过滤冲突信息来抑制不同尺度特征的不一致性,实现多尺度特征的自适应融合;最后,引入DCNS可变形卷积并设计了扩展变形建模范围的调制机制,增强模型的建模能力,降低遮挡重叠等对检测的影响。经试验验证,提出的方法在Visdrone2019数据集上实现了44.7%的平均精度及71 fps的推理速度,平均精度较基线算法提高了9.7%,模型内存为63.8 M,能够实现实时检测。通过消融、对比实验表明YOLO-DA在无人机航拍图像检测方面明显减少了误检和漏检问题,具有更高的检测性能,且算法参数量和计算量可以满足无人机等边缘设备的实时检测需求。

关键词： 目标检测   水下图像   YOLOv7   PConv   注意力机制  

摘要： 水下目标检测在海洋科学、环境保护、资源开发、军事防御、文化遗产保护等领域具有重要意义。然而,水下环境复杂,水下图像质量较差和小生物聚集导致水下目标检测时出现漏检、误检等问题,需要提高检测精度;检测的实时性也需要设计更加快速的网络结构;水下设备的存储和计算能力有限,需要在保证准确性的同时保持较低的计算开销,为此提出了基于YOLOv7的改进型算法YOLOv7-PSS。首先,利用PConv卷积代替骨干网络中的部分普通卷积,减少算法的参数量,加快算法的训练与预测;然后,融合SE注意力机制,增强特征的提取能力;随后,利用SIoU损失函数加速网络收敛,优化算法训练过程。实验结果表明,在URPC2021水下目标检测数据集上,所提算法的mAP达到87.3%,比原算法提高了7.5%,而算法的参数量比原算法减少了11.9%,为水下设备的部署奠定了基础。

关键词： 相控阵雷达   大规模目标跟踪   目标分配   功率优化  

摘要： 相比于传统雷达,相控阵雷达能够同时生成多个波束并灵活改变波束指向,被广泛应用于多目标跟踪领域。在大规模集群目标协同探测场景中,为支持后续节点对敌方目标进行火力拦截与打击的任务需求,相控阵雷达需要在规定时间内将空域内优先级更高的目标更快地跟踪至火控精度,然而若空域内目标数量过多,雷达探测资源有限,难以完成指定跟踪任务。为了解决这一问题,本文提出了一种面向大规模目标跟踪的相控阵雷达目标分配与功率联合优化算法。首先,推导出包含目标分配和功率优化的预测条件克拉美罗下界,并将其作为目标跟踪性能的衡量指标;随后,本文同时考虑跟踪容量和跟踪精度,以最大化满足跟踪精度的目标数量和最小化多目标优先级加权平均跟踪误差为优化目标,结合相控阵雷达系统资源,建立了大规模目标跟踪下的目标分配和功率联合优化模型,对目标分配变量和发射功率变量进行自适应联合优化配置。针对上述优化问题,本文采用两步分解法,将其分解为目标分配子问题和功率优化子问题,并结合激活函数对非平滑非凸的目标函数进行平滑近似。然后,利用谱投影梯度法进行求解。仿真实验验证了所提算法相较于传统算法在多个场景下均能在指定时间内更快速地将更多目标跟踪至指定精度。

关键词： 无人船   目标跟踪   视觉跟踪   孪生神经网络   深度学习  

摘要： 对于海上目标的监视侦察,无人船具备成本低、危险性小和隐蔽性好等优势。针对船只目标的抵近监视与跟踪问题,基于自研发的“久航750”7 m级高速无人船目标监视系统,本文提出了一种基于改进孪生候选区域生成网络(Siamese Region Proposal Network, SiamRPN)的海上目标视觉跟踪方法。该方法以ResNet50网络为主干网络,并在Siamese和RPN子网络之间增加了多层特征融合模块,通过对比原始SiamRPN算法、SiamFC(全卷积孪生网络)算法,显示了算法的鲁棒性和准确性。利用该高速无人船抵近监视“智飞号”无人集装箱船的海上数据,完成了由远及近过程中的无人船低速、加速和高速情况下的视觉跟踪测试,试验结果验证了所提算法的可行性和有效性。

