基于深度学习的非合作双基地雷达目标检测方法

非合作双基地雷达由于接收的目标信号能量不强且回波脉冲间相位同步困难,在目标检测时无法进行相参处理从而带来弱小目标检测困难的问题。为解决这一问题,本文把一维雷达数据转换成二维图像数据进行目标检测,通过将脉冲压缩后的雷达回波在慢时间维排列形成二维矩阵,获得雷达回波信号的距离-慢时间图像,输入YOLO(you only look once)v5s网络进行特征学习,实现非合作双基地雷达目标智能化检测。针对距离-慢时间图像中待检测目标的不显著性以及受到背景信息干扰严重的问题,本文对YOLOv5s网络进行改进：首先在Neck部分增加跨连接通路,使训练过程中持续有原始信息的参与;其次通过添加注意力机制SENet模块,加强网络对目标以及周边信息的关注度;最后在骨干网络引入Swin Transformer模块,加强网络对弱目标的发现与表征能力。然后,基于上述工作提出一种基于改进的YOLOv5s距离-慢时间图像处理的非合作双基地雷达目标检测方法。通过大量的对比实验和信噪比灵敏度测试实验,该方法在仿真的雷达回波数据集上获得了99.1%的检测精确度以及98.8%的召回率,比YOLOv5s网络分别提高了4.5%...     

基于深度学习的GPR B-SCAN图像双曲线检测方法

利用深度学习方法来处理探地雷达(Ground Penetrating Radar,GPR)数据以提高GPR B-SCAN双曲线检测准确率.为了解决数据集样本不够的问题采用循环生成对抗网络(Cycle Generative Adversarial Networks,Cy-cleGAN)算法对GPR B-SCAN图像数据进行增强.采用Faster R-CNN算子来定位双曲线图像区域,充分利用双曲线结构对称性及其方向差异性特征,设计与之对应的卷积核模板,通过卷积运算实现对B-SCAN图像中双曲线目标的有效分割.对双曲线目标采用最小二乘法进行二次曲线拟合得到精确的双曲线图像.与基于迁移学习的方法、HOG算法以及基于Hough变换的B-SCAN检测算法等相比,本文方法得到的结果在综合指标度量F上是最优的.     

基于深度学习的外物入侵检测方法

本文提出了基于深度学习的外物入侵检测方法。首先,利用单目摄像头收集录像视频,其次,人工把视频转换成一帧一帧的图像,分为无外物入侵和有外物入侵两种,并标注。最后,将数据集放入构建的卷积神经网络模型中训练学习。在数据集充足的情况下,通过大量实验表明:基于卷积神经网络的外物入侵检测方法的准确率能够达到99%,相对于原始的帧差法和光流法。有了很大的提升。     

基于核方法的探地雷达目标特征提取方法

把核方法引入探地雷达目标特征提取中,先对雷达特征数据进行基于核的非线性变换投影到高维空间;然后在高维空间应用传统的探地雷达目标特征提取方法（LDA方法和PCA方法）提取雷达数据特征。对PCA、LDA、基于核方法的PCA和基于核方法的LDA四种探地雷达目标特征提取方法进行对比研究,对实测数据处理的结果表明：无监督的学习方法不适合探地雷达目标特征提取,所提基于核方法的LDA探地雷达目标特征提取方法效果最好。并详细阐述了基于核方法的LDA探地雷达目标特征提取方法。     

基于深度学习的电子元件焊点缺陷检测方法

提出一种用于训练掩模区域卷积神经网络（Mask R-CNN）的半自动生成焊点图像掩模的方法。由于传统的通过人工标注获取掩模的方法费时费力,提出了一种简便快捷的基于GrabCut获取图像掩模的方法。该方法由两个阶段组成：第一阶段为基于GrabCut的焊点图像分割,输出像素级分割结果,从而获得所输入图像掩模;第二阶段实现基于Mask R-CNN的焊点表面缺陷检测方法,可以实现对缺陷的定位、分类和分割。试验结果证实了该方法的有效性,在保证Mask R-CNN方法检测精度的前提下,能快速、简单地获取训练Mask R-CNN所需的焊点掩模。     

