基于Transformer的无人机多目标跟踪算法研究

针对无人机多目标跟踪面临目标遮挡、尺度变化、快速运动、复杂环境等问题,提出了一种基于Transformer的无人机多目标跟踪算法,采用Focal Transformer来捕获高分辨率输入的Transformer层中的局部和全局交互。该算法能够生成目标的检测信息以及目标的外观特征,从而提高了跟踪性能。在轨迹预测方面,采用了卡尔曼滤波方法,以准确地预测目标的运动轨迹,有助于提高跟踪的准确性和鲁棒性。在数据关联过程中,同时考虑了检测置信度、外观嵌入距离和IOU距离3个因素,以更有效地处理数据关联过程,提高了多目标跟踪模型的鲁棒性,使其能够在复杂场景中更好地跟踪目标。此外,还使用了轨迹的二次匹配方法,进一步提高了算法的性能。在VisDrone和UAVDT数据集上进行了对比验证,证明了该算法在实际应用中的有效性和可行性。本研究为无人机多目标跟踪提供了一种新的解决方案,具有广泛的应用前景。

基于分段三次曲线和数据更新的色谱信号基线校正

在利用多项式曲线分段拟合实测信号基线过程中,常存在分段点影响拟合精度、运算速度的问题。为了解决这些问题提出了基于分段三次曲线和数据更新的色谱信号基线校正算法。构造了一种基于5点的分段三次曲线对实测信号进行拟合,这种曲线具有低阶光滑的优点,能够有效地克服分段点影响拟合精度的缺陷;为了减少基线校正算法的迭代次数,提高运算速度,提出了改进的数据更新方法,在每次迭代运算中,将基线以上原实测信号的波峰按比例反转的结果更新基线,改进前后的算法运算时间比约为7:1;将新算法的实验结果与现有的4种相关算法进行比较,结果表明:基于分段三次曲线和数据更新的基线校正算法对基线的近似度高,速度快。新基线校正算法已在液相色谱仪中得到实际应用,证明了该算法能有效地从原色谱信号中去除基线。

基于深度学习的寒旱区遥感影像河流提取

寒旱区河流提取对该地区生态环境监测、农业规划、灾害预警等具有重要意义。根据寒旱区特点制作了面向寒旱区遥感影像河流识别的专业数据集;为了提高网络的识别准确率,融合迁移学习与深度学习,将ResNet50网络迁移到Linknet网络,得到R-Linknet网络;为了提取到更多的细节信息和增加提取河流的连贯性,将密集空间金字塔池化与R-Linknet网络相结合,扩大网络的感受野;训练时,将Dice系数损失函数与二分类交叉熵函数相结合,作为新的损失函数。数据集验证结果表明,本文提出的方法与多种语义分割网络相比,像素准确率较FCN_8s、ResNet50、DeeplabV3、Unet和原始Linknet网络分别提高0.216、0.099、0.031、0.056和0.023,交并比分别提高0.19、0.142、0.056、0.105和0.028;加入Dense ASPP之后,像素准确率提高0.023,交并比提高0.050,采用新的损失函数进行训练后,像素准确率和交并比又分别提高0.019和0.022。该方法提取到的河流更加清晰、连贯,能够满足后续的研究需求。

基于变换域PCNN的近红外与彩色可见光融合

针对近红外与彩色可见光图像融合后对比度低、细节丢失和颜色失真等问题,提出一种基于多尺度变换和自适应脉冲耦合神经网络(PCNN-pulse coupled neural network,PCNN)的红外与彩色可见光图像融合的新算法。首先将彩色可见光图像转换到HSI(hue saturation intensity)空间,HSI色彩空间包含亮度、色度和饱和度三个分量,并且这三个分量互不相关,因此利用这个特点可对三个分量分别进行处理。将其亮度分量与近红外图像分别进行多尺度变换,变换方法选择Tetrolet变换。变换后分别得到低频和高频分量,针对图像低频分量,提出一种期望最大的低频分量融合规则;针对图像高频分量,采用高斯差分算子调节PCNN模型的阈值,提出一种自适应的PCNN模型作为融合规则。处理后的高低频分量经过Tetrolet逆变换得到的融合图像作为新的亮度图像。然后将新的亮度图像和原始的色度和饱和度分量反向映射到RGB空间,得到融合后的彩色图像。为了解决融合带来的图像平滑化和原始图像光照不均的问题,引入颜色与锐度校正机制(colour and sharpness correction,CSC)来提高融合图像的质量。为了验证方法的有效性,选取了5组分辨率为1024×680近红外与彩色可见光图像进行试验,并与当前高效的四种融合方法以及未进行颜色校正的本方法进行了对比。实验结果表明,同其他图像融合算法进行对比分析,该方法在有无CSC颜色的情况下均能保留最多的细节和纹理,可见度均大大提高,同时本方法的结果在光照条件较弱的情况下具有更多的细节和纹理,均具有更好的对比度和良好的色彩再现性。在信息保留度、颜色恢复、图像对比度和结构相似性等客观指标上均具有较大优势。

