关键词： 船舶号灯识别   目标检测   VanillaNet   MoE混合专家层模块   Focal Loss  

摘要： 为解决船舶号灯目标检测中参数计算量大、背景光线复杂及号灯种类繁多等问题,对YOLOv8n做出了改进,以满足实时准确识别船舶号灯的要求。首先,使用VanillaNet网络作为主干特征提取网络,以降低模型的计算成本,满足实时检测要求;其次,引入颜色注意力模块确定和增强号灯的颜色特征,以提高在复杂光线背景下号灯颜色的识别能力;再次,针对号灯的大小、频率、各视图空间排列等特征,构建MoE-layer模块代替C2f模块,以提高船舶号灯识别的准确性;最后,通过Focal Loss调节对难易分类样本的关注来解决类别不平衡问题,提高模型对号灯目标的检测能力。实验结果表明,相较于原基线YOLOv8n模型,改进后的模型在参数量和计算量分别降低37.7%和52.8%的情况下,精度和mAP@0.5分别提升3.3%和2.2%,达到98.3%和98.7%,可以满足实时准确识别船舶号灯的要求。

关键词： 无人机影像   轻量级目标检测   深度可分离卷积   高效通道注意力   锚点框聚类  

摘要： 针对无人机等边缘计算硬件上部署实时目标检测模型问题,设计了一种轻量级单阶段卷积神经网络模型。模型首先使用深度可分离卷积核构建特征提取网络,并通过高效通道注意力机制为特征图内的正样本赋权,然后通过跨尺度融合的特征金字塔获取属性信息丰富特征图,通过改进k-means++算法获取更准确的锚点框,最终通过三组特征图实现多尺度目标检测。实验结果表明,本文模型对于多重复杂场景下的多类别地面目标表现出了良好的检测精度和泛化性,在低算力的测试硬件下能达到实时级的检测水平。

关键词： 水下多目标跟踪   前视声呐图像   轻量化   YOLOv5   Fair MOT  

摘要： 水下声呐图像存在背景噪声严重等问题,导致水下分类器输出大量检测低置信度对象。而现有的水下多目标跟踪框架大多简单排除低置信度目标,导致跟踪轨迹中断。本文提出一种低检测置信度下水下多目标跟踪算法YOLO-Fair MOT;引入多通道随机混合注意力模块,抑制背景噪声的影响;采用深度可分离卷积降低模型复杂性,提升跟踪过程的整体速度;结合低置信度数据匹配算法与广义交并比匹配算法,改善跟踪轨迹的中断问题。实验结果表明,YOLO-Fair MOT算法具有更好的跟踪准确度、跟踪精确度、轨迹保持性以及检测速度。

关键词： 单目标跟踪   注意力机制   金字塔池化   运动轨迹  

摘要： 针对现有目标跟踪算法存在目标感知能力较弱、实时性不足以及目标易丢失的问题,提出一种结合金字塔池化和目标运动轨迹的单目标跟踪算法(Pyramid pooling Transformer for single object tracking,PPTTrack)。首先,算法采用PVT作为骨干网络构建深度神经网络,建立模板图和搜索图之间的双向信息流通道,提升跟踪算法的目标感知能力;其次,在骨干网络中引入金字塔池化方法缩短K,V的序列长度,降低模型复杂度,提高算法运行速率;最后,将跟踪目标的运动轨迹构建为一个Motion Token输入到编码器中进行特征融合,利用运动轨迹连续性预测目标位置,以解决目标丢失问题。实验结果表明,上述算法在GOT-10K、LaSOT、UAV123以及TrackingNet四个基准数据集上的性能均达到了较为先进的水平。

关键词： 树冠识别   主动学习   伪样本筛选   目标检测  

摘要： 【目的】基于监督深度学习的遥感影像树冠检测逐渐成为森林资源清查和监测的重要技术手段。然而,已有方法需要大量标注样例,导致了高昂的成本和较低的通用性。在该挑战下,本研究设计了一种新的主动学习方法开展了UAVs光学影像下端到端的桉树树冠识别。【方法】采用“Teacher-student”交互学习模式,在每轮学习中通过Teacher模型生成候选伪样本,基于伪样本筛选策略得到高价值的目标伪样本,再将其与已有样本放入Student模型学习,之后将Student模型的参数迁移给Teacher模型。经过以上多轮交互学习,Teacher模型即为所求。特别地,该方法在模型中引入了梯度均衡机制损失以降低对易样本的过度训练,设计了新颖的空间交叠度以加强模型对树冠遮挡严重和多树种共存等难伪样本的学习比重,采用了多尺寸网格掩码等数据增强方法提升模型对桉树空间分布模式、多光照场景和异常拍摄视角的适应性,显著减少标注工作量并提高模型性能。【结果】利用大疆Phantom4 Pro V2.0无人机对广西国有高峰林进行数据采集,形成了8 000张256 pixel×256 pixel影像构成的包含幼龄林和近成过熟林标注的样本集。利用该样本集对所提方法和其他监督学习方法及主动学习方法进行对比分析。结果表明,所提的主动学习方法在使用少量样本的情况下具有比监督学习方法和最新主动学习方法更优异的性能:在使用26%的数据作为样本时,该方法的F1值为0.8,满足了树冠识别实用性要求;而当样本增加到34%时,该方法更是取得了0.9的F1值,与全监督学习性能相当。【结论】提出的主动学习方法在小样本约束下能自动获取准确的树冠范围信息,可节省大量数据处理和样本制作时间,具有高效、便捷和低成本的优势,对提升森林监测效率和自动化水平具有重要意义。