基于偏移技术的探地雷达SAR成像方法

BP方法是探地雷达最常用的成像方法,通过调整回波延时完成成像过程。由于地下介质与空气的介电特性不一致,电磁波在传播过程中传播路径和传播速度会发生改变,在调整回波延时过程中,需要实时计算电磁波的传播路径,而且BP方法本身具有计算量大的缺点,造成成像效率低。为了提高计算效率,本文采用地震波处理中的偏移技术完成地下目标的成像。通过实测数据的验证,偏移成像方法不但可以实现地下目标的成像,而且计算量小,成像效率高。      

基于深度学习的目标检测算法研究进展

目标检测是计算机视觉领域中一项十分重要的任务,指的是对图像或视频中的目标进行分类和定位,因其被广泛应用于视频检测、目标跟踪等任务中而受到关注。本文首先介绍了目标检测中经常使用的基准数据集和评估指标,同时列举说明了重要的主干网络架构和流行的目标检测算法。最后,我们比较了这些体系结构在多个指标上的性能,对所述算法进行了总结,并对未来前景进行了展望。     

深度学习在雷达目标检测中的应用综述

雷达目标检测技术能够判断回波信号中目标存在与否,并提取目标位置信息。随着雷达图像质量的提升和人工智能技术的发展,利用雷达图像数据通过深度学习方法实现雷达目标检测功能成为一种新的思路。该文首先从雷达目标检测原理入手,对传统和现代两类检测方法进行了梳理,分析了各类检测方法的特点及适用性。然后针对现代雷达回波信号复杂性增大导致传统检测方法统计建模难的问题和机器学习方法特征提取难度大的问题,对深度学习目标检测方法进行了归纳,主要从深度学习算法、雷达回波图像数据类型和应用场景三个方面进行总结。最后分析了深度学习在雷达目标检测应用中面临的挑战,展望了未来的发展趋势。     

基于深度学习的GPR时频域联合电磁反演方法

对探地雷达(ground penetrating radar, GPR)数据进行电磁反演可以获得探测区域中目标的几何参数和电磁参数.本文针对GPR时域数据与频域数据在图像域的特征差异,首先设计了基于深度学习的GPR维度变换自编码器提取GPR回波数据的时域特征,并对GPR时频域特征进行一致化处理;然后设计了基于时频融合数据的电磁反演处理框架GPR-EInet,并分别使用2 000和200个GPR B-Scan数据对GPR-EInet进行训练和测试.仿真实验结果表明,GPR-EInet可以在SNR=-10 dB、目标介电常数与背景介电常数的相对偏差为50%的情况下实现单/双目标的电磁反演,介电常数反演结果与真实值的结构相似性指数（structure similarity index measure, SSIM）达到了0.995 64.分别运用GPR-EInet、ünet与PINet对仿真数据进行电磁反演,结果表明：GPREInet的抗噪性能要优于PINet与ünet.对实测的GPR数据也开展了电磁反演实验,获得了探测区域的目标参数信息.与单独的时域或频域数据反演相比,时频融合数据提升了GP...     

基于深度学习的点胶缺陷检测

在工业生产中,主要利用自动点胶机对工业相机底座表面进行点胶,而实际生产中由于自动点胶机工艺水平的限制,胶水不可避免的破裂、胶水的宽度太厚或太细,胶水不足等现象也是屡见不鲜。生产中如果不能及时检测出此类不良产品,将会影响到产品部件之间的连接,进而影响到整个产品的质量。因此,在需要点胶以实现粘合效果的各种应用中,严格控制点胶的质量是非常重要的。传统的点胶质量检测主要依靠手动检测方法,具有工作量大,工作效率低,检测精度不足等缺点,不能满足胶水检测的工业生产需求。为了提高点胶缺陷检测的准确率以及检测的稳定性,在本文中,我们使用深度学习卷积神经网络对胶条进行缺陷检测。通过模型的比较,最终采用LeNet-5卷积神经网络,同时在此基础上进行了改进,使得算法的鲁棒性以及准确率有所提升。     

