Elevation estimation for low-angle target based on reffection paths suppression

In the signal processing for metrewave radar, the reflection paths of target echoes can cause severe error in the elevation estimation for the low-angle target tracking. The exact angles of the reflection paths are unknown beforehand, and therefore, the reflection paths can not be suppressed easily. Therefore, in this article, an improved reflection paths suppression approach is presented. A block matrix aggregate is constructed based on the possible angles of the reflection paths. Combined with the beamforming-like processing, a generalized maximum likelihood estimation is derived to optimize the estimation. Moreover, the noise reduction method based on the Toeplitz covariance matrix is used for better performance. This approach is applied to the real data collected by the low-angle tracking radar with 8-channel vertical array. The experiment results show that the reflection effects are reduced and the accuracy of the elevation estimate is improved.

改进YOLOv5的无人机航拍图像目标检测算法

针对无人机航拍图像目标检测中目标尺度多样、相似目标众多、目标聚集导致的目标漏检、误检问题,提出了改进YOLOv5的无人机航拍图像目标检测算法DA-YOLO。提出由特征图注意力生成器和动态权重学习模块组成的多尺度动态特征加权融合网络,特征图注意力生成器融合处理不同尺度目标更重要的特征,权重学习模块自适应地调节对不同尺度目标特征的学习,该网络可增强在目标尺度多样下的辨识度从而降低目标漏检。设计一种并行选择性注意力机制(PSAM)添加到特征提取网络中,该模块通过动态融合空间信息和通道信息,加强特征的表达获得更优质的特征图,提高网络对相似目标的区分能力以减少误检。使用Soft-NMS代替YOLOv5中采用的非极大值抑制(NMS)以改善目标聚集场景下的漏检、误检。实验结果表明,改进算法在VisDrone数据集上检测精度达到37.79%,相比于YOLOv5s算法精度提高了5.59个百分点,改进后的算法可以更好地应用于无人机航拍图像目标检测中。

自适应特征融合与cosIoU-NMS的目标检测算法

针对经典的有锚框检测算法RetinaNet、无锚框检测算法FCOS等目标检测算法中存在漏检以及重复检测的问题,提出一种自适应特征融合与cosIoU-NMS的目标检测算法.首先采用自适应特征融合模块对多尺度特征中相邻3层特征加权融合,获取丰富的上下文信息和空间信息;然后采用cosIoU计算检测框之间的余弦相似度与重叠面积,使目标定位更准确;最后使用cosIoU-NMS代替Greedy-NMS抑制置信度分数较高的冗余框,保留更准确的检测结果.以RetinaNet和FCOS为基准,在PASCAL VOC数据集上的实验结果表明,所提算法的检测精度达到81.3%和82.3%,分别提升2.8个百分点和1.2个百分点;在MSCOCO数据集上检测精度达到36.8%和38.0%,分别提升1.0个百分点和0.7个百分点;该算法能够增强特征表征能力,筛除多余的检测框,有效地提高检测性能.

汽车前底盘装配视觉检测系统设计与应用

为解决汽车底盘混流装配错装、漏装和人工检测效率低的问题,设计了基于YOLOv3-Tiny的在线检测系统。该检测系统利用4套光源-相机组合的成像系统,从多角度获取前底盘模块的全貌图像,利用基于差分统计的条纹识别算法剔除低质量图像;根据检测目标特性,简化非极大值抑制算法,优化检测过程。实验和现场运行结果表明:检测系统目标无遮挡检出率达到100%,综合识别准确率达到99.95%,平均检测时间3.5 s,较之前人工检测效率提升94.55%,检测系统具有较高的准确度和检测效率,在汽车工业中实现了柔性化和智能化的目标检测应用。

改进YOLOv8的多尺度轻量型车辆目标检测算法

针对传统车辆目标检测模型设备需求高、检测精度低、重叠目标漏检率高等问题,提出了一种改进YOLOv8的车辆目标检测算法RBT-YOLO。采用多尺度融合的方式对主干网络进行重构。对BiFPN进行改进,增加卷积操作以及调整输入输出通道个数以适应YOLOv8,加强其特征融合能力。在Neck部分输出的特征图之后加入轻量型注意力机制Triplet Attention,提升模型的特征提取能力。针对真实情况下车辆目标重叠度较高的问题,使用SoftNMS(soft non-maximum suppression)替换原有NMS,使模型对候选框的处理方式更为温和,增强了模型对目标的检测能力,提升了召回率。在Pascal VOC和MS COCO数据集上进行实验,结果表明提出的RBT-YOLO性能超越原始模型,参数量和计算量下降60%左右,mAP分别提高了2.6和3.0个百分点,并在体积和精度上优于其他经典检测模型,具有很强的实用性。

