基于深度学习的红外舰船目标识别

本文采用深度学习技术中的YOLOv3(You Only Look Once Version 3)目标识别算法对红外成像仪从海面采集的红外图像中舰船进行识别。红外成像仪采集图像的频率高达50帧/s,为了能减少网络计算时间,本文借鉴YOLOv3的一些思想,采用全卷积结构和LeakReLU激活函数重新设计一个轻量化的基础网络,以此加快检测速度。输出层根据采集回来的红外图像的特点采用Softmax算法回归,在提高检测速度的同时,也兼顾了检测精度。     

红外视频实时网络采集系统的设计与实现

针对红外搜索跟踪系统中图像传输的特殊要求,提出了一种基于FPGA的网络视频采集系统的设计方案与实现过程.系统以FPGA作为核心处理器与STM32等外围控制芯片协同工作,实现红外搜索跟踪系统中的红外图像的实时采集.相对于现有的视频采集系统,该系统具有稳定性高、传输距离远,数据量大、传输延时小等特点.     

基于自适应空间特征融合的轻量化目标检测算法

针对目前深度学习中单阶段目标检测网络结构复杂、训练困难与在移动与嵌入式设备难以部署的问题,提出了一种基于自适应空间特征融合的轻量化目标检测算法.所提算法以YOLOv4为网络基础框架,采用轻量级MobileNet作为特征提取网络,降低网络深度与训练难度,提高检测速度;采用一种自适应空间特征融合(ASFF)方式改进PANe...     

基于雷达传感器和改进深度学习的无人机目标检测方法

针对当前无人机目标检测技术精确度低、受环境影响大的缺点,依托运动相机与激光雷达设备,提出了基于改进深度学习的无人机目标检测方法：在深度图像网络架构的基础上,引入残差网络提升算法精度,利用MobileNet加速深度学习的过程,从而利用改进的RetinaNet算法实现无人机精确目标识别与定位;针对点云数据无法通过二维投影准确计算距离的问题,提出通过直方图网络精确估计检测目标的视觉距离。实验结果表明,在不同的复杂环境条件下,与Faster R-CNN相比,所提方法检测精度更高、使用场景更广、运算速度更快,平均精度比Faster R-CNN算法高出1.5%。     

基于改进RetinaNet的电力设备红外目标精细化检测模型

电力设备在运行过程中会产生大量红外图像,当红外图像中的电力设备存在排列密集、具有倾斜角度、大长宽比的情况时,基于水平矩形框的目标检测网络只能给出目标概略位置,易发生目标检测区域重叠,引入冗余背景信息,使得检测结果不够精细。针对此问题,提出在RetinaNet目标检测网络中引入旋转矩形框机制,并在网络输入端引入Mosaic数据增强技术;将原特征提取网络中ReLU函数替换为梯度流更平滑的Mish激活函数;在原模型FPN模块后追加PAN模块进一步融合图像特征。最后利用现场采集的电力设备红外图像制作数据集,将改进后的模型与Faster R-CNN、YOLOv3、原RetinaNet三种基于水平矩形框定位的目标检测网络进行对比评估,实验表明改进后的模型可以更为精细地检测出密集场景下带有倾角的电力设备红外目标,在多类别电力设备检测准确率对比上高于以上3种模型。     

基于改进SSD算法的铁路隧道漏缆卡具检测

针对目前隧道内漏缆卡具检测数据量大、人工检测效率低的问题,提出了一种基于改进single shot MultiBox detector(SSD)算法的隧道漏缆卡具检测算法.该算法使用不同尺度的特征图检测卡具目标,并在网络宽度和网络深度上对SSD网络结构进行改进.结合Inception结构,增加网路宽度;采用残差结构,在提高网络深度的同时优化网络深度结构;使用深度可分离卷积和1×1卷积结构,减少模型参数量,改善模型结构,从而提高模型检测效率.将改进后的模型应用于隧道漏缆卡具图像检测,实验结果表明,该算法检测的平均准确率达到了86.6％,检测速度达到了26.6 frame/s,相较于原始SSD算法和MobileNet SSD算法,具有明显优势.     

红外凝视成像系统弱点目标检测的实时实现

为了解决红外点目标检测算法的复杂性与系统实时性之间的矛盾,设计了一套基于DSP的实时处理硬件实施方案.首先,介绍了基于高性能DSP的实时处理系统的原理结构,在此基础上,从硬件和软件两方面提出了系统实时实现的关键技术,包括大容量图像数据的双缓冲交互访问机制、图像预处理算法的FPGA快速实现,以及基于多媒体指令集等技术的代码级优化策略.实践结果证明,优化后的实时处理实现方案有效地提高了系统的实时性和稳定性,能够满足红外点目标检测算法大数据量高速传输、复杂运算的实际需求.     

