基于改进YOLOv3的集卡车头防砸检测

在自动化港口集装箱起重机作业流程中, 集卡车头防砸检测是不可或缺的一个环节. 针对在此环节采用人工确认方法效率低和基于激光扫描方法耗费高、系统复杂的问题, 本文提出一种基于作业场景视频图像和深度学习的算法对集卡车头进行目标检测. 建立集卡车头样本数据集, 采用DCTH-YOLOv3检测模型, 通过模型迁移学习方法进行样本训练. DCTH-YOLOv3模型是本文提出的一种改进YOLOv3算法模型, 该算法改进了YOLOv3的FPN结构提出一种新的特征金字塔结构—AF_FPN, 在高、低阶特征融合时通过引入具有注意力机制的AFF模块聚焦有效特征、抑制干扰噪声, 提高了检测精度. 另外, 使用CIoU loss度量损失替代L2损失, 提供更加准确的边界框变化信息, 模型检测精度得到进一步提升. 实验结果表明: DCTH-YOLOv3算法在GTX1080TI上检测速率可达46 fps, 相比YOLOv3算法仅降低了3 fps; 检测精度AP_0.5为0.9974、AP_0.9为0.4897, 其中AP_0.9相比YOLOv3算法提升了16.4%. 本研究算法相比YOLOv3算法, 精度更高, 更能满足自动化作业对集卡防砸检测高精度、快识别的要求.     

改进YOLOv5的交通标志检测算法

交通标志检测在自动驾驶、辅助驾驶等智能交通系统已得到广泛应用，其检测性能关乎到行车安全。针对现有目标检测算法对图像中尺寸小、分辨率低和特征不明显的交通标志检测效果较差的问题，提出了一种基于改进YOLOv5s的交通标志检测算法。将原算法中80×80小感受野目标检测层改为感受野更小的160×160检测层，提高网络模型对交通标志小目标的检测能力，降低小目标的漏检率；构建了注意力上下文模块（attention context module,ACM），对各分支获取不同的感受野，得到目标及其相邻区域的特征信息，并且使用注意力机制，让网络更关注于图像中的交通标志，避免受其他复杂信息的影响；加入特征融合模块（feature fusion module,FFM），过滤不同层上的无用信息，只保留对模型检测交通标志有用的信息；加入隐性知识，对检测层进行输出细化。实验结果表明，改进后的算法在CCTSDB交通标志检测数据集上召回率和平均精度达到94.7%、97.6%，相比原模型均有提升，在中远距离小目标检测下效果改善明显，同时检测速度为47.3 FPS，满足实时性要求。     

改进YOLOv5的交通标志检测算法

交通标志检测在自动驾驶、辅助驾驶等领域是一个重要的环节,关乎到行车安全问题。针对交通标志中存在目标小、背景复杂等难点,提出一种基于改进YOLOv5的算法。提出区域上下文模块,利用多种扩张率的空洞卷积来获取不同感受野,进而获取到目标及其相邻区域的特征信息,相邻区域的信息对交通标志小目标检测起到重要补充作用,可以有效解决目标小的问题;在主干部分引入特征增强模块,进一步提高主干的特征提取能力,利用注意力机制与原C3模块结合,使网络更能聚焦小目标信息,避免复杂背景的干扰;在多尺度检测部分,将浅层特征层与深层检测层进行特征融合,可以同时兼顾浅层位置信息与深层语义信息,增加目标定位与边界回归的准确度,更有利于小目标检测。实验结果表明,改进后的算法在交通标志检测数据集TT100K上取得了87.2%的小目标检测精度、92.4%的小目标召回率以及91.8%的mAP,与原YOLOv5算法相比较,分别提升了3.5、4.1、2.6个百分点,检测速度83.3 frame/s;在CCTSDB数据集上mAP为98.0%,提升了2.0个百分点,检测速度90.9 frame/s。因此,提出的改进YOLOv5算法可以有效...     

基于YOLOv8的无人机图像目标检测算法

在无人机(UAV)目标检测任务中,存在因检测目标尺度小、检测图像背景复杂等原因导致的漏检、误检问题。针对上述问题,提出改进YOLOv8s的无人机图像目标检测算法。首先,针对无人机拍摄目标普遍为小目标的应用场景,减少算法骨干网络(Backbone)层数,增大待检测特征图尺寸,使得网络模型更专注于微小目标;其次,针对数据集普遍存在一定数量低质量示例影响训练效果的问题,引入Wise-Io U损失函数,增强数据集训练效果;再次,通过引入上下文增强模块,获得小目标在不同感受野下的特征信息,改善算法在复杂环境下对小目标的定位和分类效果;最后,设计空间-通道滤波模块,增强卷积过程中目标的特征信息,滤除无用的干扰信息,改善卷积过程中部分微小目标特征信息被淹没、丢失的现象。在Vis Drone2019数据集上的实验结果表明,该算法的平均检测精度(m AP@0.5)达到45.4%,相较于原始YOLOv8s算法提高7.3个百分点,参数量减少26.13%。在相同实验条件下,相比其他常见小目标检测算法,检测精度和检测速度也有一定提升。     

