基于改进YOLO v5算法的光伏组件红外热成像缺陷检测

现有光伏组件缺陷识别方法存在提取特征困难、实时性较差导致了对光伏组件的缺陷故障检测的识别精度不高,本文提出一种基于改进YOLO v5算法的光伏组件红外热成像缺陷检测方法。改进后的YOLO v5算法主要是在原来的基础上增添注意机制SE模块,并且改进损失函数将GIo U改为EIo U提高模型收敛效果、最后采用KG模块平衡特征金字塔结构对模型进行优化,用以提高YOLOv5算法的识别精度和收敛效果。改进后的网络结构应用在YOLO v5s模型中,在光伏组件红外图像的检测上的平均检测精度m AP可以达到92.8%,比原本的YOLO v5s算法88.3%提升了4.5%,在精确度和召回率上的收敛效果也比原始YOLO v5算法模型有所提高,改进后的网络结构应用于l、m、x三种模型中,其检测精度都有所提升,因此改进后的YOLOv5算法适用于4种模型。     

红外序列图像中小目标实时检测系统设计与实现

针对天空背景下红外序列图像中小目标检测实时性以及工程化的要求,设计了一种基于FPGA+双DSP的实时检测系统,用硬件方式实现了红外图像高通滤波、自适应阈值分割、管道滤波的组合检测算法.通过对实测红外序列图像进行实验表明,该系统能实时、有效的检测25帧/s的低信噪比红外序列图像.     

基于U-NET网络的消防红外图像的人体检测算法

针对消防红外图像分辨率差、对比度低、信噪比低、视觉效果模糊、人体姿态复杂,多障碍物遮蔽、人体姿态不完整等特点。本文提出了一种基于U-Net网络的消防红外图像的人体检测算法,通过该算法解决了消防场景中人体姿态复杂,多障碍物遮蔽,人体形态不完整的困难。同时对比于传统目标检测算法以及YOLO v3算法,本文提出的算法在消防红外图像的人体检测上无论是检测的精度还是运算的实时性上都有大幅的提升。     

基于改进的ViBe和YOLO v3算法的行人检测方法

针对传统视觉背景提取（visual background extractor,ViBe）算法在进行行人检测时会产生鬼影的缺点,本文提出了一种基于改进的ViBe和YOLO v3算法的行人检测方法。利用改进的YOLO v3算法YOLO v3-SPP(spatial pyramid pooling)对ViBe算法的初始化策略进行改进以消除鬼影。运用YOLO v3-SPP算法对首帧图像进行行人检测,使用本文提出的行人消除方法将检测出的行人进行消除,并将输出图像代替ViBe算法的首帧,从而达到消除鬼影的目的。经过分析和实验验证,结果表明该算法能够有效解决鬼影问题。     

基于Transformer改进YOLO v4的火灾检测方法

针对火灾检测算法检测多尺度火焰和烟雾精度低,且实时性差的问题,提出了一种基于Transformer改进YOLO v4的火灾检测方法.首先,结合MHSA(Multi-Head Self-Attention)改进了CSPDarknet53主干网络,建模全局依赖关系以充分利用上下文信息.此外,基于MHSA改进了PANet模块进行多尺度特征图融合,获取更多的细节特征.为验证改进方法的有效性,与YOLO v4、YOLO v3等算法进行比较.实验证明,不仅能够检测多尺度目标,且视频监控场景下达到实时性,具有准确率高、误报率低、检测实时性等优点,满足监控视频场景下的火灾检测任务.     

一种小波域多方向自适应加权伪中值滤波算法

为了有效地滤除红外图像中的噪声,提出了一种小波域多方向自适应加权伪中值滤波算法。该算法首先对红外噪声图像的各高频分解子图像分别进行噪声点检测和标记;然后根据各子图像中像素点分布特征分别设计出4类具有多方向性的滤波模板进行自适应加权滤波;最后将低频分解子图像与滤波后的各小波高频分解子图像进行重构。分别将中值滤波(MF)、伪中值滤波(PMF)、极值中值滤波(EMF)、加权中值滤波(WMF)、以及本文算法应用于标准测试图像以及红外图像去噪,并引入峰值信噪比(PSNR)、平均绝对误差(MAE)进行去噪效果评定。标准测试图像和红外图像仿真结果表明,该算法性能明显优于PMF,且相对于与其余几类同类型算法而言,也具有一定的优势。     

基于稀疏环决策的天空背景红外弱小目标检测算法

针对天空背景红外图像中弱小目标检测的难题,分析了红外目标检测的模型,提出了基于稀疏环决策的目标检测算法。利用数学形态学滤波目标增强方法对图像进行背景抑制,而后采用恒虚警检测方法对滤波后图像进行自适应分割,从而获得候选目标点,然后计算各个候选目标点的局部自相似性描述子,对自相似性描述子归一化、分块之后得到稀疏环表示,利用相应的判断准则可以判别目标点与虚警点。实验结果表明,该算法应用于复杂云层背景弱小红外目标图像能够得到较理想的结果,与移动管道滤波方法相比,能有效区别目标点与固定云层杂波干扰,并且虚警率低,易于实现。     

