面向火灾的多尺度目标检测算法

传统的火灾检测依靠各种传感器或者一些传统算法,只适用于特定场景,鲁棒性差,检测精度低,定位不准,并且检测时间长,不能满足实时性的要求。针对以上问题,提出一种基于YOLO V3的多尺度目标检测算法,自动提取火焰特征并实现多尺度的火焰检测。首先对YOLO V3的结构进行改进,将YOLO V3原先的特征提取网络Darknet-53替换为DenseNet,削弱网络加深带来的梯度消失问题,并且能够增强特征复用,提高网络对低层特征的学习,接着,为了消除感受野内像素作用的高斯分布,将DenseNet中的下采样改为空洞卷积。最后,优化锚框的定位方式,并根据新的定位方式修改损失函数,使网络对目标的定位更加准确。实验结果表明,改进的算法准确率和召回率为90%,85%。检测速度可以达到31帧/s,能够满足火灾检测对准确率和实时性的要求。

融合超分辨率重建技术的多尺度目标检测算法

目前大多数目标检测算法,由于尺度跨度较大而导致模型整体精确率和召回率不高,容易出现错检、漏检等现象。针对上述问题,提出一种融合超分辨率重建技术的多尺度目标检测算法。首先,算法以单阶段目标检测算法YOLO框架为基础,在颈部网络实现多尺度特征融合时加入超分辨率重建模块,避免进一步丢失较深层特征图中的细节特征。其次,使用通道注意力模块将较浅层特征图中的无关特征进行抑制,重点关注含有目标轮廓特征的通道信息,进一步增强浅层特征的表达能力。最后,在PASCAL VOC 2007和MS COCO 2017公开数据集上进行了消融实验和对比实验。实验结果表明,所提模块对检测性能有不同程度的提升,相比当前其他多尺度目标检测算法,所提算法在大、中、小三种尺度下目标平均精确率分别提升约1.20%、1.20%和1.30%,平均召回率分别提升约4.20%、3.50%和4.20%,算法整体检测性能得到进一步改善。

多元特征提取与表征优化的遥感多尺度目标检测

遥感目标具有较大的尺度差异性,针对其在复杂背景干扰下易导致细粒度级别多尺度特征提取困难、预测部分有效表征较弱的问题,本文基于无锚框思想,提出一种多元特征提取与表征优化的遥感多尺度目标检测方法(Multivariate Feature extraction and Characterization optimization,MFC)。在特征提取部分,设计多元特征提取模块(Multivariate Fea⁃ture Extraction,MFE)挖掘细粒度级别的多尺度特征,通过分组操作及跨组连接的方式扩大感受野、增强多个特征尺度的组合效应,并联合上下文信息进一步加强对小目标的关注;采用深层聚合结构对深浅层特征进行充分融合,以获得更全面的特征表达。在预测部分,提出一种表征优化策略(Characterization Optimization Strategy,COS),利用椭圆型映射进行标签优化以适应具有较大纵横比的遥感目标,设计坐标像素注意力组合关注多尺度目标通道、位置及像素信息,减少复杂背景干扰,使有效信息得以突出表征。在DIOR,HRRSD,RSOD数据集上进行消融及对比实验,实验结果表明:MFC模型的mAP分别达到了70.9%,90.2%和96.9%,优于大多现有方法,有效改善了误检、漏检问题,适应性和鲁棒性较强。

一种改进YOLOv5s的多尺度目标检测算法

针对多尺度目标检测准确率偏低的问题,提出了一种基于YOLOv5s改进的多尺度目标检测算法。在YOLOv5s主干网络与Neck网络之间融合CBAM模块,增强模型对多尺度目标重要特征信息的提取能力;同时,在模型的Head部分增加多尺度目标检测结构,提高不同尺度目标检测精度;训练时采用CIoU替代GIoU损失函数,以提高模型收敛能力,实现高精度目标定位。数据集来源于实际场景中采集并增强的4万余张图像。实验结果表明,改进后的模型对行人、车辆和人脸的多尺度目标检测平均精度达92.1%,相比未改进YOLOv5s算法提升了3.4%。模型的收敛性好,对密集场景的目标,小尺度目标检测准确度更加突出。