基于周期性最大功率点检测的风电机组功率备用控制方法

风电机组通常运行于最大功率输出模式,无法为受扰电网提供紧急功率支撑。稳态时预留部分出力可提高风电机组主动电网支撑能力,为此提出一种基于周期性最大功率点(MPP)检测的风电机组功率备用控制(PRC)方法。通过周期性执行最大功率点跟踪程序检测风电机组实时MPP,一旦检测到MPP即可确定PRC模式参考值并切换为直接功率控制。设置伪单调转速-机械功率曲线使风电机组稳定运行在超速功率备用点,并通过储能装置平抑MPP检测产生的峰值功率波动。仿真结果表明提出的控制方法在定风速和变风速情况下均可以准确控制检测风电机组MPP并实现PRC,并且使得风电机组一次调频效果优于传统PRC。

CAG-YOLO:轻量级网球检测

为实现智能网球回收机器人的高精度实时网球检测,提出一种轻量级网球检测算法CAG-YOLO。提出融合坐标注意力的Ghost残差块(coordinate attention ghostbottleneck, CAG),构建轻量型骨干网络CAG-Backbone,采用加权双向特征金字塔网络加强特征融合。采用SCYLLA-IoU计算坐标回归损失,改进非极大值抑制的后处理方法解决网球重叠问题。算法在Wtennis数据集上的实验结果表明,CAG-YOLO较基线方法的精度提高8.6%且模型体积减少31.7%,检测速度为21 ms,性能优于其它算法。CAG-YOLO能够用小规模参数提升检测精度,易于移植至移动智能设备。

改进YOLOv5的无人机航拍图像密集小目标检测算法

无人机航拍图像中小目标实例多、尺寸变化剧烈且存在密集遮挡等问题,为解决现有目标检测算法难以检测到航拍图像中的小目标物体,提出了一种针对密集小目标的RDS-YOLOv5检测算法。在YOLOv5的三个检测层上新增一个小目标检测层,以保留更丰富的特征信息,增强网络对小目标特征的提取能力,并改善误检漏检情况;为了提高网络的多尺度特征表征能力以及抑制冲突的产生,设计了具有等级制的残差结构的多尺度特征提取模块C3Res2Block;使用解耦检测头Decoupled Head避免不同任务之间的差异所带来的预测偏差,提升了模型的定位精度和检测精度;采用软化非极大值抑制Soft NMS算法对候选框的置信度进行优化,提高模型对密集小目标的检测精度。通过VisDrone数据集的实验结果表明,与基准模型YOLOv5相比,RDS-YOLOv5在mAP0.5上提升了12.9个百分点,mAP0.5:0.95上提升了10.6个百分点,与目前主流的目标检测算法相比也取得更优的检测精度,能够有效完成无人机航拍图像的密集小目标检测任务。

基于改进SSD的合成孔径声纳图像感兴趣小目标检测方法

轻量化目标检测模型SSD-MV3(Single Shot Detection-MobileNet V3)因输入图像尺寸限制无法直接检测高分辨率大尺寸合成孔径声纳(Synthetic Aperture Sonar,SAS)图像中感兴趣小目标.为此,本文提出了一种新的目标检测方法HRSSD(High Resolution Single Shot Detection),该方法通过冗余切割确保SSD-MV3输入图像尺寸的规范以及感兴趣小目标的完整,并利用二次非极大值抑制保证检测结果的唯一.此外,提出了一种尺度、空间和通道注意力机制联合的特征提取模块,并利用该模块重新设计了SSD-MV3的基础网络和附加特征提取网络,记作SSD-MV3P(Single Shot Detection-MobileNet V3 Pro),使得SSD-MV3P能更有效的感知感兴趣小目标特征信息.实验结果表明,在感兴趣小目标检测数据集SST(Sonar Small Targets)上,SSD-MV3P的平均检测精度(mean Average Precision,mAP)比SSD-MV3提升4.39%.HRSSD实现了高分辨率大尺寸SAS图像感兴趣小目标的检测,并且保证了同一位置上检测结果的完整性和唯一性.

