基于去模糊空间变换RCNN的毫米波图像目标检测（英文）

提出一种包含去模糊的空间变换区域卷积神经网络的目标检测算法.首先,基于主动毫米波圆柱扫描成像原理对人体进行三维成像(频率24~30 GHz),建立毫米波图像数据集.然后,估计毫米波图像的模糊核,通过卷积去噪网络获得图像先验知识,将其集成到半二次分裂的优化方法中,以实现非盲目去模糊.最后,由定位网络、网格生成器和采样网络三部分组成空间变换网络,将它融入到特征提取网络中,在去模糊后实现目标检测.通过该非盲目去模糊算法得到的图像的峰值信噪比可达27.49 dB,目标检测算法的平均精度可达80.9%.实验结果表明,与现有的先进方法相比,该方法可以有效地提高图像质量和检测精度,为毫米波图像中隐藏危险品的目标检测提供了新的技术支持.     

LAMOST光纤定位单元定位精度检测技术研究

对 L AMOST光纤定位系统光纤定位单元提出了单元定位精度非接触检测的装置。检测装置采用面阵CCD传感器 ,通过检测光纤端部出射光斑的特征点以表征定位单元上光纤端部位置。检测算法采用灰度加权平均法 ,可以达到亚像素级的检测精度。介绍了提高检测精度的主要措施 ,装置选用白光照明 ,对所采集的图像采用多次平均的方法 ,提高了装置的稳定性。     

基于伪模态转换的红外目标融合检测算法

为提高红外图像目标检测的精度和实时性,提出一种基于伪模态转换的红外目标融合检测算法.首先,利用双循环的生成对抗网络无需训练图像场景匹配的优势,获取红外图像所对应的伪可见光图像;然后,构建残差网络对双模态图像进行特征提取,并采取add叠加方式对特征向量进行融合,利用可见光图像丰富的语义信息来弥补红外图像目标信息的缺失,从而提高检测精度;最后,考虑到目标检测效率问题,采用YOLOv3单阶段检测网络对双模态目标进行三个尺度的预测,并利用逻辑回归模型对目标进行分类.实验结果表明,该算法能够有效地提高目标检测准确率.     

气体泄漏红外图像动态压缩及增强方法

气体泄漏红外成像探测具有高效率、远距离等显著优势。为了进一步增强观察人员对气体泄漏红外图像的细节感知,等效提高系统探测极限,提出一种基于双边滤波的气体泄漏红外图像动态压缩及增强方法,以气体泄漏红外图像特点为依据,对双边滤波和压缩合并过程进行控制,实现了气体泄漏红外图像细节的有效增强。实验表明,在实现从高位宽原始数据到低位宽输出显示数据压缩的同时,气体泄漏痕迹信息得到显著增强,且整幅图像具有较好的对比度,"光晕"现象得到有效抑制。     

基于去模糊空间变换RCNN的毫米波图像目标检测（英文）

提出一种包含去模糊的空间变换区域卷积神经网络的目标检测算法.首先,基于主动毫米波圆柱扫描成像原理对人体进行三维成像(频率24～30GHz),建立毫米波图像数据集.然后,估计毫米波图像的模糊核,通过卷积去噪网络获得图像先验知识,将其集成到半二次分裂的优化方法中,以实现非盲目去模糊.最后,由定位网络、网格生成器和采样网络三部分组成空间变换网络,将它融入到特征提取网络中,在去模糊后实现目标检测.通过该非盲目去模糊算法得到的图像的峰值信噪比可达27.49dB,目标检测算法的平均精度可达80.9%.实验结果表明,与现有的先进方法相比,该方法可以有效地提高图像质量和检测精度,为毫米波图像中隐藏危险品的目标检测提供了新的技术支持     