基于改进YOLOv3行人检测研究

行人的检测与跟踪在智能交通、自动驾驶领域中均有广泛的应用。针对图像中小目标检测率低问题,提出了一种YOLOv3的改进方法,并将其应用于小目标的检测。由于小目标所占的像素少、特征不明显,为了获取更多的小目标特征信息,在YOLOv3网络结构的基础上添加三层SPP网络,通过SPP模块实现了局部特征和全局特征,SPP模块中最大的池化核大小要尽可能地接近或者等于需要池化的特征图的大小,特征图经过局部特征与全局特征相融合后,丰富了特征图的表达能力,有利于待检测图像中目标大小差异较大的情况。用改进的YOLOv3算法和原YOLOv3算法在数据集上进行对比实验,结果表明改进后的YOLOv3算法能有效的检测小目标,对小目标的平均准确率有明显的提升。     

改进YOLOv5的遥感图像检测方法

针对YOLOv5在遥感图像目标检测中未能考虑到遥感图像背景复杂、检测目标较小且图像中目标语义信息占比过低导致的检测效果不佳和易出现误检漏检等问题,提出了一种改进YOLOv5的遥感图像目标检测方法。将轻量级的通道注意力机制引入到原始YOLOv5的特征提取和特征融合网络的C3模块中,以提升网络局部特征捕获与融合能力;强化对遥感图像的多尺度特征表达能力,通过增加一个融合浅层语义信息的细粒度检测层来提高对小目标的检测效果;使用Copy-Paste数据增强方法来丰富训练样本数量,在不增加模型计算量的情况下可进一步解决遥感图像背景信息占比过高而目标区域占比过低的问题。实验结果表明,改进YOLOv5在公开的DOTA和DIOR遥感图像数据集上mAP结果分别达到0.757和0.759。该方法较原始YOLOv5可提高0.017和0.059,相比于其他典型遥感目标检测方法在精度上也有所提升,证明了改进YOLOv5方法的有效性。     

结合混合域注意力与空洞卷积的3维目标检测

目的 通过深度学习卷积神经网络进行3维目标检测的方法已取得巨大进展,但卷积神经网络提取的特征既缺乏不同区域特征的依赖关系,也缺乏不同通道特征的依赖关系,同时难以保证在无损空间分辨率的情况下扩大感受野。针对以上不足,提出了一种结合混合域注意力与空洞卷积的3维目标检测方法。方法 在输入层融入空间域注意力机制,变换输入信息的空间位置,保留需重点关注的区域特征;在网络中融入通道域注意力机制,提取特征的通道权重,获取关键通道特征;通过融合空间域与通道域注意力机制,对特征进行混合空间与通道的混合注意。在特征提取器的输出层融入结合空洞卷积与通道注意力机制的网络层,在不损失空间分辨率的情况下扩大感受野,根据不同感受野提取特征的通道权重后进行融合,得到全局感受野的关键通道特征;引入特征金字塔结构构建特征提取器,提取高分辨率的特征图,大幅提升网络的检测性能。运用基于二阶段的区域生成网络,回归定位更准确的3维目标框。结果 KITTI（A project of Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago）数据集中的实验结果表明,在物体被遮挡的程度由轻到高时,对测试集中的car类别,3维目标检测框的平均精度AP_3D值分别为83.45%、74.29%、67.92%,鸟瞰视角2维目标检测框的平均精度AP_BEV值分别为89.61%、87.05%、79.69%; 对pedestrian和cyclist 类别,AP_3D和AP_BEV值同样比其他方法的检测结果有一定优势。结论 本文提出的3维目标检测网络,一定程度上解决了3维检测任务中卷积神经网络提取的特征缺乏视觉注意力的问题,从而使3维目标检测更有效地运用于室外自动驾驶。     

一种改进YOLOv5s的多尺度目标检测算法

针对多尺度目标检测准确率偏低的问题,提出了一种基于YOLOv5s改进的多尺度目标检测算法。在YOLOv5s主干网络与Neck网络之间融合CBAM模块,增强模型对多尺度目标重要特征信息的提取能力;同时,在模型的Head部分增加多尺度目标检测结构,提高不同尺度目标检测精度;训练时采用CIoU替代GIoU损失函数,以提高模型收敛能力,实现高精度目标定位。数据集来源于实际场景中采集并增强的4万余张图像。实验结果表明,改进后的模型对行人、车辆和人脸的多尺度目标检测平均精度达92.1%,相比未改进YOLOv5s算法提升了3.4%。模型的收敛性好,对密集场景的目标,小尺度目标检测准确度更加突出。     