基于非局部融合的多尺度目标检测研究

针对现有的多尺度目标检测模型在面对尺度变换和遮挡场景时所使用的融合方法融合不充分,且没有捕捉长距离依赖关系的问题,本文设计了通道融合增强模块和非局部特征交互模块,用于学习不同通道特征之间的相关性和捕捉特征图之间的长距离依赖关系。此外,针对当前检测架构都是基于单金字塔检测结构,存在信息丢失的情况,设计了双金字塔结构,并将提出的融合方法与双金字塔结构结合,在保留原始特征信息的基础上,补充融合后的特征信息。实验结果表明,提出的方法在公共数据集KITTI与PASCAL VOC上与其他先进工作相比具有更高的检测精度,证明了该方法在目标检测任务中的有效性。

基于区域感知的多尺度目标检测算法

针对目标检测网络主分支层的特征信息易丢失、不同尺度的特征表达能力不平衡等问题,提出一种基于区域感知的多尺度目标检测算法。在YOLOv5的基础上采用数据增强、改进的边框损失和非极大值抑制方法,构建1个更强健的基线模型,沿着通道方向使用全局最大池化、全局平均池化、卷积等操作设计通道信息增强模块,并分别作用于骨干网络的每个主分支层,使得各个检测头在特征融合过程中也不会丢失主分支层的关键特征,以强化模型对重点区域的感知能力。利用加权特征融合方法融合不同尺度的特征信息,平衡不同尺度的输入特征对输出特征的表达能力,进而提高模型对多尺度目标的感知能力,通过调整模型的通道和深度,设计4种不同规模的网络结构。实验结果表明,相比YOLOv5s,该算法在Pascal VOC、MS COCO、Global Wheat、Wider Face、Motor Defect 5个数据集上的平均精度均值分别提高5.48、3.00、1.94、0.70和1.95个百分点。同时,该算法的平均精度均值最高为50.7%,分别比YOLOv4和Dynamic Head的最大模型提高7.2和3.0个百分点。

线列阵声诱饵模拟尺度目标回波方位特性

针对声自导鱼雷目标识别和分类过程中的目标回波特征提取方法,论文基于目标回波的空间域特征,分析了在线列阵声诱饵中应用分裂波束双通道短时互谱方位提取方法模拟尺度目标回波方位的延展特性和起伏特性,通过仿真验证了线列阵声诱饵可以有效模拟尺度目标的方位特征。

数据驱动的磨削过程多尺度目标在线监测及其系统开发

磨削作为国防军工、航空航天、汽车等高附加值行业的关键工艺,实现磨削过程智能采集及监测对提升产品质量水平、确保安全生产具有重要意义。针对现有磨削过程数据采集监测方案目标单一、集成性不够、难以全面获取完整的磨削过程信息等难题,建立磨削过程多尺度目标集成监测体系框架,构建包含质量、效率、状态及绿色的多尺度目标关联监测模型,实现从监测变量到监测目标的表征。提出多传感器采集融合与磨削结果监测特征映射方法,开发磨削过程智能采集监测系统。应用该系统对某高速电主轴轴承磨削过程进行实时数据采集与监测,实测结果表明开发的监测系统可以有效实现零件磨削过程磨削时间、磨削能耗、磨削状态和表面粗糙度的准确预测。

基于大尺度目标强亮点散射的时反特性

针对大尺度目标水下探测问题,首先采用板块元方法由Kirchhoff原理出发从理论上详细推导出目标表面的散射模型,并利用空间坐标系给出了面元的二维散射特性;然后将目标不同区域合成等效目标,在散射特性基础上利用时反聚焦特性建立了与水平线列阵之间的时反模型,结论表明采用时反的板块元大尺度目标识别时,时反时延因子的不同选取能够提高大尺度目标对应区域的处理增益,不但为多点方位估计的高信噪比要求提供了有力平台,且能实现大尺度目标不同区域的准确方位估计;最后,信噪比-15d B条件下MUSIC的目标多点方位仿真结果表明了改进方法探测目标的优越性。

