基于改进YOLOV3算法的遥感图像油罐检测

针对遥感图像中的油罐检测问题,借鉴深度神经网络的思想,提出了一种基于改进YOLOV3算法的图像检测方法。首先在原有YOLOV3算法框架中添加空间变换网络(spatial transformer networks,STN),使其成为具备空间变换学习能力的模型;然后通过k-means聚类算法对数据集进行分析,重新设计初始候选框大小;最后训练和测试网络,建立包含9 724个油罐目标的遥感图像数据集。实验结果表明:改进的YOLOV3算法具有良好的性能,在测试集中的召回率可达到95.64%,比原算法提升了3.52%;准确率可达到93.92%,比原算法提升了2.81%。     

基于GAM模型研究时空及环境因子对南太平洋长鳍金枪鱼渔场的影响

长鳍金枪鱼Thunnus alalung是南太平洋金枪鱼延绳钓渔业的主要捕获鱼种之一,为了开展对南太平洋长鳍金枪鱼渔场时空分布及其与海洋环境关系的研究,根据2009—2012年南太平洋长鳍金枪鱼延绳钓生产统计数据及遥感获取的海表温度(SST)、叶绿素a浓度(Chl-a)和海面高度距平(SSHA)等环境数据,利用广义可加模型(GAM)分析了长鳍金枪鱼渔场分布及与时空、环境因子的关系。结果表明:GAM模型对长鳍金枪鱼单位捕捞努力量渔获量(CPUE)总偏差解释率为11.34%,其中贡献最大的为时间(周),贡献率为6.35%;该渔场全年均可作业,5—7月CPUE值高于1—3月和10—12月,其中5月中旬—7月下旬为鱼汛盛期;长鳍金枪鱼渔场主要分布在10°S~30°S、162°E~174°E的海域范围内;中心渔场最适SST范围为26.0~29.5℃,最适Chl-a浓度范围为0.02~0.05 mg/m~3,最适SSHA范围为0~20 cm。研究表明,影响渔场的因子按重要性从大到小依次为时间(周)、纬度、SST、经度、SSHA和Chl-a。     

热带太平洋中东部大眼金枪鱼摄食强度的时空变化

根据中国金枪鱼渔业观察员项目于2006年2—11月在东太平洋水域作业的中国金枪鱼延绳钓渔船上收集的数据,对大眼金枪鱼Thunnus obseus摄食强度的时空变化进行了分析。结果表明:小个体大眼金枪鱼的摄食强度较大个体大眼金枪鱼的高,叉长小于140 cm的大眼金枪鱼的摄食强度相对较大;3—4月大眼金枪鱼的摄食强度较小,5—11月大眼金枪鱼的摄食强度相对较大;3月大眼金枪鱼的空胃率相对较高,5—11月大眼金枪鱼空胃率均低于15%;200～350 m水层中大眼金枪鱼的摄食活动非常活跃。各月份(χ2=227.95,P<0.0001)和不同叉长组(χ2=364.61,P<0.0001)大眼金枪鱼的摄食强度均存在显著性差异,且不同水层(χ2=178.50,P<0.0001)大眼金枪鱼的摄食强度也存在显著性差异。     

基于GAM模型研究时空及环境因子对南太平洋长鳍金枪鱼渔场的影响

长鳍金枪鱼Thunnus alalung是南太平洋金枪鱼延绳钓渔业的主要捕获鱼种之一,为了开展对南太平洋长鳍金枪鱼渔场时空分布及其与海洋环境关系的研究,根据2009—2012年南太平洋长鳍金枪鱼延绳钓生产统计数据及遥感获取的海表温度(SST)、叶绿素a浓度(Chl-a)和海面高度距平(SSHA)等环境数据,利用广义可加模型(GAM)分析了长鳍金枪鱼渔场分布及与时空、环境因子的关系。结果表明:GAM模型对长鳍金枪鱼单位捕捞努力量渔获量(CPUE)总偏差解释率为11.34%,其中贡献最大的为时间(周),贡献率为6.35%;该渔场全年均可作业,5—7月CPUE值高于1—3月和10—12月,其中5月中旬—7月下旬为鱼汛盛期;长鳍金枪鱼渔场主要分布在10°S³0°S、162°E30°S、162°E¹74°E的海域范围内;中心渔场最适SST范围为26.0174°E的海域范围内;中心渔场最适SST范围为26.0²9.5℃,最适Chl-a浓度范围为0.0229.5℃,最适Chl-a浓度范围为0.02⁰.05 mg/m0.05 mg/m³,最适SSHA范围为03,最适SSHA范围为0²0 cm。研究表明,影响渔场的因子按重要性从大到小依次为时间(周)、纬度、SST、经度、SSHA和Chl-a。     

基于YOLOv5算法的目标检测与车牌识别系统

本文首先介绍了实时目标检测网络(YOLOv5Net)提取车辆图像相关特征并通过训练进行实时目标检测,接着阐述了车牌识别神经网络(LPRNet)对车牌进行实时识别,通过对实时目标检测网络提取的特征进行分析,利用与视觉任务强相关的测试样本集对目标检测模型与车牌识别模型进行测试。实验结果表明,当测试样本场景与视觉任务相关度越高,且样本中车辆目标的形变越小,得到的目标检测模型与车牌识别模型的效果越好,能够为交通车辆识别与管理等作业提供可靠、高效的车辆信息。     

