基于二阶段目标增强网络的低照度复杂环境下绝缘子故障检测方法

从低照度户外环境中航拍采集的绝缘子影像,存在照度低、背景复杂、绝缘子故障目标小等缺陷,严重影响低照度环境下绝缘子故障检测准确性。为解决上述问题,文章提出一种基于TOE-Net的低照度复杂环境下绝缘子故障检测方法,提出TOE-Net进行图像预处理方法,再使用YOLOv7-OL作为故障检测模块检测小目标绝缘子故障。在二阶段目标增强网络(two-stage object enhancement network,TOE-Net)中,设计零目标图像增强损失函数实现预增强网络(preparation enhancement network,PreEnNet)和深度增强网络(deep enhancement network,DeepEnNet)的无监督学习;使用信道级注意力模块跳跃式通道注意力机制(skip squeeze excitation networt,Skip_SENet)和跳跃式通道注意力机制(skip convolutional block attention module,Skip_CBAM)模块改进原始小目标特征增强单次多框检测算法(small object detection enhancement single shot multiBox detector,SDE-SSD),从而提升定位网络的小目标检测能力;设计弱监督机制使预增强网络根据小目标特征增强SSD的要求来提升图像增强能力,直到小目标特征增强SSD能够从增强图像中准确定位绝缘子串位置;使用深度增强网络深度增强绝缘子串区域,提升各类故障的特征显著性。故障检测模块中,将YOLOv7目标检测算法改进为面向小目标YOLOv7,在原模型中添加结合多尺度特征自适应融合网络的小目标检测通道,并将原始损失函数的CIOU改进为BIOU,从而提高模型的小目标检测性能。在低照度环境绝缘子故障检测实验中,该算法与5种目前常用目标检测算法相比具有较大优势,并且相较于低光目标检测算法IA-YOLO、GenISP with RetinaNet,m AP提升9.77%、10.35%,检测速度提升7.23%、10.16%,证明该算法适用于低照度复杂环境下小目标绝缘子故障检测任务;在正常光照绝缘子故障检测实验中该算法仍保持出色性能,证明该算法能够实现常规光照条件下绝缘子小目标故障检测。

基于信息补偿的红外弱小目标检测方法

针对红外弱小目标容易在网络迭代过程中损失纹理细节信息,从而导致目标定位和轮廓分割的准确性下降的问题,提出一种基于信息补偿的红外弱小目标检测方法。首先,利用图像特征提取(IFE)模块编码红外源图像的浅层细节及深层语义特征;其次,构建多级信息补偿(MIC)模块通过聚合相邻级别的特征对编码阶段下采样后的特征进行信息补偿;随后,引入全局目标响应(GTR)模块联合特征图的全局上下文信息对卷积局部性的限制进行补偿;最后,构建非对称交叉融合(ACF)模块对浅层和深层特征进行融合,以实现目标解码时纹理信息与位置信息的保留,进而完成对红外弱小目标的检测。在公开的NUAA-SIRST(Nanjing University of Aeronautics and Astronautics-Singleframe InfraRed Small Target)和NUDT-SIRST(National University of Defense Technology-Single-frame InfraRed Small Target)混合数据集上训练和测试的实验结果表明,与UIUNet(U-Net in U-Net Network)、LSPM(Local Similarity Pyramid Modules)和DNANet(Dense Nested Attention Network)等方法相比,所提方法在交并比(IoU)上分别提高了9.2、8.9和5.5个百分点,在F1分数(F1-Score)上分别提高了6.0、5.4和3.1个百分点。以上表明所提方法对红外复杂背景图像中的弱小目标可以实现准确检测和有效分割。

改进YOLOv8的无人机航拍图像目标检测算法

针对无人机航拍图像存在多个小目标聚集、目标尺度变化大的问题,提出一种改进YOLOv8的目标检测算法TS-YOLO(tiny and scale-YOLO)。在主干部分去除冗余的特征提取层,设计了一种高效特征提取模块(efficient feature extraction module,EFEM),避免小目标特征消失在冗余信息中。在颈部设计了一种双重跨尺度加权特征融合方法(dual cross-scale weighted feature-fusion,DCWF),融合多尺度信息的同时抑制噪声干扰,提升特征表达能力。通过构建一种参数共享检测头(parameter-shared detection header,PSDH),使回归和分类任务实现参数共享,保证检测精度的同时有效降低了模型的参数量。所提模型在VisDrone-2019数据集上的精度(P)和召回率(R)分别达到54.0%、42.5%;相比于原始YOLOv8s模型,mAP50提高了5.0个百分点,达到44.5%,且参数量减少了55.8%,仅有4.94×106;在DOTAv1.0遥感数据集上,mAP50达到71.9%,仍具有较好的泛化能力。