水下小尺度目标宽带亮点回波建模及实验验证

准确、有效的目标回波模型是声纳目标,特别是小尺度目标探测与识别的基础。基于声纳目标亮点回波3参数模型以及时域特征分析在声纳目标探测与识别中的有效性,将反映目标回波时域特征的参量作为声纳目标回波模型的建模参数,优化了目标亮点回波模型。针对单频水声探测在小尺度目标识别中无法兼顾距离与精度的局限性,提出了基于频带划分算法的宽带回波模型建模方法,为水下小尺度目标的宽带探测与识别提供了理论基础。通过设计验证试验,将所建模型仿真数据与实物模型消声水池试验回波数据进行对比分析,结果表明,模型仿真回波与试验回波数据具有一致性,验证了所建回波模型的准确性与有效性。

基于贝叶斯数据融合的多尺度目标识别

针对红外电厂目标识别问题 ,提出了基于贝叶斯数据融合的多尺度目标识别方法 .该方法研究了前视成像末制导过程中图像目标尺度变化引起的视点角度和特征尺度变化规律 ,建立了分层次的时空特征模型 ,根据显著性选取目标特征 ,采用贝叶斯网络把不同尺度下的显著性特征进行融合 ,得到正确的识别结果 .实验表明 ,该方法能将多尺度目标的不精确、不完整的特征进行融合处理 ,从而完成了目标的可靠识别 .

基于改进Huber估计的水下尺度目标参数估计

尺度目标参数是水下声自导武器近程进行弹道机动和垂直命中攻击的关键参数,有效估计尺度目标的特征参数对保证水下声自导武器作战毁伤效果至关重要。本文利用水下声自导武器检测得到的尺度目标多亮点信息对目标尺度参数进行估计,然而目标不同反射部位的反射能力不同,对应的多亮点检测信噪比存在差异,直接利用最小二乘拟合进行尺度参数估计可能会造成较大的估计误差。基于Huber稳健M估计原理,通过分析对Huber估计进行了改进,该方法利用亮点强度和拟合误差计算迭代拟合权值矩阵,通过拟合误差剔除可能存在的干扰亮点,能对目标长度、走向角、等效点进行有效估计。仿真分析和实航试验结果均表明,该方法具有稳健的收敛性能,能有效剔除干扰点,具有较强的抗干扰能力和较高的参数估计精度。

一种多点实时收发尺度目标模拟器的DSP实现方法

针对水声对抗中单收多发尺度目标模拟器模拟回波与真实潜艇回波存在着较大差异,介绍了一种基于高级数字信号处理器(ADSP)的多点实时收发尺度目标模拟器的实现方法,采用多点收发方式,多通道信号并行实时检测处理,从回波的空间特性、时频域特性等方面提高目标模拟器对水下尺度目标的模拟逼真程度。测试结果表明,系统的最小时延一般可控制在10 ms内,减少了时延模拟和目标强度模拟的差异,在各亮点回波频率上更接近于真实潜艇回波。该研究可为尺度目标模拟技术的进一步优化提供参考。

一种尺度目标模拟器的多普勒模拟效果分析

在水声对抗中,尺度目标模拟器需要不断提高对潜艇声学特性的模拟逼真度,而多普勒频移是潜艇声学回波的主要参数之一,是鱼雷识别真假目标的重要依据。从潜艇的多普勒频移计算方法入手,通过仿真计算,分析了一种依靠自然航速形成多普勒效应的单收多发模拟器所产生信号与真实潜艇反射回波信号的多普勒频移差异。结果表明,差异主要由单收多发模拟器接收位置与发射位置不能一一对应造成。模拟器产生信号的多普勒频移较真实潜艇目标信号的多普勒频移小,特别是在与潜艇长度相当的近距离多普勒频移偏差显著增大。在目标模拟器设计中减小所述差异,可以提高对潜艇多普勒声学特性的模拟逼真度。

基于改进SSD的合成孔径声呐图像水下多尺度目标轻量化检测模型

针对轻量化目标检测模型SSD-MV2对合成孔径声呐(SAS)图像水下多尺度目标检测精度低的问题,该文提出一种新的卷积核模块-可扩张可选择模块(ESK),ESK具有通道可扩张、通道可选择和模型参数少的优点。与此同时,利用ESK模块重新设计了SSD的基础网络和附加特征提取网络,记作SSD-MV2ESK,并为其选择了合理的扩张系数和多尺度系数。在合成孔径声呐图像水下多尺度目标检测数据集SST-DET上,SSD-MV2ESK在模型参数基本相等的条件下,检测精度比SSD-MV2提升4.71%。实验结果表明,SSD-MV2ESK适用于合成孔径声呐图像水下多尺度目标检测任务。