基于十字链表的管道滤波算法设计与实现

根据红外弱小目标检测与跟踪需求,针对目标轨迹建立与滤波问题,给出了序列图像中小目标检测管道滤波的基本思想.利用数据结构设计技术,定义了十字链表数据结结构,在此基础上,设计并实现了一种基于十字链表的管道滤波算法,并以红外小目标图像为样本数据,对算法进行了实验验证.实验表明该算法具有速度快、内存开销小、易于实现和适应性强等特点.     

基于改进YOLO v3算法的空中红外目标检测

为进一步提升空中作战条件下目标检测的性能,本文通过优化YOLO v3,提出了一种基于空中红外目标的检测算法EN-YOLO v3。该算法使用轻量的EfficientNet骨干网络作为YOLO v3的主干特征提取网络,使模型参数大幅减少,降低模型的训练时间;同时选用CIoU作为模型的损失函数,优化模型损失计算方法,提升模型的检测精度。结果表明,优化后的EN-YOLO v3目标检测算法与原YOLO v3相比模型尺寸减少了50.03%,精准度提升了1.17%,能够有效提升红外场景下空中目标的检测效果。     

红外图像目标识别的预处理技术研究

红外图像目标识别系统,由图像预处理、特征提取及模式分类组成,红外图像目标识别的图像预处理包括滤波降噪、图像增强、图像分割等。滤波降噪有邻域平均、中值等滤波方法,图像增强可通过微分、Butterworth高通滤波和形态学高低帽变换完成,图像分割采用阈值分割技术和形态学方法实现。综合比较各种处理方法,采用中值滤波进行降噪、高低帽变换进行图像增强、阈值分割与形态学处理结合进行图像分割,较好地实现了红外图像目标识别的预处理。     

红外点目标图像的两种滤波技术

通过对点目标图像预处理方法的研究,采用基于形态学滤波与维纳差分滤波背景抑制算法,在matlab中利用这2种算法进行红外点目标图像的处理仿真。仿真结果表明形态学滤波有更好的滤波效果,实时性好,易于硬件实现,更适合作为红外图像弱小目标检测的预处理手段。     

融合BiFPN与YOLO v5网络的工厂火灾检测

针对工厂火灾检测中存在环境复杂、目标密集、火焰初期目标较小、样本像素较低以及火焰边界特征不明显等问题,提出一种基于改进YOLO v5的工厂火灾检测算法Bi-YOLO v5。该方法通过融合加权双向特征金字塔(BiFPN)来增强特征信息;通过锚框参数优化增强了网络的泛化能力;通过损失函数改进提升了网络的收敛速度。实验结果表明,相比YOLO v5算法Bi-YOLO v5模型的准确率和平均精度分别提高了2.2%和1.7%,并且每帧推理时间降低到了27 ms,达到了在复杂的工厂环境下对火灾检测的要求。     

星空背景下红外弱小目标的快速检测

为了实时检测天基平台上超远距离成像的星空背景下红外弱小运动目标,提出了一种基于时空域方向滤波和最小二乘预测的算法。首先,介绍了传统的方向滤波及时序上的双向滤波两者的频域理论推导,并经过对比说明了双向滤波的优点。接着,在双向滤波基础上,提出了一种新型方向滤波算法,并分析了新型算法在时耗方面的优势。然后,在分析新型方向滤波算法性能的基础上,说明了基于过门限率的图像分割方法。最后,介绍了最小二乘预测的理论,并给出了相应的跟踪算法。实验结果表明:目标的位置跟踪偏差平均约为1个像素,在图像大小为256×256像素的情况下,20帧图像的检测跟踪时间平均约为1.137 s。检测跟踪效果满足精度要求,检测时间也基本能满足超远距离成像红外系统的实时性要求。     

采用局部特性对比的多弹迹点检测

针对红外图像中多弹迹点检测精度不高的问题,对红外图像中弹迹点的特性进行了分析,提出了一种基于局部特性对比的多弹迹点检测算法用于有效检测红外图像中低信噪比条件下的多弹迹点。该方法利用同态滤波和中值滤波两种综合滤波方法减少光照不均的影响,提高图像信噪比。然后根据弹迹点在红外图像中自身的局部特性,采用局部特性对比并结合边缘检测精确检测弹迹点位置。从理论上分析了检测算法的有效性,并通过仿真实验与其他检测方法进行了对比。实验结果显示,本方法能够在低信噪比条件下有效检测出红外图像多弹迹点,与基于Top-hat和基于局部均值等方法相比,检测准确度更高,鲁棒性更好。     