改进YOLOv8n的选通图像目标检测算法

激光选通成像技术在复杂环境下表现出色,但选通图像为灰度图像无法提供颜色信息,并且对比度较低,所以在进行小目标和遮挡目标检测时更加困难。为解决以上问题提出了一种改进YOLOv8n的选通图像目标检测算法。在特征提取的主干网络部分,使用大核卷积C2f-DSF更有效地捕获输入数据的全局信息。添加了多头注意力检测头Detect-SEAM模块,增强了特征提取和目标识别的能力。为了获取不同感受野的上下文信息,增强特征提取能力,使用了SPPF-M模块。采用上采样算子Dysample,减少特征信息的损失,从而提高小目标的检测精度。改进的YOLOv8n算法在选通图像数据集上mAP@0.5提高了2.4个百分点,mAP@0.5:0.95提高了1.8个百分点。为了验证改进的YOLOv8n算法的泛化性,选取KITTI数据集实验,相比于YOLOv8n算法改进YOLOv8n的mAP@0.5提高了4.3个百分点,mAP@0.5:0.95提高了3.5个百分点。

危机情境下领导路径-目标澄清行为对角色绩效的影响

危机情境下,领导需要澄清团队目标进而提升员工角色绩效。然而,何种路径-目标澄清行为更加有效亟待明确。整合路径目标理论与变革-交易领导框架,本文探究两种竞争性路径-目标澄清行为(愿景阐释行为与积极纠偏行为)对员工角色绩效的影响。基于某连锁品牌员工的两阶段调查数据发现,愿景阐释行为通过提高团队目标的清晰性增强了员工角色绩效,而积极纠偏行为通过提高团队目标的清晰性对员工角色绩效的影响不显著。团队情绪(团队恐惧与团队自满)调节了路径-目标澄清行为对团队目标清晰性的影响:当团队恐惧情绪水平较高时,愿景阐释行为对团队目标清晰性的积极影响更大;而当团队自满情绪水平较高时,积极纠偏行为对团队目标清晰性的积极影响更大。团队情绪进一步调节了团队目标清晰性在路径-目标澄清行为与员工角色绩效之间的中介机制。本文剖析了团队情绪对于路径-目标澄清行为有效性的影响,对于实现危机情境下的有效领导具有指导意义。

管理人员新型经营责任制的多元目标耦合与动态平衡策略研究

本文分析了管理人员新型经营责任制中多元目标耦合冲突,包括经济与社会责任、短期与长期目标、企业效益与员工福利,以及管理人员角色定位模糊性等冲突。探讨了动态平衡策略的理论基础,包括定义、管理理论、系统论视角及关键因素,并提出动态平衡策略的具体实施路径:确立合理目标权重与优先级,构建柔性化目标调整机制,提高信息透明度与沟通效率,强化绩效评估与激励机制的多维度设计,以及推动管理决策的灵活性与可持续性。

局部对比度融合重加权的红外图像小目标检测

红外图像块小目标检测算法在数据链、预警、制导等领域有较为广泛的应用,如利用数据链可以将红外图像块小目标精确传送给雷达。为了在复杂背景条件下进一步提高红外小目标检测的效果,提出了一种重加权和局部先验融合的红外图像块(IPI)小目标检测算法。首先,采用加权Schatten p范数对背景图像块进行约束;其次,引入局部对比度先验信息和加权l_(1)范数抑制非目标稀疏点,进一步增强目标图像稀疏性,使算法模型性能进一步得到提升。仿真结果表明,所提算法在抑制背景杂波和精确检测目标方面均有较好的结果,优于现有经典算法。