特征增强SSD算法及其在遥感目标检测中的应用

为了提高对复杂场景下多尺度遥感目标的检测精度,提出了基于多尺度单发射击检测(SSD)的特征增强目标检测算法.首先对SSD的金字塔特征层中的浅层网络设计浅层特征增强模块,以提高浅层网络对小目标物体的特征提取能力;然后设计深层特征融合模块,替换SSD金字塔特征层中的深层网络,提高深层网络的特征提取能力;最后将提取的图像特征与不同纵横比的候选框进行匹配以执行不同尺度遥感图像目标检测与定位.在光学遥感图像数据集上的实验结果表明,该算法能够适应不同背景下的遥感目标检测,有效地提高了复杂场景下的遥感目标的检测精度.此外,在拓展实验中,文中算法对图像中的模糊目标的检测效果也优于SSD.     

基于Mask R-CNN结合边缘分割的颗粒物图像检测

对颗粒物的尺寸检测是生产中重要的环节,使用相机采集图像并处理是常用的非接触检测方法。围绕颗粒物的识别与尺寸检测需求,选用沙粒为检测对象,提出了一种改进颗粒物边界掩膜的Mask R-CNN模型。该模型结合经典的边缘检测技术,并利用深度学习模型预测掩膜,根据边缘分割的结果来得到更高精度的掩膜。使用DenseNet作为检测网络的主干网络,使得整体网络参数量更少,并利用通道注意力机制加强网络的特征提取能力。实验结果表明,改进的网络可以提高检测的精度,且结合图像处理的方式能够改善掩膜尺寸检测的准确度,为颗粒物的工业检测提供了一种有意义的方法。     

增强小目标特征的多尺度光学遥感图像目标检测

针对光学遥感图像目标分布密集、尺度变化范围较大及小目标特征信息过少等造成目标检测精度不高、泛化能力差等问题,本文提出了一种增强小目标特征的多尺度神经网络（ESF-MNet）。首先在骨干网络中引入注意力模块构建出高效层注意力聚合结构,以增强特征提取能力;此外,在浅层特征图与颈部网络融合之前加入感受野增强模块,以捕获不同尺度的上下文信息。其次,使用GSConv构成颈部网络,减少网络层参数量,保持网络的特征提取能力,并通过基于内容感知的特征重组模块提高识别精度。最后,采用下采样率分别为4、8和16倍的三个下采样模块作为头部网络输入,来提高小目标的检测效果。为了证明该方法的有效性,在DOTA数据集和NWPU NHR-10数据集上进行实验,平均检测精度分别达78.6%和94.3%,计算复杂度为94.7 G,整体模型大小为26.2 M。该方法具备检测精度高、计算复杂度低、模型权重小等特点,能有效提高小目标的检测精度,进一步改善光学遥感图像小目标检测性能。     

一种基于形状的红外图像泄漏气体检测方法

针对工业生产中泄漏气体导致的爆炸和火灾问题, 提出一种基于形状和SVM分类的红外图像泄漏气体检测方法。采用泄漏气体和干扰物红外图像样本的形状特征训练SVM分类器, 通过对红外图像序列采用基于背景差分的运动检测得到候选目标区域, 再对候选目标区域提取其形状特征, 最后使用SVM分类器进行判别, 从而得到最终的检测结果。使用乙烯气体泄漏仿真数据进行实验, 检测率最高可达98%, 结果表明, 采用该方法可以有效检测泄漏气体, 相比其他方法, 极大地减少了干扰物造成的误检。     

基于关键点的快速红外目标检测方法

针对红外探测系统对目标检测的实时性要求,提出了一种基于关键点的快速红外目标检测方法。以目标中心作为目标检测关键点,首先设计了轻量化的特征提取网络,之后结合红外目标较小的特点,利用不同层次特征的空间信息和语义信息设计了相应的特征融合网络,并最终实现目标类别、位置和尺寸信息的预测。在自建空中红外目标数据集上对模型进行了对比测试,与YOLOv3等经典检测模型相比,检测速度大幅提高,检测精度仅略有下降;与同类型快速检测模型Tiny-YOLOv3相比,在模型尺寸压缩至Tiny-YOLOv3尺寸的23.39%的情况下,检测精度提高了8.9%,在中央处理器(CPU)上运行的检测速度亦提高了13.9 ms/frame,检测性能显著提升,验证了方法的有效性。     