基于改进YOLOv3的电容器外观缺陷检测

针对部署于有限算力平台的YOLOv3(you only look once v3)算法对电容器外观缺陷存在检测速度较慢的问题, 提出了基于 YOLOv3算法改进的轻量化算法MQYOLOv3。首先采用轻量化网络MobileNet v2作为特征提取模 块,通 过利用深度可分离式卷积替换一般卷积操作,使得模型的参数量大幅度降低进而提高模型的 检测速度,同 时也带来了检测精度的降低;然后在网络结构中嵌入空间金字塔池化结构实现局部特征与全 局特征的融合、 引入距离交并比(distance intersection over union, DIoU)损失函数优化交并比(intersection over union, IoU)损失函数以及使用Mish激活函数优化Leaky ReLU激活函数来提高模型的检 测精度。本文采用自制的电容器外观缺陷 数据集进行实验,轻量化MQYOLOv3算法的平均精度均值(mean average precision,mAP)为87.96%, 较优化前降低了1.16%,检测速度从1.5 FPS提升 到7.7 FPS 。实验表明,本文设计的轻量化MQYOLOv3算法在保证检测精度的同时,提高了检测速度。     

基于YOLOX和Swin Transformer的车载红外目标检测

红外图像因为存在噪声大、对比度不佳等问题,容易导致目标检测时的精度降低,本文结合YOLOX和Swin Transformer,提出了一种改进的YOLOX的模型。改进的模型采用Swin Transformer替换YOLOX中的CSPDarknet主干提取网络,减少YOLOX中Neck和Head部分的激活函数以及标准化层,以提高特征的提取能力,优化网络结构。对改进的模型在艾瑞光电数据集和FILR数据集上均进行了测试,实验结果显示,改进后的YOLOX网络,在两个数据集上的平均检测精度都有明显提升,更加适合红外图像的目标检测。     

基于改进SSD的特种车辆红外伪装检测方法

在目标检测领域,基于深度学习的SSD目标检测网络同时具有实时性好和准确性高两大优点。由于特种车辆红外图像难以获取,以小轿车和公交车红外图像为研究对象,构建了红外图像Pascal VOC数据集,训练了SSD网络,并利用训练好的网络检测了红外目标图像。结果表明,红外目标的特征信息越多,检测精度越高,但红外图像中信息残缺的车辆存在漏检的问题。针对该问题,通过添加残缺窗口模块优化数据集结构,有效解决了车辆漏检问题,同时目标整体的检测准确率也明显提升。将改进数据集后的红外目标检测结果作为评价指标,能够较准确评估复杂背景下特种车辆红外隐身伪装效果。     

基于YOLO的轻量红外图像行人检测方法

红外图像中行人的快速检测一直是计算机视觉领域的热点和难点。针对红外图像行人目标检测算法检测速度和检测精度难以平衡,算法模型体积较大,在中低性能设备中难以部署和实时运行的问题,提出了一种基于YOLO算法的轻量红外图像行人检测方法。在分析了MobileNet v3等轻量网络在YOLO v3算法上的性能和特点之后,该方法提出了引入注意力机制的轻量特征提取网络(CSPmini a)、特征融合模块和解耦检测端分类回归结构三种改进措施,在满足网络模型轻量的情况下保证了一定的检测精度。实验表明,该方法有效的实现了红外图像行人目标检测的准确性和快速性。     

应用于嵌入式平台的实时红外行人检测方法

现有基于深度学习的远红外图像行人检测方法对计算力要求高,需要高功耗GPU计算平台,应用于嵌入式平台时,无法满足实时性和准确率需求。针对该问题,本文提出了一种新型实时红外行人检测方法,该方法使用MobileNet作为YOLOv3模型中的基础网络,辅助预测网络层以深度可分离卷积替换标准卷积,将模型改进为轻量红外行人检测模型。基于新方法构建的模型采用CVC红外行人训练集离线训练,并部署于嵌入式平台,实现红外行人在线实时检测。实验结果表明,与改进前方法相比,模型大小为65 M,约为YOLOv3的27%,新模型在基本保证原有准确率的同时,大幅降低了计算量,在同一平台下的检测速度从3FPS提升到了11FPS,可满足大部分嵌入式系统对行人检测的实时性需求。     