深度预警网络的车辆识别与检测

针对驾驶过程中目标车辆实时检测准确度问题,提出一种基于YOLO和Darknet-19等融合式算法设计的深度预警网络,旨在实现对目标车辆的特征提取。网络基于车载单目摄像机拍摄的实时场景照片进行测试数据集的制作,预训练采用PASCAL VOC 2007数据集。应用于夜间可见度低的情况下,网络测试结果较YOLO网络准确率提高了4.89%,召回率提高了18.02%;应用于白天可见度高的情况下,准确率提高了8.72%,召回率提高了7.79%;平均检测时间也有所下降,实现了目标车辆检测准确度及速率的提高。     

基于卷积神经网络的光学遥感图像目标检测

针对光学遥感图像中的目标检测问题,提出了1种基于卷积神经网络模型的算法,对遥感目标检测任务进行端到端的训练和检测,根据输入的光学遥感图像,直接输出目标包围盒的回归结果和置信度。为训练和测试模型,建立了1个包含1万多个飞机、舰船目标以及广泛复杂背景的数据集。所提算法在其测试集上达到了超过90%的准确率和召回率,在GPU上的运行速度也接近实时,体现了算法准确、高效、鲁棒和易于训练的特点。     

基于改进YOLOv5的路面病害检测模型

为进一步提高路面病害检测精度,文章在YOLOv5的基础上,提出针对路面病害特征改进的检测模型Pavement Damage-YOLO (PD-YOLO)。PD-YOLO在网络结构中引入Space-to-depth层,以适应低分辨率和路面病害目标小的检测任务。此外,模型在池化层利用SPPFCSPC,在特征提取时获取不同的感受野,有效解决路面病害检测图像中目标大小差异较大的情况;在特征融合层引入ASFF模块使模型自适应学习不同特征间的联系,加强模型对病害目标区域的关注度。在对多组测试数据集测试中,与YOLOv5相比,PD-YOLO模型同时提高了检测结果的准确率、召回率、F1值以及mAP@0.5值,证明了PD-YOLO有着更强的特征提取能力和特征融合能力,在路面病害的检测上有更优越的表现。     

中西太平洋金枪鱼围网的黄鳍金枪鱼CPUE时空分布及其与环境因子的关系

基于1998—2007年中西太平洋黄鳍金枪鱼Thunnus albacares围网生产统计数据及遥感获取的叶绿素a浓度、海表温度和海面高度等环境数据,应用GAM模型对黄鳍金枪鱼单位捕捞努力量渔获量(CPUE)进行了标准化处理,并逐步回归分析了CPUE与各因子的差异显著性,然后利用渔业地理信息软件Marine Explorer 4.0对标准化后的黄鳍金枪鱼CPUE的空间分布与环境因子进行了叠加分析。结果表明:时空因子(年份、月份、经度和纬度)和环境因子(海表温度、海面高度和叶绿素a浓度)对黄鳍金枪鱼CPUE均有显著影响(P<0.05),其中纬度对CPUE的影响最显著,其次为经度、叶绿素a、海表温度、海面高度、年份和月份;1998—2007年,中西太平洋黄鳍金枪鱼年均CPUE最大值(2.43 t/d)出现在1999年,月均最大值(2.36 t/d)出现在10月份,黄鳍金枪鱼资源丰度较高的海域出现在10°S、155°W,5°S、155°W¹70°W,5°S、140°E170°W,5°S、140°E¹75°E和5°N、165°E175°E和5°N、165°E¹70°E四点连线之内;黄鳍金枪鱼适宜生存的环境条件分别为叶绿素a浓度0.152170°E四点连线之内;黄鳍金枪鱼适宜生存的环境条件分别为叶绿素a浓度0.152⁰.168 mg/m3、海表温度28.450.168 mg/m3、海表温度28.45²8.84℃、海面高度为70.0028.84℃、海面高度为70.00⁷7.04 cm。     

基于ScSGB-RCNN网络的输电线路航拍绝缘子目标检测

输电线路绝缘子故障影响电力系统供电可靠性,为了实现航拍图像中绝缘子的准确检测,本研究提出了一种基于改进Faster-RCNN网络的输电线路航拍绝缘子目标检测方法(ScSGB-RCNN),主要工作有：1)针对检测算法精度低的问题,采用自校准卷积结构(Self-calibrated convolutional Network, ScNet)和ConvNeXt网络构建了ScConvNeXt主干网络,通过融合多个卷积注意力模块,扩大网络的全局感受野,提升检测精度。2)为优化不同尺度绝缘子目标的特征提取能力,提出一种轻量化的特征金字塔结构SFPN,融入到ScConvNeXt网络中,降低计算参数量。3)为提高模型收敛速度和检测精度,采用GeLU激活函数改进FRN (Filter Response Normalization, FRN)归一化函数,提升网络的非线性输出能力。4)设计了BIoU并重新构建定位损失函数。实验结果表明,本研究提出的方法较原算法精度提高22.4%,模型收敛速度提升4倍,FPS提高8.7帧/秒,优于Faster-RCNN、SSD、YOLOv3、YOLOv5、YOLOv7等算法。...