1 长春理工大学电子信息工程学院,吉林 长春 130022
2 长春理工大学空间光电技术研究所,吉林 长春 130022
3 长春理工大学计算机科学技术学院,吉林 长春 130022
4 长春理工大学光电工程学院,吉林 长春 130022
5 长春光客科技有限公司,吉林 长春 130022
为解决在卫星激光通信初始捕获阶段传统信标激光光斑检测算法容易受到复杂背景干扰的问题,基于YOLOv5s神经网络针对卫星平台初始指向场景进行优化、改进。选用平滑交并比(SIoU)损失函数替代原损失函数,将原本的上采样结构替换为轻量化的内容感知特征重组(CARAFE)上采样结构,为C3层增加卷积块注意力模块(CBAM)机制,使用SimSPPF替代原本结构,增加了利于感知位置信息的Coordconv结构。经过改进后的神经网络在精度上优于传统的信标光斑检测算法,能够在复杂背景下准确检测出光斑的位置,适合用于初始捕获阶段以及粗跟踪阶段进行信标光斑检测。优化后的YOLOv5s神经网络精确率达到99.7%,召回率达到99.3%,在平均精度(mAP)@0.5指标上超过99.7%,在mAP@0.5∶0.95指标上超过了74%。
激光通信 初始捕获 信标激光 复杂背景 激光与光电子学进展
2024, 61(7): 0706008
1 长春理工大学 机电工程学院,吉林 长春 130022
2 长春理工大学 重庆研究院,重庆 400000
“黑飞”无人机一旦带有炸弹等物品,会对人们带来威胁。对在公园、游乐场、学校等复杂背景下“黑飞”的无人机进行目标检测是十分必要的。前沿算法YOLOv7-tiny属于轻量级网络,具有更小的网络结构和参数,更适合检测小目标,但在识别小目标无人机时出现特征提取能力弱、回归损失大、检测精度低的问题;针对此问题,提出了一种基于YOLOv7-tiny改进的无人机图像目标检测算法YOLOv7-drone。首先,建立无人机图像数据集;其次,设计一种新的注意力机制模块SMSE嵌入到特征提取网络中,增强对复杂背景下无人机目标的关注度;然后,在主干网络中融入RFB结构,扩大特征层的感受野,丰富特征信息以增强特征提取的鲁棒性;然后,改进网络中的特征融合机制,通过新增小目标检测层,增加对小尺度目标的检测精度;然后,改变损失函数提高模型的收敛速度,减少损失以增强模型的鲁棒性;最后,引入可变形卷积(Deformable convolution, DCN),更好的根据目标本身形状进行特征提取,提升了检测精度。在PASCAL VOC公共数据集上进行对比实验,结果表明改进后的算法YOLO7-drone相比于YOLOv7-tiny,平均精度(map@0.5)提升了6%;在自制无人机数据集上进行实验,结果表明YOLOv7-drone与原算法相比,平均精度(map@0.5)提高了6.1%,并且检测速度为72帧/s;与YOLOv5l、YOLOv7目标检测算法进行对比实验,结果表明改进后的算法在平均精度(map@0.5)上分别高于对比算法4%、3.1%,验证了文中算法的可行性。
目标检测 复杂背景 注意力机制 小目标检测 target detection complex background attention mechanism small target detection 红外与激光工程
2024, 53(1): 20230472
针对变电站电气设备红外监测过程中,获取的红外图像背景复杂而导致故障设备定位不准确、分割难度较大等问题,提出了一种在复杂背景下对故障设备进行定位与整体分割的方法。首先,通过 SLIC(Simple Linear Iterative Clustering)超像素算法对图像进行分割,并对超像素块进行 Lab颜色空间转换,根据阈值判断是否存在故障并获取故障区域。然后,选取故障图像中最大联通量的较亮点作为种子,利用最大类间方差原理控制种子数目,通过改进区域生长法获取目标主体设备。最后,将故障区域与目标主体设备进行交集运算,完成对故障电气设备的整体分割。研究结果表明,该方法能有效完成复杂背景下的故障电气设备定位与整体分割。与其他分割方法相比,该方法获取的故障电气设备更加完整准确。
故障电气设备 复杂背景 红外图像 SLIC算法 图像分割 faulty electrical equipment, complex background, i
强激光与粒子束
2023, 35(7): 079001
陈玮琳 1,2,3裘莉娅 1,2,3李争 1,3,*王健 1,2,3谭畅 1,2,3
1 中国科学院上海技术物理研究所,上海 200083
2 中国科学院大学,北京 100049
3 中国科学院红外探测与成像技术重点实验室,上海 200083
在雨雪纷飞、不停波动的湖面等自然背景下,运动目标检测的准确性会受到巨大影响。因此,在动态背景中将前景目标准确地提取出来是复杂场景下运动目标检测的首要任务。针对现有visual background extractor(Vibe)算法在复杂背景下检测效果较差且易受光照变化影响的问题,提出了一种将Vibe算法与改进局部二值模式(LBP)特征算子结合的运动目标检测算法。首先,计算并保存每一帧的LBP值图像,采用相邻帧补偿策略稳定图像,减少光照对灰度值的影响。然后,使用Vibe算法建立背景模型,用改进的LBP值代替灰度值来进行前景检测。最后,进行形态学操作得到最终的前景目标。实验结果表明,所提算法和其他传统算法相比,对动态背景的抑制效果好,对比原始Vibe算法召回率平均提升25.6%,准确率平均提升12.5%,误检率平均降低22.6%。
图像处理 复杂背景 背景建模 visual background extractor算法 局部二值模式纹理特征 激光与光电子学进展
2023, 60(4): 0410012
1 南京理工大学 电子工程与光电技术学院,江苏南京20094
2 南京理工大学 江苏省光谱成像与智能感知重点实验室,江苏南京10094
针对复杂背景下遥感小目标的检测问题,提出了一种改进型多尺度特征融合SSD方法。设计了一种特征图融合机制,将分辨率高的浅层特征图与具有丰富语义信息的深层特征图进行融合,并在特征图间构建特征金字塔,对小目标特征进行增强。然后,引入通道注意力模块,通过构建权重参数空间,将注意力集中在关注目标区域的通道,以减小背景干扰。最后,对先验框相对于原图的比例进行了调整,使它能够更好地适应遥感小目标尺度。利用采集的遥感飞机图像数据集对方法性能进行定性和定量测试。结果表明:改进方法的检测精度相较SSD提高了4.3%,并能够适应复杂场景下的遥感多尺度目标检测任务,降低小目标的漏检率。
深度学习 小目标检测 复杂背景 特征融合 通道注意力机制 deep learning small target detection complex background feature fusion channel attention mechanism 光学 精密工程
2021, 29(11): 2672