一种深度学习辅助的探地雷达定位方法

在恶劣条件下,例如在雨、雪、沙尘、强光以及黑夜等环境下,自动驾驶方案中常用的视觉和激光传感器因为无法准确感知外界环境而面临失效问题。因此,该文提出一种通过深度学习辅助的探地雷达感知地下目标特征用于车辆定位的方法。所提方法分为离线建图和在线定位两个阶段。在离线建图阶段,首先利用探地雷达采集地下目标的回波数据,然后使用深度卷积神经网络(DCNN)提取采集的地下回波数据中的目标特征,同时存储提取的目标特征和当前地理位置信息,形成地下目标特征指纹地图。在定位阶段,首先利用DCNN提取探地雷达采集到的当前地下回波数据中的目标特征。然后基于粒子群优化方法搜索特征指纹地图中与当前提取的目标特征最相似的特征,并输出该特征的地理位置信息,作为探地雷达定位车辆的结果。最后利用卡尔曼滤波融合探地雷达定位结果和测距轮测量的里程信息,得到高精度的定位结果。实验选取地下目标丰富的场景和实际城市道路场景来测试所提方法的定位性能。实验结果表明,与单一使用探地雷达原始回波数据地图的定位方法相比,深度学习辅助的探地雷达定位方法能避免直接计算原始雷达回波数据间的相似度,减少数据计算量以及数据传输量,具有实时定位能力,同时特征指纹地图对回波数据的变化有鲁棒性,因此所提方法的平均定位误差减少约70%。深度学习辅助的探地雷达定位方法可作为未来自动驾驶车辆在恶劣环境下感知定位方法的补充。     

基于深度学习的YOLO目标检测综述

目标检测是计算机视觉领域的一个基础任务和研究热点。YOLO将目标检测概括为一个回归问题,实现端到端的训练和检测,由于其良好的速度-精度平衡,近几年一直处于目标检测领域的领先地位,被成功地研究、改进和应用到众多不同领域。该文对YOLO系列算法及其重要改进、应用进行了详细调研。首先,系统地梳理了YOLO家族及重要改进,包含YOLOv1-v4, YOLOv5, Scaled-YOLOv4, YOLOR和最新的YOLOX。然后,对YOLO中重要的基础网络,损失函数进行了详细的分析和总结。其次,依据不同的改进思路或应用场景对YOLO算法进行了系统的分类归纳。例如,注意力机制、3D、航拍场景、边缘计算等。最后,总结了YOLO的特点,并结合最新的文献分析可能的改进思路和研究趋势。     

利用互相关和Hough变换快速检测探地雷达目标

考虑到探地雷达目标检测效率低的问题,该文基于目标回波能量空间分布的三参数双曲线模型,提出了一种快速的地下目标检测算法。算法首先利用相邻1维回波的相关性提取回波双曲线,再能量加权拟合曲线以估计出回波模型的两个参数,最后通过1维Hough变换来完成目标检测与定位。实测数据实验结果表明该文算法在不降低目标检测性能和定位精度的同时,计算时间只有传统基于Hough变换检测算法的1.5%左右,计算量的理论分析证明了该文算法在计算效率上的优势。     

地下管线渗漏环境下探地雷达信号特征分析

探地雷达(GPR)在地下水管渗漏的检测中具有良好的应用前景。前期研究表明：地下水管的渗漏会在雷达剖面中形成震荡信号,但其形成机理尚不明晰。为揭示不同材质地下管道渗漏后的探地雷达信号特征的成因,该文结合物理模型试验与渗流场-电磁场数值模拟分析干砂中PVC管和金属管渗漏前后雷达信号特征、渗漏后震荡信号的形成机理和电磁波传播路径。结果表明：地下水管发生渗漏后,管道周围区域出现一定分层状态,电磁波在传播过程中存在更多界面反射和界面间的多次波。PVC管渗漏后,管道顶部、底部反射信号和爬行波信号在渗漏区中多次反射形成复杂的震荡双曲线信号,而金属管渗漏后管壁与渗漏区间存在多次反射。研究成果可为探地雷达在地下水管渗漏探测实际应用提供技术支持。     

基于鲁棒Capon波束形成的探地雷达成像算法

传统的探地雷达(Ground Penetrating Radar, GPR)成像算法属于非自适应方法,其成像结果中存在较强的旁瓣和杂波干扰,而自适应方法具有很强的干扰抑制能力。该文利用鲁棒Capon波束形成(Robust Capon Beamforming, RCB)理论,提出了一种自适应的基于RCB的GPR成像算法,不仅考虑了GPR工作场景下电磁波折射现象,同时研究了适用于GPR成像的协方差矩阵构造方法。所提算法可大幅降低成像结果中旁瓣和杂波能量,并在一定程度上提高成像分辨率,实测数据的实验结果证明了算法的有效性。     