基于改进LinkNet的寒旱区遥感图像河流识别方法

为解决遥感图像河流精细化提取问题,提出一种改进LinkNet模型的分割网络(AFRLinkNet)。AFRLinkNet在LinkNet基础上引入了残差通道注意力结构、非对称卷积模块以及密集跳跃连接结构,并用视觉激活函数FReLU替换ReLU激活函数。残差通道注意力结构可以强化对分割任务有效的特征,以提高模型的分类能力,得到更多的细节信息。利用非对称卷积模块进行模型压缩和加速。使用FReLU激活函数提升网络提取遥感图像河流的精细空间布局。在寒旱区河流数据集上的实验结果表明,AFRLinkNet网络相较于FCN、UNet、ResNet50、LinkNet、DeepLabv3+网络交并比分别提高了26.4、22.7、17.6、12.0、9.7个百分点,像素准确率分别提高了25.9、22.5、13.2、10.5、7.3个百分点;引入非对称卷积模块后,交并比提高了5.1个百分点,像素准确率提高了2.9个百分点,在此基础上引入残差通道注意力结构之后,交并比又提高了2.2个百分点,像素准确率提高了2.3个百分点,证明了其对河流细节识别效果更好。

基于机器视觉的PCB缺陷检测算法研究现状及展望

印刷电路板(PCB)是电子零件的基板,需求量极大,承载着电路元件和导线的布局,其优良与否对电子产品的质量有着重要影响。由于电子产品的制作逐渐趋于轻薄、精小,基于机器视觉的PCB缺陷检测已成为一个具有挑战性的问题。为了加深研究人员对PCB缺陷检测的理解,本文从传统图像处理方式、传统机器学习及深度学习3大维度全面回顾了近10年基于机器视觉的PCB缺陷检测算法,并分析其优缺点;介绍了9个PCB数据集,给出了评价PCB缺陷检测算法的性能指标,且在PCB数据集及流行的小目标数据集上分别对典型的算法进行了对比分析;最后指出了PCB缺陷检测算法目前存在的问题,展望了未来可能的研究趋势。

基于Tetrolet变换的近红外与彩色可见光图像融合算法研究

针对近红外与彩色可见光图像融合后出现的对比度降低、细节丢失、颜色失真等问题,提出一种基于Tetrolet变换和自适应脉冲耦合神经网络PCNN(PCNN-Pulse Coupled Neural Network)的近红外与彩色可见光图像融合的新算法。首先将彩色可见光源图像转换到各个分量相对独立的HSI空间(HSI-Hue Saturation Intensity),将其亮度分量与近红外图像进行Tetrolet分解,对分解后得到的低频系数,提出一种从给定不完备数据集中寻找潜在分布最大似然估计的期望最大算法融合规则;对分解后得到的高频系数,采用一种Sobel算子自动调节阈值的自适应PCNN模型作为融合规则;处理后的高低频图像经Tetrolet逆变换作为融合后的亮度图像,提出一种饱和度分量自适应拉伸方法来解决图像饱和度下降的问题。处理后的各个分量反向映射到RGB空间,完成融合。将本文算法与多种高效融合算法进行对比分析,实验表明,本方法取得的图像,细节清晰,色彩对比度得到提升,在图像饱和度、颜色恢复性能、结构相似性和对比度等客观评价指标上均具有明显的优势。

结构细化的神经风格迁移

风格迁移过程中风格元素均匀分布在整个图像中会使风格化图像细节模糊,现有的迁移方法主要关注迁移风格的多样性,忽略了风格化图像的内容结构和细节信息。因此,该文提出结构细化的神经风格迁移方法,通过增加边缘检测网络对内容图像的轮廓边缘进行提取实现风格化图像内容结构的细化,凸显内容图像中的主要目标;通过对转换网络中的常规卷积层的较大卷积核进行替换,在具有相同的感受野的条件下,使网络模型参数更少,提升了迁移速度;通过对转换网络中的常规卷积层添加自适应归一化层,利用自适应归一化在特征通道中检测特定样式笔触产生较高的非线性同时保留内容图像的空间结构特性来细化生成图像的结构。该方法能够细化风格化图像的整体结构,使得风格化图像连贯性更好,解决了风格纹理均匀分布使得风格化图像细节模糊的问题,提高了图像风格迁移的质量。

徐州市奥体体育场索夹受力试验研究

为验证徐州奥体中心体育场预应力拉索铸钢节点的抗滑移能力,考虑到力学关系的复杂性,采用足尺寸模型试验分析。设计中,将索夹节点的不平衡力简化为索节点两端切线方向拉力差值,并对径索及环、径索节点抗滑移力进行了预估。将试验测得的抗摩擦系数和抗滑移力与预估值进行对比,分析铸钢节点对拉索的约束程度。