基于几何适应与全局感知的遥感图像目标检测算法

针对遥感图像目标尺寸小、目标方向任意和背景复杂等问题，在YOLOv5算法的基础上，提出一种基于几何适应与全局感知的遥感图像目标检测算法。首先，将可变形卷积与自适应空间注意力模块通过密集连接交替串联堆叠，在充分利用不同层级的语义和位置信息基础上，构建一个能够建模局部几何特征的密集上下文感知模块（DenseCAM）；其次，在骨干网络末端引入Transformer，以较低的开销增强模型的全局感知能力，实现目标与场景内容的关系建模。在UCAS-AOD和RSOD数据集上与YOLOv5s6算法相比，所提算法的平均精度均值（mAP）分别提高1.8与1.5个百分点。实验结果表明，所提算法能够有效提高遥感图像目标检测的精度。     

融合多层次浅层信息的航拍小目标检测

针对小目标检测及目标被遮挡的问题, 本文基于VisDrone2019数据集构建相应交通场景, 提出一种小目标检测算法. 首先, 充分利用主干网络的浅层特征改善小目标漏检的问题, 通过在YOLOv7算法原有的网络结构上增加小目标检测层P2, 并在P2小目标检测层的模型上为特征融合网络添加多层次浅层信息融合模块, 从而提高算法小目标检测效果. 其次, 使用全局上下文模块构建目标与全局上下文的联系, 增强模型区分目标与背景的能力, 改善目标因遮挡而出现特征缺失情况下的被检测效果. 最后, 本文采用专为小目标设计的损失函数NWD代替基线模型中的CIoU损失函数, 从而解决了IoU本身及其扩展对微小物体的位置偏差非常敏感的问题. 实验表明, 改进后的YOLOv7模型在航拍小目标数据集VisDrone2019 (测试集和验证集)上面mAP.5:.95分别有2.3%和2.8%的提升, 取得了十分优异的检测效果.     

基于改进Kalman滤波的可见光极小目标TBD跟踪方法

针对无人机可见光图像极小目标跟踪问题,本文提出一种基于改进卡尔曼滤波的 (Tracking before detection,TBD)跟踪方法。首先利用检测算法定位目标位置作为卡尔曼滤波的测量值,检测过程中的匹配相似度参数作为卡尔曼滤波测量噪声协方差矩阵的参照依据,其次利用卡尔曼滤波建立跟踪框架预测下一帧的目标位置,最后检测模块以预测位置为 参考位置进行局部搜索,完成整个检测跟踪过程。为了提高跟踪效率,本文根据检测和预测位置积累误差判决检测模式,误差超过门限值则采取全局检测模式消除积累误差,否 则使用局部检测模式,降低TBD跟踪算法的运算复杂度。仿真实验证明,本文方法可以有效检测跟踪极小目标,提高跟踪的实时处理能力。     

跟踪尾流目标的概率数据关联方法

提出了一种针对尾流目标的跟踪方法。传统的跟踪方法对具有尾流的目标通常会被尾流干扰,无法将源于尾流的量测值与真实的目标进行正确关联,容易产生目标丢失或者失跟的情况。该方法将目标尾流作为一种特殊杂波,推导出带有尾流目标的概率关联系数,对目标量测值进行数据关联。仿真结果表明,与标准概率数据关联跟踪方法相比,提出的新的数据关联方法可以有效地减少目标失跟的情况,逐渐增大量测噪声,该方法依然保持低失跟率。     

结合掩膜与孪生网络的目标跟踪方法研究

针对在舰船目标跟踪过程中由于视场角变化导致的跟踪精度下降的问题,基于全连接孪生神经网络的目标跟踪方法,融合了目标分割策略,提出了基于SiamMask的实时目标跟踪算法。该算法将二元掩模运算作为孪生网络的一个分支,以实现对目标的分割,在获取目标位置信息的同时,获取目标的外观信息,使得该网络的损失函数得到显著增强。由传统的轴对称目标跟踪框,改进为可根据目标形状、外观而自适应调整的可旋转矩形框。将该算法与传统基于孪生网络的跟踪算法SiameseNet,以及基于相关滤波的KCF跟踪算法进行实验仿真测评对比,通过计算各算法的中心误差,结果表明该算法的跟踪精度较两者分别提升了19.5%和24.5%,且运行速度可达30 fps,满足了舰船目标跟踪对于准确性和实时性的要求。     