基于相频特性的稳态视觉诱发电位深度学习分类模型

针对现有深度学习分类方法对稳态视觉诱发电位相位与频率信息利用不充分的问题,该文提出一种用于稳态视觉诱发电位(SSVEP)分类的卷积神经网络模型。该模型以经过快速傅里叶变换后的复向量作为输入,首先对各个导联的实部向量和虚部向量进行卷积,学习相位信息;随后引入空间注意力机制,对判别频率信息进行增强;然后使用2维卷积和最大池化层进一步提取空域和频域信息;最后使用全连接层进行分类。实验结果表明利用该方法在跨受试情况下准确率可达到81.21%,通过在训练集增加标准正弦信号模板准确率可进一步提升至83.17%,相比典型相关分析方法获得了更好的分类效果。     

基于互相关的探地雷达反向投影成像算法

该文基于探地雷达(Ground Penetrating Radar, GPR)回波数据之间的互相关性,提出了一种用于抑制GPR成像中杂波干扰的反向投影(Back Projection, BP)成像算法。与标准BP算法相比,该文的互相关反向投影(Cross-correlated Back Projection, CBP)算法增加了数据间互相关运算的步骤,而且无需引入额外的参考信号通道。理论分析和实验结果均表明,CBP算法不仅抑制了标准BP算法成像结果中的杂波干扰,而且在一定程度上提高了成像分辨率。     

DR-GAN：一种无监督学习的探地雷达杂波抑制方法

探地雷达(GPR)是一种基于电磁波的地下无损探测技术,广泛应用于市政工程、交通、军事等领域。在数据采集过程中,由于发射天线和接收天线之间的耦合、起伏地面的散射以及地下随机媒质的复杂性等原因,采集得到的GPR B-scan回波中通常存在杂波,杂波严重影响了地下目标的检测和特征提取。该文提出一种用于GPR B-scan图像杂波抑制的解纠缠表示生成对抗网络(DR-GAN),设计了目标特征编码器和杂波特征编码器用来提取GPR B-scan图像中的目标特征和杂波特征,设计了杂波抑制生成器用来获取杂波抑制后的GPR B-scan图像。与现有的基于监督学习的GPR杂波抑制方法相比,该方法在网络训练时不需要成对的匹配数据,可以更好地应用于实测GPR图像的杂波抑制。在仿真和实测GPR数据上的实验结果表明,DR-GAN这一无监督学习网络具有更好的杂波抑制性能。对石英砂中埋设的钢筋进行数据采集,运用DR-GAN对含杂波的实测数据进行处理,处理结果的改善系数(IF)指标较现有的鲁棒非负矩阵分解(RNMF)方法提高了17.85 dB。     

基于改进粒子群优化的探地雷达波形反演算法

探地雷达工作的最终目的是反演解释地下结构参数,由于大多数反演问题是非线性的,研究非线性的反演方法具有重要意义。该文提出基于改进粒子群优化方法的探地雷达反演问题,该算法以信号均方误差为目标函数,用时域有限差分方法作为正演工具。通过与基于遗传算法等反演方法的结果对比,说明了该算法兼顾了准确性和简便性;通过对模型复杂、参数多、信噪比差的仿真数据的反演结果,说明了该算法对多参数反演的有效性和良好的抗噪性;对实测数据的反演结果,进一步验证了该算法的可行性。     

基于深度卷积神经网络的气象雷达噪声图像语义分割方法

针对新一代多普勒气象雷达的散射回波图像受非降雨等噪声回波干扰导致精细化短时气象预报准确度降低的问题,该文提出一种基于深度卷积神经网络(DCNN)的气象雷达噪声图像语义分割方法。首先,设计一种深度卷积神经网络模型(DCNNM),利用MJDATA数据集的训练集数据进行训练,通过前向传播过程提取特征,将图像高维全局语义信息与局部特征细节融合;然后,利用训练误差值反向传播迭代更新网络参数,实现模型的收敛效果最优化;最后,通过该模型对气象雷达图像数据进行分割处理。实验结果表明,该文方法对气象雷达图像的去噪效果较好,与光流法、全卷积网络(FCN)等方法相比,该文方法对气象雷达图像中真实回波和噪声回波的识别准确率高,图像的像素精度较高。