面向目标检测的SSD网络轻量化设计研究

在基于深度卷积神经网络的目标检测方法中，模型的参数量动辄数十兆字节，在计算资源有限的移动终端等边缘设备中部署这样的大模型比较困难。为了解决这个问题，本文在Single Shot MultiBox Detector(SSD)的基础上联合轻量化网络设计和参数量化两种技术来实现网络模型的轻量化。首先，基于ResNet50和MobileNet我们重新设计了SSD目标检测框架，并训练了一个全精度参数模型。然后，在全精度参数模型的基础上，采取逐块量化的策略将特征提取层中卷积层的参数精度降低到三值(零和正负一)。实验结果表明，本文提出的联合方案在Pascal VOC2007数据集上测试能够达到72.54%的mAP，和其他业界领先的轻量级目标检测方法相比检测精度更高且能使模型占用的内存空间更小。      

基于弱显著图的实时热红外图像行人检测

针对现有热红外图像行人检测方法在精度和速度方面存在的问题,提出一种基于弱显著图的实时行人检测方法。该方法以轻量级LFFD（Light and Fast Face Detector）网络为基础,由两级改进网络即SD-LFFD（Saliency Detection-LFFD）和SF-LFFD（Saliency Fusion-LFFD）组成,首先以热红外图像作为输入经SD-LFFD网络产生初步行人检测结果和行人区域弱显著图,接着将该弱显著图与原热红外图像结合“点亮”潜在行人区域并经SF-LFFD网络产生新的行人检测结果,最后将两级改进网络的行人检测结果融合得到最终结果。在数据集CVC-09和CVC-14上实验结果表明,该方法与现有轻量级神经网络相比行人检测的平均精确率有大幅提升,且在有限硬件资源下可实现实时检测。     

基于神经网络的红外目标分类算法设计与应用

卷积神经网络在图像处理领域取得了突出表现，但是由于算法庞大的计算量引起功耗高和实时性差的问题导致神经网络的实际应用受到一定限制。如果将神经网络移植在FPGA硬件平台，可充分发挥其高度并行的优势实现网络加速，降低功耗并提升算法实时性。基于上述描述，本文将用于目标分类的网络模型成功移植在FPGA上，通过对比加入分类模型前后的告警结果，说明分类模型设计的重要性。对比硬件实现与仿真结果，证明硬件实现的正确性。     

轻量级网络算法对输电线路上异物目标的识别

针对输电线路上多种异物所引起的电力巡检问题,可以采用深度学习图像识别方法进行检测。文中提出了一种改进型轻量级网络检测算法模型,通过将YOLOv4的主干特征提取网络替换为轻量级神经网络GhostNet,减少图片输入时计算所产生的特征图冗余;对YOLOv4的PANet模块进行修改,采用深度可分离卷积模块替换其中的普通卷积模块,可减轻参数计算量。结果表明,相比于原YOLOv4检测算法,该改进型算法在IOU阈值取0.5时,平均精准度下降2.1%,但检测速度达到了原算法的2.21倍,参数计算量仅为原算法的17.84%。与其他几种算法的对比表明新算法的参数指标表现满足需求。在维持较高精确度的情况下,文中所提算法的检测速度得到提升,计算量减少,证明了其在目标检测时的有效性与可行性。     

基于FPGA的高分辨率红外目标检测技术研究

本次研究面向红外对空预警探测领域的实际问题,开展高分辨率红外图像目标检测算法设计与工程化应用验证。文中研究设计了基于中值滤波、卷积滤波核形态学滤波等的目标检测算法,并基于FPGA平台进行硬件移植验证与测试。实验表明本文采用的方法可以实现对高分辨率红外图像的目标检测功能,并且基于FPGA硬件提升算法的运算速度,使算法在FPGA硬件平台上完成实时运算传输的要求。     

基于YOLO-IDSTD算法的红外弱小目标检测

针对复杂背景下红外弱小目标难以准确快速检测的问题,提出了一种红外弱小目标轻量化实时检测网络模型YOLO-IDSTD。首先,为提高检测速度,重新设计了特征提取部分的网络结构,并在输入层后使用Focus模块以减少推理时间;其次,为增强检测能力,特征融合部分采用路径聚合网络,添加了改进的感受野增强模块;最后,目标检测部分增加至四尺度检测。在红外弱小目标数据集上进行的对比实验表明,相较于经典轻量化模型YOLOv3-tiny,文中提出的模型召回率提升了7.57%,平均检测精度提高了1.92%,CPU推理速度提升了36.1%,可较好地兼顾精度和速度,计算量与参数量明显减少,模型尺寸压缩至7.27 MB,减少了对硬件平台运算能力的依赖,实现了红外弱小目标准确又快速的检测。