基于支持向量机的泄漏气体云团热成像检测方法

基于热成像的气体泄漏检测技术以其检测效率高、直观可视等优点,已成为石油天然气泄漏检测的重要手段,但常规的气体泄漏热成像检测方法需要检测人员从视频图像中主观地判断泄漏气体痕迹,容易发生漏检、误检。研究了一种基于尺度不变特征变换(SIFT)和支持向量机(SVM)的泄漏气体云团热成像检测算法,采用帧间差分法从红外图像序列中筛选目标区域;分别提取泄漏气体和干扰物的SIFT特征;使用SVM对候选区域进行目标判别,提取泄漏气体云团目标。针对真实复杂场景中包含乙烯、甲烷等的气体泄漏图像和运动人员、漂动树木、野草等干扰图像,建立了1000个典型目标图像数据库,通过图像检测仿真,可得所提算法对距10～150 m处的泄漏气体云团的分类准确率可达92.5%。结果表明,采用该检测方法可自动排除其他运动物体的干扰,有效检测出泄漏气体云团。     

基于改进CLAHE的SF_6红外图像增强

针对六氟化硫(SF_6)红外图像对比度低、纹理细节模糊而难以增强泄漏区域的问题,提出了基于改进限制对比度的自适应直方图均衡化(CLAHE)的SF_6红外图像增强算法。采用双边滤波将原始图像分为基础图像和细节图像;采用CLAHE算法来处理基础图像,提高泄漏区域的对比度;对细节图像进行分段线性变换和拉普拉斯变换图像,以突出图像的边缘;将两幅图像进行线性叠加以获取最终的红外图像,实现图像增强。实验结果表明,算法对SF_6红外图像泄漏区域的增强效果优于常见的几种红外图像增强算法,不仅有效地抑制了噪声和提高泄漏区域的对比度,而且突出泄漏区域的边缘,丰富了细节信息。     

基于深度学习的铸件X射线图像分割研究

针对当前图像分割算法在实现工业铸件内部缺陷分割上精度低且算法不够轻量化的问题,提出一种基于改进DeepLabv3+的工业铸件内部缺陷检测算法Effi-DeepLab。该方法采用EfficientNet中的MBConv来代替原有的Xception模块进行特征提取,使特征提取网络更加高效与轻量化;针对工业铸件内部缺陷尺寸小的问题,重新设计空洞空间金字塔池化（ASPP）层中空洞卷积的扩张率,使得卷积块对小目标具有更高的鲁棒性;在解码端充分利用特征提取阶段的低阶语义信息进行多尺度特征融合,以提高小目标缺陷分割的精度。实验结果表明,在本文使用的汽车轮毂内部缺陷图像数据集中,Effi-DeepLab模型对缺陷的分割准确率和平均交并比（mIoU）分别为93.58%和89.39%,相比DeepLabv3+分别提升了2.65%和2.24%,具有更好的分割效果;此外,还通过实验验证了本文提出算法具有良好的泛化性。     