采用卷积神经网络提高鬼成像的边缘质量

散斑移位鬼成像边缘提取方法需要对物体进行多次的采样,才能得到高质量的边缘图。为了解决散斑移位鬼成像提取物体边缘时采样次数多和时间长的问题,在鬼成像的边缘提取实验中采用了卷积神经网络。首先用Walsh散斑对未知图像进行照射,将桶探测器收集的采样信号作为图像特征信息输入到鬼成像边缘提取网络,最后通过训练好的网络直接输出探测物体的边缘信息图,并且使用非极大值抑制算法来优化卷积神经网络的输出结果。实验结果表明,对于128×128像素的重建物体,在采样次数为1600时,鬼成像边缘提取网络输出边缘图案的信噪比和结构相似指数分别比散斑移位鬼成像的输出结果提高了5倍和2倍,成功提高了低采样率下鬼成像边缘提取的质量,降低了采样的时间。采用卷积神经网络的鬼成像边缘提取方案,有利于鬼成像在物体识别、安全检查的实际应用中进行快速高质量的边缘检测。

基于多目标模板匹配的晶圆芯片检测方法

晶圆芯片检测在晶圆加工生产过程中起着至关重要的作用。针对工业生产过程中晶圆芯片检测耗时长、精度低的局限性,提出一种基于机器视觉的结合非极大值抑制算法的改进多目标模板匹配算法。该算法利用近邻外接矩形算法得到最贴合芯片的矩形轮廓,精准获取矩形芯片的模板;对于影响模板匹配的芯片表面污染,则采用结合形态学改进的灰度补偿方法,以降低污染区域灰度值对匹配结果的影响。实验结果表明,所提多目标模板匹配算法的识别率在95%以上,耗时不超过0.5 s;近邻外接矩形算法比传统的最小外接矩形算法更精准,为工业晶圆芯片检测提供可行方案。

基于网格的多目标模板匹配晶粒位置检测方法

针对传统方法中晶粒位置检测的耗时长、精度低等局限性,提出一种基于网格的多目标模板匹配晶粒位置检测方法。通过改进传统的模板匹配方法,结合非极大值抑制算法,将芯片晶粒的检测速度和精度提高。实验结果表明:该算法在单一同种晶粒的算法识别率能够达到97%以上,单张图像耗时<200 ms,能够克服明暗不同造成的检测困难,达到技术指标要求。

基于Faster R-CNN的蔗田杂草检测算法研究

为提高自然环境下蔗田杂草检测准确率,提出一种基于改进的Faster R-CNN的蔗田杂草检测算法。在特征提取阶段使用BFP模块均衡各级语义特征来加强对杂草图像深层特征的提取;采用DLA策略动态调整网络的标签预测阈值,解决训练前期正样本稀缺问题;使用Soft-NMS对模型进行优化,通过改进原模型的NMS减少单类目标漏检并提高目标定位精度。试验结果表明,优化后算法的mAP值达81.3%,与原Faster R-CNN算法相比,精度提升6.2%,平均每幅图像测试耗时0.132 s,且在AP 50、AP s、AP l指标上分别有6.5%、4.7%、5.1%的提高。改进后的算法具有较高的检测精度和稳定性,可以满足复杂自然环境下的蔗田杂草检测需求。

对极几何约束的单目相机在线标定方法

本文提出了一种基于点线特征检测的单目相机在线标定方法。首先,采用点特征提取(ORB)算法、线特征提取(LSD)算法分别检测出序列图像中的点特征和线特征,利用快速最邻近搜索(FLANN)算法匹配出初始匹配点和初始匹配线;然后,基于两视图对极几何关系解算出相机的位置和姿态;最后,使用最小二乘优化方法解算相机内参和畸变参数,针对低纹理环境,如墙面、道路等人工建造物,提出了点线特征联合检测策略,提高了两相邻图像特征的匹配精度,对于只利用图像中特征点的相机标定方法,参加解算的特征点解算出来的畸变参数往往不能代表整张图像的畸变参数,为了进一步提高解算精度,对图像进行均匀切割且利用非极大值抑制来提取关键点。实验表明,本文提出的相机在线标定方法在自然环境中有较高的精度,能够为视觉测量系统提供真实的相机参数。

融合感受野增强和注意力机制的交通标志检测算法

针对目标检测算法在交通标志检测中存在的不足,文中提出了一种融合感受野增强模块和注意力机制的交通标志检测算法。该算法在YOLOv5(You Only Look Once version 5)算法的基础上改进,选用感受野模块(Receptive Field Block,RFB)替换原骨干网络中的空间金字塔池化(Spatial Pyramid Pooling,SPP)模块,在特征融合网络中嵌入高效通道注意模块(Efficient Channel Attention Module,ECAM)和卷积块注意模块(Convolutional Block Attention Module,CBAM),选用矩阵非极大值抑制(Matrix Non-Maximum Suppression,Matrix NMS)筛选候选框以提升算法的检测精度和检测速度。实验结果表明,在模型参数量与原网络相比未变化的前提下,该算法的均值平均精度达到了82.31%,与原算法相比提升了8.59%,检测速度达到了51.89 frame·s^(-1),且该算法在各个测试场景中未出现错检漏检现象,证明其泛化能力优于原算法,可以实时检测交通标志。