基于数据优先级的雷达目标跟踪偏差补偿方法

传统雷达目标跟踪偏差补偿方法雷达跟踪目标偏差补偿的精准程度较低,导致研究成果可靠性及稳定性较差。为了解决上述问题,基于数据优先级提出一种雷达目标跟踪偏差补偿方法,利用雷达极化测量目标信号,并建立三维空间坐标,引导操作数据,通过对相位控制偏差的校准操作实现对数据目标的精准测量,提升系统检验的准确性,根据数据优先级原则,对极化脉冲进行角度测量,选取适宜测量方案,设置雷达目标方向图,进行雷达目标超分辨成像,加强实验研究力度,综合考虑优化信息与操作条件,实现对雷达目标跟踪偏差补偿方法的研究。实验结果表明,基于数据优先级的雷达目标跟踪偏差补偿方法具备较高的雷达跟踪目标偏差补偿的精准程度,研究可靠性较高,稳定性有了显著提升。     

基于尺度不变特征的目标识别与跟踪方法

针对复杂电磁环境下目标实时识别追踪的复杂性和多样性, 利用图像配准技术提出了一种基于尺度不变特征的目标识别与跟踪方法, 有效地反映了目标图像的特征分布, 提高了跟踪与识别系统的可靠性。实验表明, 当目标进行较大角度改变和背景发生剧烈变化时, 该方法能有效减小目标跟踪误差, 精确识别目标位置, 提高目标跟踪精度。     

运动目标识别方法与仿真研究

运动目标识别与跟踪在军事和工业领域具有广泛的应用前景。典型的跟踪方法有相关匹配算法、光流算法、基于运动轮廓算法等。典型的识别方法有：模板匹配目标识别法、基于相似性度量识别法、基于遗传算法目标识别算法等。本文提出了一种基于神经网络的识别与跟踪方法,并研究了运动目标识别与跟踪仿真模型和实现方法。     

Research on corrosion resistance of metal films sputtered by rotating target and planar target

The corrosion resistance of MoNb/AlNd/MoNb film during different sputter conditions was studied for G6 rotating target sputter equipment. The results show that with the increase of sputter power and the increase of the thickness, top MoNb tends to form coarse columnar crystals, and the corrosion resistance of the metal thin films, at first, increases and then decreases with the increase of sputter power and metal thickness. As the sputter temperature increases, top MoNb tends to form coarse grains while the corrosion resistance of the film is poor. The result also release that with the increase of the target speed, top MoNb film becomes loose so that it is difficult to play a protective role because of its poor corrosion resistance ability. Under the same conditions, the sputter of the planar target film is denser; as a result, the top MoNb layer can protect the inner AlNd layer from corrosion.     

基于PF-Singer的机动目标跟踪算法

Singer模型是典型的全局统计模型,其严重缺陷在于所采用的零均值时间相关模型和标准卡尔曼滤波算法不能完成对机动目标状态的正确估计1只有当目标做匀速直线运动时,动态误差的稳态值才为零,否则不为零;采用PF—Singer算法对机动目标进行跟踪。能够有效解决传统Singer模型存在的问题,提高其跟踪精度;通过仿真试验证实了该算法的有效性。     

基于多特征融合与分层数据关联的空中红外多目标跟踪方法

针对星空背景下目标相似度高、数量大和误检数目较多所导致的空中红外多目标跟踪困难问题，提出基于分层数据关联的空中红外多目标在线跟踪方法。首先，根据红外场景特性来提取目标的位置特征、灰度特征和尺度特征；其次，综合这三个特征来计算目标与轨迹之间的初步关联关系以获得真实目标；再次，将所获得的真实目标按照尺度大小分类，大尺度类目标数据关联采用表观特征、运动特征、尺度特征三种特征相加的方法来计算，小尺度类目标数据关联采用表观特征与运动特征两种特征相乘的方法来计算；最后，根据匈牙利算法对两类目标分别进行目标分配、完成轨迹更新。多种复杂情况下的实验结果表明：与仅采用运动特征的在线跟踪方法相比，所提方法的跟踪准确率提升了12.6%；与采用多特征融合的方法相比，所提方法的分层数据关联不仅提高了跟踪速度，也使跟踪准确率提升了19.6%。综上，该方法不仅跟踪精度高，而且具有较好的实时性和抗干扰能力。     

态势仿真技术研究

真实目标态势驱动和仿真目标态势是指挥自动化系统、作战系统和武器系统等系统进行试验的两种手段。该文首先分析了单纯使用仿真目标或真实目标进行仿真试验的优缺点,给出了能把仿真目标和真实目标融合到一起的态势设计和态势驱动技术,介绍了态势设计所涉及的态势描述、储存和编辑方法,描述了态势驱动的运行流程和各部分功能,最后讨论了增加真实目标航路后态势驱动的实时性和周期不一致性两个问题,并给出了利用多线程、双缓存技术解决实时性问题,以及利用插值技术解决周期不一致性问题的方案。