基于多帧背景的泄漏气体自适应匹配滤波检测

被动傅里叶变换红外(FTIR)扫描遥测成像系统采集的红外高光谱图像具有空间、光谱等维度信息,可被用于大气环境中有毒有害气体的识别、定量及可视化。该系统具有光谱分辨率高、非接触式及远距离探测等优点,然而其单帧图像的像元数量少且部分存在气体吸收或发射特征,无法直接用于红外高光谱图像的目标检测。提出了基于多帧背景的泄漏气体自适应匹配滤波(AMF)检测方法,以短时间内、同一区域的多帧红外高光谱图像为基础,筛选出无目标气体特征的背景光谱并计算探测区域的背景最大似然估计,应用于后续帧的目标气体泄漏检测。红外高光谱图像来自于SF₆气体的遥测实验,共扫描四帧（120像元/帧）,去除前三帧内含有目标气体特征的像元光谱,剩余背景光谱被用于计算背景的最大似然估计,第四帧红外高光谱图像逐像元对SF₆气体进行的AMF检测,并与非线性最小二乘法反演的SF₆柱浓度图像比对,结果表明AMF检测高值与柱浓度高值有较强的相关性。为验证多帧背景在不同空间检测方法下的性能,分别对该帧数据进行了基于正交子空间的自适应子空间检测(ASD)、基于混合空间的自适应余弦检测(ACE)及基于斜子空间的最大似然比检测(OGLRT),并分别与SF₆柱浓度图像比对,结果表明多帧背景适用于不同空间的检测方法。此外,为验证存在目标气体吸收特征的非背景光谱对背景空间的影响,向背景空间中加入多条含有SF₆气体吸收特征的光谱,通过ROC曲线检验,结果表明背景空间中混入目标气体特征会降低AMF方法的检测性能。AMF检测值的假彩色图像也能应用于被动FTIR扫描遥测成像系统,相较于柱浓度假彩色图像,泄漏源及扩散趋势更为明显。基于红外高光谱图像的检测方法依赖于整体背景的统计特性,相较于单像元光谱波段的反演算法,极大地降低了背景的依赖性。多帧背景下的AMF泄漏气体检测方法能很好地应用于被动FTIR扫描遥测成像系统上并满足在线监测要求。     

融合数据增强与改进ResNet34的奶牛热红外图像乳腺炎检测

乳腺炎是奶牛生产养殖中最为严重的疾病之一,奶牛乳腺炎的早期检测可以为后续治疗提供依据,从而提高疾病治疗效率,降低养殖风险。为了对自然行走的奶牛实现快速、高精度的“一步式”乳腺炎疾病检测,提出了一种基于热红外图像,融合数据增强与改进ResNet34的奶牛乳腺炎疾病检测方法。相对于现有的“多步式”奶牛红外图像乳腺炎检测方法,该方法无需奶牛关键部分如乳房和眼睛的定位以及温度提取等,可有效避免“多步式”造成的误差累计,从而实现更高效的乳腺炎检测。首先,将包含奶牛关键部位的局部图片水平拼接成信息完整的整体图片,结合RandAugment数据增强方法扩增训练样本;其次,采用ResNet34残差网络作为实验的基础网络,并根据热红外图像特性对模型进行如下改进：（1）精简网络内部冗余层使得模型更轻量化;（2）中间层添加辅助分类器弥补由于模型精简带来的特征损失;（3）将改进的多融合池化层代替原有单一池化层,使得特征提取内容更丰富。随机选取3 298张热红外图像（66头奶牛）作为实验对象,并设置多组对比实验,结果表明: 与传统ResNet34相比改进后ResNet34模型分类准确率提高3.4%,基于改进ResNet34并融合迁移学习和数据增强的模型验证准确率达到90.3%,测试准确率为88.4%,分类时间仅需3.39×10-3 s。为了保证实验数据集的样本独立性,进一步将奶牛个体数量按照3∶1∶1划分为训练集、验证集和测试集,测得模型测试准确率达到80.3%,证明所提出模型具有很好的鲁棒性。根据测试结果,计算出模型查准率为91.2%、查全率为91.6%、F1分数为91.4%,与前人所做实验相比准确率提高了5.1%,特异度提升5.3%。该研究方法可以为初期奶牛乳腺疾病筛选和医学诊断提供辅助和参考。     

