关键词： YOLOv8   目标检测   注意力机制   细长物体识别  

摘要： 在计算机视觉领域,无锚框的检测算法能够较好地检测并定位任意几何形状的物体,有利于检测细长物体。从更好保留细长物体信息、防止信息的混淆以及更好表达非局部信息之间关联的角度出发,提出改进YOLOv8的细长物体检测方法。在YOLOv8的骨干和头部网络中加入有助于处理细长物体的SPD-Conv构建块,SPD-Conv充分利用空间分割与非跨步卷积处理技术,有效减少细长物体特征的丢失;改进YOLOv8骨干网络中的卷积运算,解决参数共享的问题,对图像不同位置和不同通道的特征赋予不同的重要性和含义;为更好标定细长目标,使用非局部non_local注意力机制理解图像中的长距离依赖关系和相关性。实验结果表明:与YOLOv8原型相比,改进算法平均精度提升了11.35%,推理速度略有降低,为每秒20帧,基本达到了实时性要求。

关键词： 深度学习   目标检测   卷积神经网络   红外图像  

摘要： 为解决传统的目标检测与识别方法在复杂战场环境中的限制,本文提出了一种基于深度卷积神经网络(CNN)的方法,用于提取图像特征和定位目标。该方法综合考虑了传统的形状和纹理特征以及红外图像中的热点信息,通过大规模标注数据集的训练和反向传播算法的优化,提高了目标检测和识别的准确性。相比于传统方法,该方法能够自动学习图像中的特征表示,无需依赖手工设计的特征和分类器。为了验证算法的有效性,本文选用海思Hi3559AV100作为核心处理芯片设计硬件平台,通过将算法移植到该平台上,对收集到的数据样本进行分析测试,实验结果表明,该系统在复杂的背景环境中表现出相对稳定的性能,能够可靠地进行目标检测和识别。

关键词： 深度学习   目标检测   输电线路  

摘要： 针对输电线路无人机巡检图像中小目标检测精度低下的问题,提出一种改进型YOLOv7的输电线路变尺度多目标的检测方案。方案首次将基于YOLO7的目标检测模型应用到输电线路目标检测中,引入Transformer注意力工作机制,使用g^(n)Conv代替高效聚合网络中的卷积层提取巡检图像特征,经过RFPN网络将不同分辨率特征进行融合后,分别进行不同尺度目标的预测,提高对小目标的检测精度,达到了93.68%的平均检测精度,也可以检测到被遮挡的目标,具有一定的泛化能力。结果表明,上述模型能够有效检测出巡检图像中的防震锤和绝缘子,为后续故障诊断提供了理论依据。

关键词： 遥感目标   YOLOv7   注意力机制   K-means聚类   SPD-Conv  

摘要： 针对遥感目标在检测过程中由于被检测物体尺寸小、数量多而存在误检率高和检测精度较低的问题,提出了一种改进的YOLOv7模型。首先,改进特征提取网络,使用SPD-RConv代替原网络的Repconv,并基于Concat与SE注意力机制提出了一种Concat_SE自适应通道融合全连接层,以增强对高价值信息的关注度。然后,对目标的候选框使用K-means聚类算法进行重新计算。最后,将改进的算法与原算法在增强后的RSOD数据集上进行实验,结果显示改进后算法平均准确率均值提高了17.1%,查准率和召回率也分别提高了19.7%和15.5%。证明了改进的YOLOv7有效增强了模型对于遥感目标的检测能力。

关键词： 特征金字塔结构   残差特征增强模块   轻量级注意力机制   动态样本分配策略  

摘要： 针对轻量级目标检测算法SSD-Lite检测精度低、对小目标预测能力差等问题,提出了一种采用动态样本分配策略的多尺度特征融合目标检测算法。在轻量级目标检测算法SSD-Lite的颈部网络引入特征金字塔结构(feature pyramid network,FPN),并对其进行轻量化设计,同时引入残差特征增强模块(residual feature augmentation,RFA),采用残差分支注入不同空间的上下文信息来改善高层特征的特征表达,以提升网络对小目标的检测能力;在特征金字塔结构中插入轻量级注意力机制ECA模块,提升网络对重要特征的关注能力;针对网络训练过程中采用的固定交并比(intersection-over-union,IOU)阈值的样本分配策略导致的正负样本分配适应性差、难以选出高质量正样本等问题,设计了一种动态样本分配策略,取消锚框的预设置,采用中心点采样的方式,同时结合样本均值、标准差作为筛选阈值,减少人工先验的影响,在不改变网络结构的情况下提升算法性能。算法在Pascal VOC数据集上测试,实验结果表明:该算法整体预测精度相较于基准算法提升1.9个百分点,对小目标检测能力提升3.3个百分点,算法推理时延仅增加2.32%;实验证明了该算法可以以较小的性能代价,显著提升算法的预测精度。