基于YOLO-MIR算法的多尺度红外目标检测网络

针对红外图像相对于可见光检测精度低,鲁棒性差的问题,提出了一种基于YOLO的多尺度红外图目标检测网络YOLO-MIR(YOLO for Multi-scale IR image)。首先,为了提高网络对红外图像的适应能力,改进了特征提取以及融合模块,使其保留更多的红外图像细节。其次,为增强对多尺度目标的检测能力,增大了融合网络的尺度,加强红外图像特征的进一步融合。最后,为增加网络的鲁棒性,设计了针对红外图像的数据增广算法。设置消融实验评估不同方法对网络性能的影响,结果表明在红外数据集下网络性能得到明显提升。与主流算法YOLOv7相比在参数量不变的条件下平均检测精度提升了3%,提高了网络对红外图像的适应能力,实现了对各尺度目标的精确检测。     

一种基于粗糙集的红外图像多维降噪算法

针对红外图像噪声复杂多变,在抑制噪声的同时,还需要兼顾细节增强的问题,本文提出了一种基于粗糙集的红外图像多维降噪算法.对采集到的红外图像通过引导滤波进行分层后运用粗糙集理论进一步多维度的分层,分别处理后合并还原得到输出图像.综合对比主观观察与客观评价指标,该算法能够对红外图像降噪有良好效果,对弱小目标细节有良好的增强效...     

基于YOLOv2的无人机航拍图像定位研究北大核心CSCD

为了保证定位的速度和准确率,采用2016年在目标检测领域取得最佳检测效果的YOLO v2网络制作了以明显特征的地物作为目标区域的目标检测数据集。通过目标框维度聚类、分类网络预训练、多尺度检测训练及更改候选框的筛选规则等方法改进YOLO v2网络,使其更好地适应定位任务。能够将无人机实时获取的航拍图像定位到目标区域,并通过投影关系进行坐标转换得到无人机的经纬度。结果表明:该方法效果较为理想,在航拍图像的目标区域检测任务中检测网络的平均准确率提高到79.5%;在包含目标区域的航拍图像中,经模拟飞行的仿真实验验证,其网络定位准确率大于84%。     

适于多尺度宫颈癌细胞检测的改进算法北大核心CSCD

深度学习技术因其强大的特征提取能力而被广泛应用于目标检测任务中。针对多尺度宫颈癌细胞的识别准确率不均衡、检测效率低等问题,本文提出一种基于YOLO v3模型的改进识别算法mo-YOLO v3(mini-object-YOLO v3)。选用20倍数字扫描仪下采集的宫颈细胞图像作为数据集,为提高算法的鲁棒性,引入对比度增强、灰度图、旋转和翻转等多种数据增强策略扩充数据集;模型以Darknet53网络结合注意力机制作为主干模块,针对宫颈癌细胞尺寸差异大的特点,提出一种多尺度特征融合算法来优化模型结构;针对小目标检测精度低的问题,提出一种改进的损失函数,采用相对位置信息的方法减弱物体框对检测结果的影响。测试结果表明,本文所提的mo-YOLO v3模型不仅在总体识别精度上有明显的优势,同时大大提高了小尺寸宫颈癌细胞的定位精度。该模型对宫颈癌细胞识别的准确率达到90.42%,查准率达到96.20%,查全率达到93.77%,相似指数ZSI为94.97%,高于同类算法。     

多源数据决策技术在红外目标检测中的应用

针对各个滤波算法的适用范围不同,仅仅依靠单一的滤波算法不能适应红外系统的实际需求,提出了复杂背景下红外图像弱小目标的多算法并行处理硬件结构,该结构采用了基于自适应"投票表决"的多源数据决策技术,能根据外场的实际情况自适应地将各种滤波算法的优势集合起来,可以极大地改善滤波效果,提高点目标的检测概率,为后续处理降低数据量及运算量.针对硬件仿真阶段注入原始红外图像数据流困难,无法实时对比图像处理前/后效果的问题,基于Wishbone-PCI桥核设计并实现了以FPGA为主处理器、主机为从处理器的红外图像处理仿真平台.实验表明,多源数据决策技术很好地满足了系统的实际需求,多算法并行处理硬件结构运行稳健有效,硬件仿真平台可靠稳定,整个系统有很强的工程实用价值.     

基于声波技术的管道泄漏检测与定位系统的研究

天然气管道漏点在线实时泄漏监测与定位系统的研究与应用,使得泄漏能够被及时发现并确定泄漏点的位置,从而降低因天然气泄漏造成的经济损失,同时对提高天然气输送管线的自动化管理水平有着深远的意义。通过对国内外各种管道泄漏检测技术的研究和分析比较,采用声波检测方法应用于输气管道的泄漏检测策略,在信号处理方面采用虚拟仪器软件设计了天然气管线声波泄漏实时监测定位系统,对泄漏声波信号进行波形实时显示、数字滤波、相关运算以及泄漏点定位等操作,实现了管线泄漏检测的自动化。