基于改进YOLOv7的密集行人检测算法

针对密集场景中的行人目标往往存在重叠、遮挡、体积较小等问题,导致在检测过程中容易出现漏检、误检、特征提取困难、定位不准确等现象。提出一种改进YOLOv7的密集行人检测算法,首先在YOLOv7主干网络的ELAN结构上融合CBAM注意力机制,使主干网络更加关注特征的语义信息,以增强遮挡物和小目标的特征提取能力;其次在检测头的卷积中引入CoordConv模块,充分利用此模块的位置信息,有效改善了目标定位不准确的问题,提高模型对空间位置的感受能力和泛化能力;然后将原YOLOv7网络模型中的CIoU损失函数替换为Focal-EIoU损失函数,可以有效缓解正负样本不均衡的问题,在边界框回归过程中,该损失函数更注重于高质量锚框,从而加快网络的收敛速度;最后在模型中用非极大值抑制Soft-NMS算法替换传统的NMS算法,有效降低了重叠、遮挡目标的漏检率,提升模型的召回率和精度。在公开密集行人数据集WiderPerson上进行验证本模型,实验结果表明,改进后的检测算法对密集行人目标检测的准确率、召回率及平均精度mAP值相较原基线模型分别提升了2.3%、3.3%与2.6%,FPS值提升了2.3 f/s。

融合位置注意力的无人机影像多目标检测方法

无人机能够在城市规划、侦察、监视等场景下,通过目标检测技术提供准确的目标位置和类别信息,为后台处理提供详细的信息,但现有方法在无人机影像检测时存在场景泛化能力不足、小目标漏检率高等问题。鉴于此,提出一种基于回归的检测方法,在骨干网络中使用位置注意力机制为正负样本特征赋权,提高模型对正样本的学习能力;构建四个输出尺度的特征图融合金字塔,并采用改进的非极大值抑制算法精准筛选最终的输出检测框。为降低正负样本不均衡带来的影像,一方面采用交叉熵损失函数,另一方面对训练数据集进行样本增强处理。实验结果表明,所提出模型在测试数据集上的检测精度明显优于对比模型,并且在不同场景下表现出良好的泛化能力,其测试速度可达到实时检测的水平。

改进YOLOv5s算法的无人机小目标检测方法

针对无人机视角小目标检测出现目标漏检、误检和精度不高的问题,研究适用于无人机视角下的YOLOv5目标检测算法。首先,为了使网络学习到更多的特征,在主干网络中引入轻量化的MobileNetV3_Small算法,增强模型特征提取能力的同时降低了参数量和运算量,方便部署到无人机设备。然后,为了加强模型在目标聚集的情形下以降低漏检并提升检测精度,替换原始非极大值抑制算法为Soft-NMS。实验结果表明,改进的模型在VisDrone2019数据集上检测精度达到34.7%,相比于YOLOv5s算法精度提高5.4个百分点,同时降低了模型的参数和浮点运算量,便于部署到无人机设备,使得改进后的算法可以更好的应用于无人机视角下的图像目标检测任务中。

基于整流侧最大触发角限制的直流输电连续换相失败抑制方法

直流输电首次换相失败一般难以避免,但是可以采取一定的措施抑制连续换相失败。根据直流控制系统和等值电路,提出了整流侧换流器最大触发角计算公式,在逆变侧交流系统故障后及时根据计算结果对整流侧换流器最大触发角进行限制,可抑制直流输电连续换相失败。在PSCAD/EMTDC中搭建CIGRE HVDC标准测试模型进行仿真测试,测试结果验证了所提方法有效性,且适当增大限制程度,抑制成功率将增加。

基于YOLOv5的芯片表面缺陷检测算法优化

芯片工艺中存在许多不确定因素,导致其缺陷类型众多,且缺陷特征难以定义。传统的缺陷检测方法容易出现漏检、误检及准确性欠佳等弊端,为此,提出一种以YOLOv5为基础的新型集成电路表面缺陷检测算法。首先,在YOLOv5网络结构中融入注意力机制,以更好地识别芯片表面缺陷;然后,引入较为复杂双向融合网络BiFPN与ASFF,得到4种改进模型;最后,将4种模型进行对比,以获得芯片表面缺陷检测的最优模型。与原始YOLOV5模型相比,4种新型网络模型均展示出显著提升。其中,使用CBAM注意力机制和BiFPN特征融合网络模型的mAP获得了0.723的最大值。