关键词： 颅颌面修复   图像处理   三维重建   深度学习  

摘要： 目的提出基于学习的颅颌面自动修复方法,在自主构建的数据集上进行学习,以自动生成缺损部分的形状,为复杂颅颌面结构的修复提供参考。方法基于头颅CT数据重建并标注了125例头骨数据,每一例构建21种缺陷分类,使用图像配准、阈值滤波等技术完成数据预处理,并提出一种新的颅颌面自动修复技术,完成颅颌面缺损部分的形状生成。结果提出的方法在CMFDefects数据集上能够重建出兼具美观和保护功能的形状。结论颅颌面骨骼形状各异,解剖结构复杂,本研究结合深度学习与数据驱动方法能很好地完成颅颌面骨骼缺损的生成,为颅颌面修复手术的术前规划和术中操作提供可靠的依据。

关键词： 光学镜头   中心偏差   图像处理   霍夫变换  

摘要： 随着光学技术的发展,对光学透镜综合性能提出更高的要求,对心加工作为透镜生产必不可少的一环对镜头综合性能起重要作用,现有对心加工需要工人通过对心器手动测量及调整,对工人技术要求高、加工效率慢。文章基于霍夫变换提出一种适用于对心加工的中心偏检测算法以提升对心加工测量效率。首先通过工业相机拍摄对心器目镜中的图像,对图像进行灰度化、降噪、根据图像特征削弱干扰因素、二值化的预处理操作,再根据Canny边缘检测和霍夫变换识别图像中十字像的直线,最后根据角度区分直线求得交点,使用最小二乘法拟合出透镜的实际中心偏,实现了反射式测量和透射式测量两种工况的中心偏检测。实验结果表明,该算法能够检测两种工况下的中心偏,检测精度达到亚像素级。本文使用的中心偏检测算法可以提升对心加工的效率和精度。

关键词： 目标跟踪   超宽带   二维激光雷达   时间序列   序列相似度  

摘要： 目标跟踪是实现人机交互的重要一环,二维激光雷达探测范围广、精度高,广泛应用于目标跟踪,但是由于缺失语义信息,难以区分外观近似的物体.针对这一问题,提出一种基于激光与UWB序列匹配的目标跟踪方法,使用最近邻算法关联激光聚类,构建物体轨迹,并基于改进的高斯相似度计算物体的激光轨迹与UWB测距序列的相似度,根据相似度大小实现目标的匹配定位.此外,针对目标被遮挡的情况设计重跟踪算法,利用UWB测距信息、目标丢失位置和目标特征模型在环境中搜索被遮挡的目标.利用TurtleBot 2机器人平台,在10 m×10 m的室内环境中进行实验验证.实验结果表明,所提出方法能够以8 cm的精度稳定地跟踪携带UWB节点的目标.

关键词： 图像处理   自动分板   流胶  

摘要： 针对传统覆铜板分板采用人工分板所产生的问题,如:容易损伤板面、分板后板边不齐,影响后续钻靶等问题,本文提出了一种基于数字图像处理的自动分板方法,该方法利用机器视觉技术,根据产品周围流胶信息来定位裁切线,并采用高精度伺服电机控制刀具沿裁切线分板、切割回收多余铜箔。经验证,该方法分板板边齐整,不会损伤产品。

关键词： 星载合成孔径雷达   图像处理   数字孪生系统   在轨解译  

摘要： 近年来,星载合成孔径雷达(synthetic aperture radar, SAR)成像和SAR图像处理已广泛应用在遥感图像领域的各个方面。SAR通常将接收到的回波数据传回地面系统进行处理,这导致当前星载SAR系统存在星地数据传输压力大、系统实时响应能力差等问题,因此将星载SAR成像和图像处理两大任务部署在SAR卫星上进行在轨解译成为新的解决方案。但SAR卫星上的载荷空间资源有限,难以搭载完成星载SAR成像和图像处理任务所需要的高性能计算设备,同时SAR卫星的制造成本高、研发风险大,需要在发射前对其进行验证。为解决上述问题,结合数字孪生技术设计了一种面向星载SAR在轨解译的数字孪生系统。在该系统中,首先构建了用于获取星载SAR回波数据及卫星几何信息的数据采集模型;其次,设计了用于模拟星载SAR在轨解译的数据处理模型及数据应用模型,为了适应星上资源有限的环境,对在轨解译进行了并行计算优化和轻量化处理;最后,搭建了一套由低功耗设备组成的系统硬件平台用于模拟资源有限的卫星环境。在多种场景目标下对该数字孪生系统进行实验,实验结果表明所设计数字孪生系统可以有效地模拟星载SAR在轨解译全流程,能为实际中的星载SAR在轨解译和功能验证提供合适的系统平台。