CARFB:即插即用的目标检测模块

针对坐标注意力(CA)在水平和垂直方向特征的平均池化可能丢失目标显著特征,以及使用二维普通卷积对小目标特征学习不足的情况,提出了CARFB(coordinate attention and receptive field block)模块。该模块将CA的平均池化修改为平均+最大池化,以保留输入特征在水平和垂直方向的显著和细节信息;利用RFB具有不同大小感受野的优势,在水平和垂直方向分别使用RFB模块代替CA的融合特征统一卷积,以同时提取不同大小目标的特征;引入包含不同大小卷积核和步长的CBS模块,替换CA的二维普通卷积,进一步提取水平和垂直方向的特征,得到重新加权的输出特征。CARFB模块在水平和垂直方向保存目标位置信息,利用不同感受野提取不同大小目标的强辨别性特征,从而具有更强的特征学习能力。为了验证提出的即插即用模块CARFB的性能,将其嵌入ObjectBox目标检测框架,得到ObjectBox-CARFB模型;用CARFB模块替换RFBnet中的RFB模块,得到CARFBnet目标检测模型。MSCOCO数据集的实验测试表明,ObjectBox-CARFB模型的性能得到全面提升,尤其对小目标的检测性能提升突出;PASCALVOC和MSCOCO数据集的实验结果表明,CARFBnet300和CARFBnet512的目标检测能力分别优于原始RFBnet300和RFBnet512模型,并优于其他同系列对比模型。提出的CARFB模块具有更强的特征学习能力,对不同尺度目标均能取得较好的检测效果,特别是在小目标检测方面,效果提升显著。提出的CARFB模块可以嵌入到任何一个卷积神经网络,能保存更多的目标信息,具有更强的特征学习能力和更高的网络性能,对不同尺度目标均能取得较好的检测效果,尤其对小目标的检测效果提升显著。

基于分布式穿墙雷达的多目标自动检测方法

超宽带雷达具有抗干扰能力强、穿透性强等特点,被广泛应用于穿墙人体目标探测。单发单收雷达具有体积小、重量轻的优势,但是无法实现目标的二维定位。MIMO阵列雷达能够实现对于目标的定位,但是存在着体积与分辨率之间的相互制约,同时运算时间较长。该文基于分布式穿墙雷达,提出了一种基于分布式雷达的多目标自动检测方法。首先,对回波信号进行时域预处理、时频转换等,基于恒虚警检测的目标距离测量方法获取目标候选距离单元,使用滤波矩阵进行候选信号增强;基于生命信息对增强后信号进行关联,实现目标匹配;最后使用定位模块来实现雷达位置自确定,进而实现生命目标位置的快速、自动检测。为了避免偶发误差对最终定位结果的影响,该文使用定位场景剖分的方法实现穿墙场景下的生命目标二维定位。实验结果表明,该文所提方法可以实现穿墙场景下多目标的检测定位,在实测数据中运算时间为0.95 s,优于其他对比方法4倍以上。

基于OKR法的国家医疗质量安全改进目标实现路径探索

上海申康医院发展中心为落实国家医疗质量安全改进目标,以目标与关键成果(Objectives and Key Results,OKR)法为理论框架,制定主要目标任务和关键结果清单,主要做法包括搭建推进医疗质量安全监管工作的组织架构,建立系列医疗质量安全目标的量化指标,形成标准化管理制度,建设信息化平台及加强监管。OKR法可有效推动落实国家医疗质量安全改进目标管理,搭建跨机构医疗质量安全管理网络并强化过程管理,有效推动医疗质量安全持续改进。

舰船防空反导的目标分配方法研究

为了解决动态武器目标分配问题中遇到的状态信息多类型、时间序列相关的问题,提出一种基于改进的深度强化学习算法的动态武器目标分配方法。构建了目标导弹-拦截单元的多输入分配模型;设计一个多输入的状态空间,并结合问题模型建立马尔可夫决策过程;设计一个结合多输入信息处理和门控循环网络的特征提取网络,提高对状态信息的提取能力,保留所需要的状态信息并遗忘不重要的状态信息;在策略网络中引入多头注意力机制,提高模型的表现能力和收敛速度。实验结果表明:该动态武器目标分配方法有较好的收敛速度和拦截收益。

基于改进多目标粒子群算法的可重构装配线调度

针对可重构装配线调度问题,构建了最小化重构成本、最小化生产负荷平衡和最小化物流平准化的多目标调度模型,设计了改进多目标粒子群算法。该算法采取了自适应调整策略和重启机制以保证种群多样性,帮助算法跳出局部最优。为了测试两种改进策略的有效性,所提出算法与两种多目标粒子群算法进行对比实验,实验结果表明自适应调整策略和重启机制有效提升了多目标粒子群算法的性能。同时,将改进多目标粒子群算法与原始多目标粒子群算法、多目标模拟退火算法、多目标人工蜂群算法、多目标差分进化算法、基于分解的多目标进化算法、快速非支配遗传算法进行对比。对100个测试案例进行求解,在世代距离、指标和超体积率上均表明改进多目标粒子群算法优于对比算法,可实现多目标可重构装配线调度问题的高效求解。