关键词： 无人机   砾石   自动筛分   级配曲线   图像处理   粒径  

摘要： 针对砾石滩涂颗粒的粒度分布测量问题,提出了一种基于无人机遥感平台的砾石自动筛分方法(GAS).首先,利用无人机悬挂已知尺寸的标定球体进行远距离图像采集;然后,根据砾石图像的几何形状的凸特征,确定了砾石像素斑块的最大搜索范围;其次,依据砾石在颜色域空间中的特点对砾石像素斑块进行搜索和判断;接下来,依据像素斑块搜索的结束方式来确定砾石图像生成方式;最后,应用ImageJ软件手动测量方法对GAS方法进行验证.结果显示:GAS方法所得结果与手动测量结果的相关系数为96.3%~99.6%,相对误差为4.5%~29.7%,说明GAS方法在粒径测量方面具有较高的准确性和可靠性.此外,还与自动图像分割法(AIF)和BASEGRAIN方法进行了对比,结果显示:GAS方法生成的级配曲线相对误差为4.5%~29.7%,而AIF和BASEGRAIN方法生成的级配曲线的相对误差分别为10.9%~84.6%和23.1%~99.9%,说明GAS方法在实际图像数字筛分中具有更高的分割精度和更好的稳定性.

关键词： 分布式光伏   出力预测   深度学习   图像处理  

摘要： 太阳能光伏(PV)装机在全球范围内迅速扩张,但其发电的间歇性阻碍了与电网的深入融合。短期光伏波动部分源于突发的天气变化,如云量变化,这可能在分钟级时间尺度上显著影响光伏电池板的输出。天空图像可提供当前和即将到来的云量信息,从而提高光伏发电预测的准确性。使用卷积神经网络(CNN)将太阳能电池板的功率与当前的天空图像联系起来,并利用光伏电池板的历史输出数据进一步提升预测准确性。同时,评估了模型对机器学习过程配置(如神经元数量和网络宽度)的敏感性,以及所采用的随机方法的不确定性和不同输入输出配置对性能指标的影响,实现所提模型在实际采样数据集上均方根误差(RMSE)为2.37 kW。

关键词： 移动滑块   多阈值   图像处理   沥青混合料   级配  

摘要： 集料作为沥青混合料的关键构成部分,其级配的精准控制对沥青路面的路用性能有着极为显著的影响。本研究聚焦基于移动滑块的多阈值数字图像处理技术,深入探究沥青混合料级配监控方法。研究结果表明,相较于普通图像处理方式,该方法在集料颗粒识别精度方面提升约10%,能够在一定程度上缓解在恶劣自然光线条件下集料颗粒图像识别精度欠佳状况。此外,借助级配预估方法,能够对沥青混合料的生产级配进行实时监控,对沥青混合料的生产控制具有应用指导价值。

关键词： 虹膜分割   集成学习   学习器   U^(2)-Net   DeepLabv3+   PSPNet   皮尔森系数法   图像处理  

摘要： 针对虹膜图像在分割过程中细节分割不准确、边界分割不圆滑以及易受噪声影响等问题,文中提出了一种基于集成学习的虹膜分割算法。相较于传统集成学习算法,文中算法基于皮尔森系数法选择合适的模型作为基学习器,从而提高了集成学习的性能。选用U^(2)-Net、DeepLabv3+以及PSPNet作为同质个体学习器在CASIA-Iris-Interval数据集上进行训练,并预测得到对应的虹膜分割预测结果。对预测结果进行CLAHE和Gamma校正等图像增强操作得到新的预测结果图,选取加权平均法作为集成算法将基学习器的预测结果进行集成学习,从而得到最终的虹膜分割预测结果。测试结果表明,在3个不同的评估指标下,相较于基学习器,所提算法的准确率提升了1%,平均交并比提升了3.8%,宏平均分数提升了2.4%,视觉效果和客观评价指标均有所提升。

关键词： PCIe总线   矿井图像   图像处理   实时监测  

摘要： 提出了一种基于PCIe总线的矿井图像测试系统。该系统利用高速PCIe接口,实现了对矿井环境中图像数据的快速采集和传输。设计采用先进的图像处理算法,实现对矿井场景的实时分析和监测。此外,系统通过优化的硬件架构和并行计算,提高了测试系统的性能和稳定性。实验结果表明,该系统能够高效地获取并处理矿井图像数据,为矿业安全监测提供了可靠的技术支持。