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.

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。

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.

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。

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。

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。

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。

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。

基于改进的Faster RCNN的仪表自动识别方法

在环境复杂的工业场景中,仪表盘存在类别多、相似性高等问题,导致检测的识别效果较差、准确率不高。针对这一问题,提出了一种基于改进的更快速的区域卷积神经网络(Faster RCNN)的仪表自动识别方法。首先,采用残差网络(Resnet)101代替视觉几何群网络(VGG)16,进行了网络结构简化;然后,引入了特征金字塔网络(FPN),并将其改进为递归特征金字塔网络后进行了迭代融合,输出了特征图;接着,引入了注意力机制模块,根据特征的重要程度,完成了对输出通道权值的重新分配,增强了Faster RCNN对目标的运算能力;提出了改进非极大值抑制算法(Softer-NMS),通过降低置信度来确定准确的目标候选框;最后,采用Mosaic数据增强技术对可视对象类(VOC)2007数据集进行了扩充,对改进后的Faster RCNN模型进行了仪表自动识别的实验。研究结果表明:在相同工业环境下,与传统的Faster RCNN算法模型相比,改进后的Faster RCNN模型准确率为93.5%,较原模型提高了3.8%,mAP值为92.6%,较原模型提高了3.7%,可见该方法在实际生产中具有较强的鲁棒性与泛化能力,可满足工业上对智能检测的要求。

Anchor free与Anchor base算法结合的拥挤行人检测方法

由于精度相对较高,Anchor base算法目前已成为拥挤场景下行人检测的研究热点。但是,该算法需要手工设计锚框,限制了其通用性。同时,单一的非极大值抑制(NMS)筛选阈值作用于不同密度的人群区域会导致一定程度的漏检和误检。为此,该文提出一种Anchor free与Anchor base检测器相结合的双头检测算法。具体地,先利用Anchor free检测器对图像进行粗检测,将粗检测结果进行自动聚类生成锚框后反馈给区域建议网络(RPN)模块,以代替RPN阶段手工设计锚框的步骤。同时,通过对粗检测结果信息的统计可得到不同区域人群的密度信息。该文设计一个行人头部-全身互监督检测框架,利用头部检测结果与全身的检测结果互相监督,从而有效减少被抑制与漏检的目标实例。提出一种新的NMS算法,该方法可以自适应地为不同密度的人群区域选择合适的筛选阈值,从而最大限度地减少NMS处理引起的误检。所提出的检测器在CrowdHuman数据集和CityPersons数据集进行了实验验证,取得了与目前最先进的行人检测方法相当的性能。

基于TC-YOLOv7算法的可见光与红外后融合检测研究

针对自动驾驶复杂场景下的视觉目标难以实现快速准确检测的问题,提出一种基于注意力机制的TC-YOLOv7检测算法,应用于可见光与红外以及后融合场景。首先,基于CBAM和Transformer注意力机制模块改进YOLOv7基准检测模型,并利用多场景数据集进行可见光和红外检测效果验证。其次,构建并验证SS-PostFusion、DS-PostFusion、DD-PostFusion 3种不同非极大值抑制后融合方法的检测效果。最后,结合TC-YOLOv7与DDPostFusion方法,与单传感器检测结果进行对比。结果表明,在晴天、夜间、雾、雨、雪可见光和红外场景下,TC-YOLOv7相比基准YOLOv7 mAP@. 5均有3%以上精度提升;在综合场景测试集中,使用TC-YOLOv7后融合方法相比可见光检测精度提升4.5%,相比红外检测精度提升11.1%,相比YOLOv7后融合方法提升0.6%,且TC-YOLOv7后融合方法的推理速度为39 fps,满足自动驾驶场景实时性要求。

密集交通场景中改进YOLOv3目标检测优化算法

针对交通拥堵的车辆密集场景中检测目标重叠率高而导致漏检和误检的问题,提出了改进YOLOv3、CIoU损失函数优化以及SD-NMS优化算法(简记L-YOLOv3+CIoU Loss+SD-NMS)。利用深度可分离卷积、SE模块和Ghost模块改进YOLOv3的残差单元结构,以提高对密集目标的特征提取能力,减少网络模型参数量;采用完整交并比CIoU损失函数加快网络模型收敛速度,同时将多目标集合预测思想与DIoU-NMS有机结合,提出了SD-NMS优化算法,以降低漏检误检率。在BDD100K数据集上进行实验,结果表明,改进的目标检测算法召回率达到91.58%,精准率达到93.04%,与YOLOv3算法相比,召回率和精准率分别提升了12.09%和9.52%,具有更好的检测效果。

基于改进YOLOv5s电动车头盔的自动检测与识别

针对目前电动车头盔小目标检测的精度低、鲁棒性差,相关系统不完善等问题,提出了基于改进YOLOv5s的电动车头盔检测算法。所提算法引入卷积块注意力模块(CBAM)和协调注意力(CA)模块,采用改进的非极大值抑制(NMS),即DIoU-NMS(Distance Intersection over Union-Non Maximum Suppression);同时增加多尺度特征融合检测,并结合密集连接网络改善特征提取效果;最后,建立了电动车驾驶人头盔检测系统。在自建的电动车头盔佩戴数据集上,当交并比(IoU)为0.5时,所提算法的平均精度均值(mAP)比原始YOLOv5s提升了7.1个百分点,召回率(Recall)提升了1.6个百分点。实验结果表明,所提改进的YOLOv5s算法更能满足在实际情况中对电动车及驾驶员头盔的检测精度要求,一定程度上降低了电动车交通事故的发生率。