浅谈徐州市奥体中心体育场钢结构工程质量控制实践

结合徐州市奥体中心体育场钢结构工程质量控制的实践,详细叙述了钢结构制作和安装过程中质量控制的一些要点和应注意的环节,为类似钢结构工程的质量控制提供借鉴。

光学遥感图像舰船目标检测与识别方法研究进展

不论是在军事侦查领域还是海洋执法方面,舰船目标检测与识别技术都至关重要,尤其是随着光学遥感卫星技术的发展,获取了大量的舰船成像数据,怎样迅速从大批量的光学成像资料中精确定位和鉴别出舰船目标是富有挑战性的工作。首先,概述了光学遥感图像舰船目标检测与识别技术的发展历程和技术流程;然后,依次阐述了光学遥感图像的获取与预处理、海陆分离、舰船目标检测和舰船目标识别等方面的研究进展,重点论述了采用传统和深度学习2类方法开展光学遥感图像目标检测与识别的研究进展;接着,介绍了11种包含舰船目标的遥感图像数据集以及性能评价指标;最后,分析了舰船目标检测与识别技术面临的主要问题,并展望了舰船检测与识别技术今后的发展方向。

基于深度学习的无人机航拍视频多目标检测与跟踪研究进展

随着无人机航拍的数据采集愈加便捷,以无人机为平台的多目标检测与跟踪技术发展迅速,在智慧城市、环境监测、地质探测、精准农业和灾害预警等民用和军事领域有着广泛的应用前景,近年来深度学习的突飞猛进也为其提供了多种更为有效的解决思路。然而,无人机视角下目标外观发生突变、目标区域被严重遮挡以及目标消失和重现等挑战性的问题尚未完全解决。综述了基于深度学习的无人机航拍视频多目标检测与跟踪算法,总结了该领域的最新进展,包括多目标检测、多目标跟踪2个模块。多目标检测模块划分为双阶段与单阶段两个部分。对于多目标跟踪模块则依据基于检测的跟踪和联合检测的跟踪2个经典框架,分别阐述了2类算法的原理并分析其优缺点。随后对现有的公开数据集进行统计分析,并对基于无人机航拍视频的多目标检测与跟踪领域内标杆挑战赛VisDrone Challenge近年来的最优方案进行了对比分析。最后总结了无人机视角下多目标检测与跟踪亟待解决的问题并展望未来可能的研究方向,为后续相关研究的人员提供参考。

基于多尺度Retinex和暗通道的自适应图像去雾算法

针对暗通道先验算法处理大片天空区域存在复原图像的可视化效果较差和图像细节信息不丰富等问题,提出一种基于多尺度Retinex和暗通道的自适应图像去雾算法。采用Canny算子对亮度分量进行边缘检测并利用多尺度Retinex算法消除亮度分量,采用交叉双边滤波优化暗通道的先验理论获得粗略估计的透射率,采用四叉树子空间搜索法选取全局大气光值。为了消除图像中复原图像整体较暗以及无法显示细节信息的现象,使用二维伽马函数校正亮度值,最终得到复原后的去雾图像。实验结果表明,所提算法可以有效恢复有雾图像的细节信息,去雾较为彻底,整体平滑,色彩明亮度较好,图像清晰自然。

基于显著矩阵与神经网络的红外与可见光图像融合

针对红外与可见光图像融合过程中出现的细节损失严重、视觉效果不佳等问题,提出了基于多尺度几何变换模型的融合方法。首先,采用改进的视觉显著性检测算法对红外与可见光图像进行显著性检测,并构建显著性矩阵;然后,对红外与可见光图像进行非下采样剪切波变换,得到相应的低频和高频子带,并采用显著性矩阵对低频子带进行自适应加权融合,同时采用简化的脉冲耦合神经网络并结合多方向拉普拉斯能量和对高频子带进行融合处理;最后,通过逆变换得到融合图像。实验结果表明,该方法能够有效提升融合图像的对比度并保留源图像的细节信息,融合图像具有良好的视觉效果,且多个客观评价指标均表现良好。

目标边缘清晰化的图像风格迁移

针对图像风格迁移时出现前后景边界模糊造成风格化图像主要目标模糊的问题,提出了目标边缘清晰化的图像风格迁移算法。通过将用于提取内容图像轮廓的深度抠图神经网络与风格迁移网络合并,形成透明遮罩约束风格迁移过程,凸显风格化图像中主要目标的轮廓;通过对迁移网络中最大池化层进行替换,保留图像的背景信息,细化风格化图像的整体结构;通过替换迁移网络中较大卷积核,减少网络模型参数,减少风格迁移计算量;通过对常规卷积层的归一化,实现相似风格迁移之间的参数共享,提升风格迁移速度。用VGG-19神经网络作为特征提取器对输入的内容图像和风格图像提取特征图,把输入图像到输出图像的变换约束在色彩空间局部仿射中,在输入图像RGB通道上合并目标遮罩,使得风格化图像的主要目标在遮罩约束中实现纹理合成。实验表明,与传统方法比较,该方法产生的迁移结果前后景边缘明显,内容结构保留较好,解决了风格化图像主要目标边缘模糊的问题。

用管理五大职能理论指导项目代建工作

本文论述了应用计划、组织、指挥、协调、控制五大管理职能理论,阐述如何搞好项目代建的安全、质量、进度、造价控制(四控)、合同、信息管理(两管)、协调项目参建方的关系(一协调)。