基于改进YOLOv8的自动驾驶场景目标检测算法

针对自动驾驶场景遮挡目标和小目标检测困难问题,提出了FAN-YOLOv8n自动驾驶检测算法。设计了特征感受野融合模块(EFFVM),增强模型主干部分对局部特征的提取,提高模型对遮挡目标的检测能力;在模型头部增加了更浅特征层P2的检测头,提高模型对于小目标的检测效果;在模型颈部设计了特征指导模块(FGM)来融合浅层和深层的特征信息,使得两层之间能够更好地进行特征交互,让模型更关注细粒特征。提出了特征层融合模块(FLFM),融合多尺度特征层并进行特征增强,使模型能够自适应不同尺度目标的检测。实验结果表明,在SODA10M数据集和部分BDD100K数据集上,改进模型的mAP0.5对比原始YOLOv8n模型提升了7个百分点和6.5个百分点,适用于实际自动驾驶检测任务。

基于深度学习的小目标检测基准研究进展

小目标检测是计算机视觉中极具挑战性的任务.它被广泛应用于遥感、交通、国防军事和日常生活等领域.相比其他视觉任务,小目标检测的研究进展相对缓慢.制约因素除了学习小目标特征的内在困难,还有小目标检测基准,即小目标检测数据集的稀缺以及建立小目标检测评估指标的挑战.为了更深入地理解小目标检测,本文首次对基于深度学习的小目标检测基准进行了全新彻底的调查.系统介绍了现存的35个小目标数据集,并从相对尺度和绝对尺度(目标边界框的宽度或高度、目标边界框宽高的乘积、目标边界框面积的平方根)对小目标的定义进行全面总结.重点从基于交并比及其变体、基于平均精度及其变体以及其他评估指标这3方面详细探讨了小目标检测评估指标.此外,从锚框机制、尺度感知与融合、上下文信息、超分辨率技术以及其他改进思路这5个角度对代表性小目标检测算法进行了全面阐述.与此同时,在6个数据集上对典型评估指标(评估指标+目标定义、评估指标+单目标类别)下的代表性小目标检测算法进行性能的深入分析与比较,并从小目标检测新基准、小目标定义的统一、小目标检测新框架、多模态小目标检测算法、旋转小目标检测以及高精度且实时的小目标检测这6个方面指出未来可能的发展趋势.希望该综述可以启发相关研究人员,进一步促进小目标检测的发展.

基于运动特征的点目标识别技术研究

基于光学图像的点目标识别技术在空间科学、军事安全、自动驾驶等领域中有广泛应用。由于远距离及小目标探测时表现为点目标,因此现有基于目标形状、轮廓等空间信息的识别算法在点目标识别中存在困难。文章针对点目标识别问题,开展了基于运动特征的点目标识别技术的研究,通过提取点目标强度时序变化信息的特征物理量反映目标运动状态,结合小波分析去噪以提高对统计特征提取的准确度,利用机器学习方法实现对不同运动状态点目标的识别。文章搭建了实验系统进行点目标识别验证,实验表明,该方法能够利用小样本学习实现高准确度点目标识别,基于全部提取特征和少数关键特征的识别准确率分别为87.8%和84.5%,验证了文章所提出的点目标识别技术的有效性。

基于惯性预测的遥感场景舰船多目标跟踪模型

遥感场景下的舰船目标跟踪具有重要的战略意义和经济价值,如何克服遥感视角下舰船朝向任意性、近岸舰船密集排列等问题对跟踪性能的影响是一项具有挑战性的任务。针对遥感场景下舰船等大长宽比目标的多目标跟踪(multiple-object tracking,MOT)任务,提出一种基于惯性预测的多目标跟踪器(inertial predicting multiple-object tracker,IPMOT)。首先,利用检测-跟踪(tracking-by-detection,TBD)范式级联检测器和跟踪器有效避免训练过程对时序关系的依赖,通过公开的目标检测数据集实现对检测器的训练,解决跟踪数据集缺乏的问题。其次,针对TBD范式在检测阶段存在的漏检严重影响跟踪性能的问题,构建惯性跟踪模型(inertial tracking model,ITM),通过多步预测来实现检测器漏检时的跟踪保持,并利用角度修正消除边界处角度突变的影响。最后,为实现所提算法的模型训练和性能测试,制作舰船MOT(ship MOT,SMOT)数据集。实验结果表明,所提模型在MOT精度(MOT accuracy,MOTA)和识别F1分数(identity F1 score,IDF1)指标上分别提升3.9%和7.2%,在IDs和Frag指标上的表现有明显改善,具有较好的跟踪精度和稳定性。