基于深度迁移学习的复杂机场场景飞机目标检测方法

提出了一种改进的深度学习模型,旨在解决检测问题。首先基于迁移学习,微调预训练模型,提高了模型在有限的飞机数据集中的特征提取能力。其次,融入调整模块以增加深层特征图的感受野,提升模型的鲁棒性。引入特征金字塔网络,融合不同尺度的特征信息,进一步增强多尺度特征提取能力。最后,优化了检测头,融合轻量化的分类和回归并行分支,平衡了目标检测的准确性和实时性。构建了易于拓展的Aeroplane数据集,并对所提方法进行了实验验证。结果表明,所提模型在单架飞机、相互遮挡的飞机和小飞机的检测中平均精度分别提高了4.9%、4.0%和4.4%。所提方法在不同环境下表现优于其他经典方法,包括各类遮挡和夜间、雾天等复杂场景,具有良好的场景鲁棒性。     

基于深度学习的红外目标成像液位检测方法

容器液位检测是工业生产及化工原料储存、运输过程中的重要环节,针对现有液位检测技术中传感器布置容易受空间限制,在高温高压、灰尘、潮湿等特殊环境下传感器寿命短等问题,提出了一种基于深度学习的红外目标成像液位检测方法.通过对容器红外图像标注数据集进行优化训练,得到可以准确识别容器内液体百分比含量的模型.首先,构建储罐液位标准数据集,并搭建基于Pytorch的深度学习目标检测框架.然后,在输入端对图像进行数据增强,调整模型的宽度和深度,优化训练检测模型.最后,采用特征金字塔网络和路径聚合网络结构融合不同尺寸特征图的特征信息,用联合交并比计算边界框的回归损失,并在后处理过程中引入加权非极大值抑制.实验结果表明,该模型具有较好的鲁棒性和识别效果,在交并比为0.5时的平均精度均值可达到0.804.     

增强感受野的轻量化合成孔径雷达船舶检测算法

基于深度学习的合成孔径雷达船舶检测方法大多依赖于强大的图形处理器来实现良好的检测精度,却忽略了检测速度和算法的部署应用.针对上述问题,本文提出一种有效增强感受野的轻量化合成孔径雷达船舶检测算法.首先,使用ShuffleNetV2作为主干特征提取网络,有利于减小计算参数量和模型大小;其次,引入改进型空间金字塔池化模块与空...     

基于多参数模型的非分散红外光谱气体检测稳定性方法研究

针对非分散红外光谱传感器零点和温度漂移问题,建立了一种基于零气光强、参考光强、标准温度、环境温度、温度漂移系数等多参数模型,对红外传感器长期连续运行中存在的零点和温度漂移进行自动校正和补偿。测试结果和长时间应用表明,仪器在各种变换的环境条件下检测精度均小于5%F.S。CO₂的平均检测精度从未综合处理前的9.26%提高到了处理后的1.23%,CH₄的平均检测精度从未综合处理前的10.61%提高到了处理后的0.70%,克服了很多气体检测仪存在的稳定性差,标定周期短等不足,有效提高了仪器的检测精度、稳定性,降低了维护成本。     

面向嵌入式平台的轻量级光学遥感图像舰船检测

针对现有基于深度学习的轻量级目标检测算法对复杂遥感场景图像中舰船目标检测精度低、检测速度慢的问题,提出了一种面向嵌入式平台的轻量级光学遥感图像舰船实时检测算法（STYOLO）。首先,针对主干网络内存访问成本较高的问题,利用高效网络架构ShuffleNet v2作为主干网络对图像进行特征提取,降低内存访问成本,提高网络并行度;其次,利用Slim-neck特征融合结构作为特征增强网络,以融合较低层级特征图中的细节信息,增强对小目标的特征响应,在多尺度信息融合区域施加坐标注意力机制,强化目标关注以提高较难样本检测以及抗背景干扰能力;最后,提出一种跨域迁移和域内迁移相结合的学习策略,减少源域与目标域的差异性,提升迁移学习效果。实验结果表明：基于光学遥感图像舰船检测公开数据集HRSC2016,与同类型快速检测算法YOLOv5s相比,所提算法的检测精度提高了2.7个百分点,参数量减少了61.77%,在嵌入式平台Jetson Nano上检测速度达到102.8 frame/s,能够有效实现对光学遥感图像中舰船目标的实时、准确检测。