基于改进YOLOv3的多尺度目标检测算法

为了进一步提高多尺度目标检测的速度和精度,解决小目标检测易造成的漏检、错检以及重复检测等问题,提出一种基于改进YOLOv3的目标检测算法实现多尺度目标的自动检测。首先,在特征提取网络中对网络结构进行改进,在残差模块的空间维度中引入注意力机制,对小目标进行关注;然后,利用密集连接网络(DenseNet)充分融合网络浅层信息,并用深度可分离卷积替换主干网络中的普通卷积,减少模型的参数量,提升检测速率。在特征融合网络中,通过双向金字塔结构实现深浅层特征的双向融合,并将3尺度预测变为4尺度预测,提高了多尺度特征的学习能力;在损失函数方面,选取GIoU(Generalized Intersection over Union)作为损失函数,提高目标识别的精度,降低目标漏检率。实验结果表明,基于改进YOLOv3(You Only Look Once v3)的目标检测算法在Pascal VOC测试集上的平均准确率均值(mAP)达到83.26%,与原YOLOv3算法相比提升了5.89个百分点,检测速度达22.0 frame/s;在COCO数据集上,与原YOLOv3算法相比,基于改进YOLOv3的目标检测算法在mAP上提升了3.28个百分点;同时,在进行多尺度的目标检测中,算法的mAP有所提升,验证了基于改进YOLOv3的目标检测算法的有效性。

一种尺度目标模拟器的模拟逼真度分析

从潜艇回波特性研究一般性结论和鱼雷常用目标识别方法入手,以一种单收多发尺度目标模拟器为例,分析了尺度目标模拟器的工程模型及工程实现中的关键参数,仿真结果表明,该模拟器在多亮点结构回波的多普勒频移模拟、时延模拟和目标强度模拟等方面都存在一定的不足,还有较大的提升空间,该研究为尺度目标模拟技术的进一步优化提供了参考。

一种小尺度目标检测卷积神经网络设计

航天装备的智能感知技术受距离与探测手段的制约,面临着检测目标尺度小的问题,深度卷积神经网络是目前目标检测的主要技术手段,但小尺度目标在卷积神经网络前向计算过程中,由于多次下采样的网络结构会损失较多的特征信息而不利于目标检测。特征金字塔网络(feature pyramid network,FPN)是一种广泛应用于小尺度目标检测的网络设计,采用主干网络低层特征与高层特征上采样相融合的方式。提出将特征图放大尺寸的网络设计方法,并对网络分离提升主干网络低/高层特征图与小/大尺度目标的匹配度,设计了一种特征漏斗网络(feature funnel networks,FFN)。经实验验证,特征漏斗网络相较于同级别网络在小尺度目标数据集VisDrone中获得了更高的检测精度与召回率而不损失过多的速度。

脱离预训练的多尺度目标检测网络模型

为提高卷积神经网络目标检测模型精度并增强检测器对小目标的检测能力,提出一种脱离预训练的多尺度目标检测网络模型。采用脱离预训练检测网络使其达到甚至超过预训练模型的精度,针对小目标特点设计新的Deformable-ScratchNet网络模型,调整网络结构并融合浅层信息以提高对小目标的检测性能。实验结果表明,与Faster-RCNN等经典网络模型相比,该模型在PASCAL VOC数据集和自制遥感军事目标数据集上的检测精度更高。

大尺度目标声散射特性多极边界元计算方法与实验验证

针对大尺度目标中高频目标强度计算的计算速度瓶颈,本文在边界元法基础上发展了一种目标强度计算方法-多极边界元法。该方法利用快速多极子算法对目标网格单元进行分级和分组,根据积分方程将目标声场分为近场和远场两部分求解,近场数据用边界元方法求得,远场部分用多极边界元方法求解,经过聚合、交互、配置的一系列过程求得远场影响系数,将向量与矩阵相乘得到目标远距离处声场势函数,利用比较法将目标远距离处声场势函数与相同距离处刚性球的势函数解析解比较,求得目标强度。理论和湖上试验结果表明,该方法有较高精度,由于降低了迭代求解的计算维数,相比于边界元法计算量量级从O(N^2)降低为O(Nlg N),可用于大尺度目标回波特性计算。