关键词： 计算机联锁人机界面   图像处理   自动化测试系统  

摘要： 铁路信号系统是保证铁路运输安全高效运行的重要技术手段,计算机联锁系统作为铁路信号系统的关键设备,系统自身的完备性测试必不可少。联锁人机界面是联锁系统的重要组成部分,通过作业人员操作,可向信号设备发送控制命令,并接收显示现场设备表示状态信息。对联锁人机界面依照标准规范进行检测,是确保联锁系统正常运行、保证铁路行车安全的重要技术手段。目前针对联锁人机界面的测试大都依靠人工,存在测试效率低下、测试过程不可追溯等问题。本文基于归一化平方差算法,提出适用于实时图形界面检测的模板匹配方案;分析联锁人机界面图像的局部特征,提出非侵入式无失真图像像素特征识别方法;将人工操作步骤建模抽象为计算机可识别语言;提出13种自定义关键字,实现模拟联锁人机界面操作;自动捕获分析图像、文字、语音信息,精确计算图像RGB三原色模型值,判断测试结果规范符合性,提高了检测结果准确性和一致性。经验证对比,所提出的联锁人机界面检测方法,实现了全过程自动化测试,可视化全部操作流程,测试结果及中间环节均可追溯,极大地提高了测试效率和测试结果的可信度。

关键词： YOLOv5   目标检测   深度学习   肉鸽识别  

摘要： 饲料浪费是肉鸽养殖中最严重的问题之一。肉鸽由于食道短的生理特性,使其进食具有少食多餐的特点,饲养人员依据该特点频繁投喂的过程,也造成了浪费率较高的问题。随着深度学习在目标识别领域应用的发展,使用深度学习的肉鸽识别模型进行肉鸽数量识别并辅助机器投喂饲料将成为未来发展趋势。本文使用YOLOv5模型训练模型,在自制的肉鸽数据集上,该模型在养殖基地测试达到90.37%的准确率,可以有效解决肉鸽数量识别的问题,以便于后续辅助自动化饲料投喂,降低饲料浪费率的目标。

关键词： 人工智能(AI)   目标检测   乳腺肿瘤   乳腺超声   YOLO算法  

摘要： 目的:实现基于改进型YOLO网络目标检测算法(YOLO算法)模型对乳腺肿瘤超声图像的检测方式优化升级。方法:选取Kaggle数据库上659幅乳腺肿瘤图像作为初始数据集,采用图像标注工具Labelimg对图中检测目标进行预标注,依照7∶3的比例将659幅图像中的629幅图像划分为训练集与验证集,其余30幅图像作为测试集,对原YOLO算法引入卷积块注意力模块(CBAM)与双向特征金字塔网络(BiFPN)进行结构化改良并命名为YOLOv5-BiFPN-CBAM。将训练集与验证集置入原YOLO算法模型与YOLOv5-BiFPN-CBAM模型进行训练并经200轮迭代训练,将所得最佳权重文件用于测试集的最终化检验。结果:两种模型经过200轮迭代训练后,经验证集检验,两种模型对所有乳腺肿瘤超声图像检测的平均精度均值分别为72.1%和80.5%,将改良模型的最佳权重文件经测试集测试,改良模型相较于原始模型对图像中小目标的检测能力得到显著提升。结论:改进型YOLO算法模型与原YOLO算法模型相比,具有更高的对图像的识别度,同时提高了对乳腺肿瘤超声图像中小目标识别的精度与灵敏度,有助于提高临床中乳腺肿瘤的诊断效能。

关键词： 数字图像处理技术   几何量精密测量   应用分析  

摘要： 几何量精密测量是制造工程领域中重要的环节,直接关系到产品的设计、制造、质量控制等全过程。传统的几何量测量方法存在设备昂贵、对环境条件要求高、流程繁琐等缺点。随着数字图像处理技术的发展与普及,诸多研究人员致力利用其进行几何量精密测量。数字图像处理是指用计算机对图像进行处理、分析,并从中提取需要的几何信息及特征。利用数字图像处理技术,可快速测量并分析图像中的几何参数,如线性尺寸、形状和位置公差等。本文从理论与应用两个方面深入分析数字图像处理技术在几何量数字化、智能化测量中的作用与优势,旨在为工程应用提供新思路与手段。