用于SAR图像舰船目标检测的MAF-Net和CS损失

深度学习算法以其端到端训练和高准确率等优势被广泛应用于合成孔径雷达图像舰船检测领域。然而,SAR图像中舰船目标尺寸跨度较大,且易受到复杂背景和噪声的干扰,从而影响识别精度。为了进一步提高网络的检测精度,本文提出了一个多尺度注意力融合网络。该网络主要包含一个多尺度特征注意力融合模块,该模块使用骨干网络输出的特征图,融合多尺度的信息,在空间和通道维度对FPN输出的特征图进行增强,用于抑制噪声和背景对舰船目标的影响,提升网络的特征提取能力。此外,本文还提出了余弦相似损失,通过计算目标与非目标区域的余弦相似度,使网络更准确地区分船舶目标与背景,以进一步提高准确率。大量的实验表明,在SSDD和SAR-Ship-Dataset数据集上,本文所提的方法与现有的几种算法相比具有更高的检测精度。

基于ZYNQ的PCB缺陷检测系统实验设计

印刷电路板(PCB)检测方法对于确保产品正常工作至关重要。该文针对传统的人工检测方法易存在漏检、误检等问题,采用深度学习方法对PCB缺陷进行检测,并搭建了基于ZYNQ的硬件实现平台;采用软硬件协同设计方法,使用FPGA对算法进行了硬件加速,其中包括采用了YOLOv3-SPP网络模型,并对该结构进行了优化,使其适用于ZYNQ端的部署。在搭建硬件平台时,首先通过Vivado配置硬件基本信息,然后使用PetaLinux创建Linux系统,在Vitis中调用该系统并添加DPU IP核,最后在ZYNQ的PS端采用多线程思想编写Python程序,实现PCB缺陷的检测。实验结果显示,该系统对各类型PCB缺陷的检测精度均在0.95以上,检测精度平均值(mAP)为0.97。

星载图像实时无损压缩系统的FPGA设计与实现

为实现星载宽幅图像实时无损压缩,针对图像压缩JPEG-LS算法,在预测模块向前预测基础上,调整了算法参数更新计算结构,采取了向前预测两级参数策略,并在不影响压缩质量的前提下实现了全流水线结构。在编码模块,采用有限长编码方式,防止了误差值较大时使编码结果产生过多连续的零,导致编码长度剧增、降低编码性能问题。基于Xilinx公司的xc7k325tffg900现场可编程门阵列(FPGA)芯片,在正常编码模式下,解决了该算法自身反馈结构制约硬件流水线实现,从而导致工作频率低的问题。该文提出的结构不仅可以满足实时处理星上图像数据需求,其参数化的设计还可使系统动态调整输入图像参数,根据不同的应用环境进行参数配置。该文算法最大可处理尺寸为6144×6144的宽幅图像,最高工作频率可达220 MHz,系统输入图像数据的最大传输带宽可达3.52 Gbps。