基于多目标麻雀算法的污水处理过程优化控制

为了解决污水处理过程中出水水质和总能耗的多目标优化问题,提出了一种融合多策略的多目标麻雀搜索算法。首先,利用佳点集初始化麻雀种群,使种群分布更均匀,提升搜索空间,并在发现者位置更新公式中引入最优引导策略和动态惯性权重,改善发现者收敛到原点的问题,平衡算法的全局搜索和局部开发能力;其次,为了提升算法的局部逃逸能力,改进警戒者位置更新策略,并对麻雀个体的最优位置进行扰动;最后,在外部存档更新过程中引入种群更新方法,加快算法的收敛速度,增加种群的多样性。实验结果表明,所提算法具有较好的优化性能,有效降低了污水处理过程中的总能耗,并提升了出水水质。

考虑运营风险的医疗废物回收选址多目标鲁棒优化研究

为规避突发公共卫生事件下的不确定风险,研究医疗废物回收网络中的回收中心、处理中心、处置中心等节点选址问题,以总成本最小以及总风险最小为目标,构建考虑运营风险的医疗废物回收选址多目标鲁棒优化模型,设计非支配排序遗传算法,提出p鲁棒迭代算子求解p值下界,采用轮盘赌选择,结合精英策略、均匀交叉和反向变异等遗传操作。基于仿真案例,求解确定性模型与鲁棒优化模型得到帕累托解。模型对比结果表明鲁棒优化模型适用所有情景,且成本相对遗憾值均小于2%,能够有效应对参数不确定引起的设施选址变化。对p值进行灵敏度分析,结果表明当0.004≤p≤0.08时,解的质量随p值增大而上升;p值越接近下界0.004,目标值下降越迅速,越适于应对紧急情况;同时决策者的风险偏好程度和总成本对设施布局有重要影响,需对二者进行综合权衡。

多目标联合优化的车联网动态资源分配算法

为了解决车联网(IoV)信道高动态不确定性及多用户干扰所导致的通信传输性能下降问题,提出了一种基于多智能体增强型双深度Q网络(EDDQN)的多目标联合优化资源分配算法。首先,考虑车辆运动和信道时变特性,建立多用户干扰下频谱共享和功率控制联合优化的资源分配决策模型,在满足时延和可靠性等约束下,最小化网络时延和能耗加权和(成本);然后,将模型转换为马尔可夫决策过程(MDP),利用双深度Q网络(DDQN),并引入优先经验回放和多步学习,通过集中式训练和分布式执行,优化车间(V2V)链路的频谱共享和功率分配策略。结果表明,所提算法具有良好的收敛性,在不同负载下相较对比算法成本减少8%以上,负载传输成功率提升19%以上,有效提高了通信传输性能。

基于FPGA的MobileNetV1目标检测加速器设计

卷积神经网络是目标检测中的常用算法,但由于卷积神经网络参数量和计算量巨大导致检测速度慢、功耗高,且难以部署到硬件平台,故文中提出一种采用CPU与FPGA融合结构实现MobileNetV1目标检测加速的应用方法。首先,通过设置宽度超参数和分辨率超参数以及网络参数定点化来减少网络模型的参数量和计算量;其次,对卷积层和批量归一化层进行融合,减少网络复杂性,提升网络计算速度;然后,设计一种八通道核间并行卷积计算引擎,每个通道利用行缓存乘法和加法树结构实现卷积运算;最后,利用FPGA并行计算和流水线结构,通过对此八通道卷积计算引擎合理的复用完成三种不同类型的卷积计算,减少硬件资源使用量、降低功耗。实验结果表明,该设计可以对MobileNetV1目标检测进行硬件加速,帧率可达56.7 f/s,功耗仅为0.603 W。