基于神经网络的螺丝表面缺陷检测

针对螺丝零件通常存在的缺陷检测问题,提出了一种基于神经网络螺丝表面缺陷检测方法。将SimAM注意力机制引入YOLOv7网络模型,用GIoU损失函数替换CIoU损失函数提高模型检测精度,在目标框位置预测过程中,引入Soft-NMS优化候选框选择方法,有效提升候选框位置选择的精度。实验结果表明,改进后的网络模型平均精度均值(mAP)达到98.9%,对小目标缺陷检测精度更高,误检漏检情况更少,可以有效满足螺丝表面缺陷检测要求。     

基于注意力与通道重排的无人机对地目标检测算法

无人机自主察打对地攻击场景中,针对无人机作战时效性强,地面目标识别场景复杂,存在模型训练、推理速度慢,小目标检测漏检、误检的问题,提出一种基于注意力机制与通道重排思想的无人机对地目标检测算法。该算法引入CA(coordinate attention)注意力机制,可提高网络对关注部分的特征提取能力;且对主干网络进行通道重排(channel shuffle)轻量化处理,可有效减少多次卷积造成的特征损失;最后,为提升战时训练及推理速度,替换部分激活函数为H-Swish,优化其损失函数为CIoU(complete intersection over union)。实验证明：采用改进的新算法,提升了28.4%训练速度,目标识别的平均精度均值(mean average precision, mAP)达99.1%,可实现最小目标检测为19*25像素,经TensorRT加速后检测速率达72.99 FPS,满足实时检测需求,针对复杂地形下的坦克小目标检测性能较好。     

基于Focal Loss的多特征融合地物小目标检测

针对无人机影像中地物车辆目标占整体像素不超过0.4％的小目标检测效果差的问题,在融合FPN结构的Faster R-CNN(FFRCNN)网络基础上,提出一种改进算法——FM-FFRCNN.利用Resnet-50网络进行特征提取,并联多个卷积核进行卷积操作实现多特征融合,达到扩大感受野的效果,并通过检测模块进行回归与分类.同时,为解决模型中正负样本不平衡问题,采用Focal Loss损失函数抑制背景样本对损失的贡献值.实验结果表明:FM-FFRCNN模型在平均精度(Average Precision,AP)上较原先模型提升了19.7％.     

改进的YOLOv3算法对伪装目标检测

针对现有算法对伪装目标检测效率较低的问题,提出了一种基于改进YOLOv3网络的伪装目标检测算法。该算法在现有数据集下,对算法的先验框进行重聚类;依据Darknet53多次利用残差块的特点,将残差网络的级联方式由单级跳连改为多级跳连,改善误差在网络中的回传效果;在网络中添加了注意力模块,增加有用特征的检测权重。实验结果表明,与原始算法相比,改进后的算法模型具有较低的损失值且平均精度均值提高了约4.35%。     

基于GA的卷积神经网络结构化剪枝算法

为解决传统神经网络模型过参数化问题,提高深度学习模型工程化实现的效率,提出了基于GA的结构化模型压缩算法.该方法从全局搜索空间对模型各层卷积核进行结构化剪枝,并以"高检测精度,低网络规模"为准则建立适应度函数,解决传统权重剪枝易陷入局部最优和剪枝结果对硬件平台不友好问题,获得精度损失低、模型压缩率高的轻量化模型结构.     

基于ST-YOLOv7的无人机视角下行人及车辆识别

由于无人机视角下的背景复杂,识别的目标多为远距离小目标,因此容易导致漏检及误检问题。为了实现无人机视角下对行人及车辆高精度识别,提出了以YOLOv7网络模型为基础的ST-YOLOv7算法,主干网络中融合了Swin Transform模块,构建复杂背景与小目标的全局关系,融入SENet通道注意力机制,为不同通道的特征分配不同权重,增强小目标特征的捕捉,在头部网络中,加入了YOLOv5网络中的C3模块,增加网络的深度和感受野,提高特征提取的能力,增加了1个小目标检测层,进一步提升对小目标识别的精度。实验证明：ST-YOLOv7网络模型在自制的航拍数据集中对行人的识别精度高达83.4%,对数据集中的车辆的识别精度达到了89.3%。均优于YOLOv5和YOLOv7目标检测算法,以较小的效率损失取得了较高精度。     

一种针对坦克速度控制的深度强化学习算法

坦克的无人化将成为作战装备的未来研究方向之一,针对坦克无人驾驶如何提高智能体训练速度是当前深度强化学习领域的一大瓶颈,提出一种最近经验回放的探索策略来对传统的软行动者-评论家算法（soft actor-critic,SAC）进行改进,在训练阶段,赋予最近经验更大权重值,增大其采样概率,从而提高了训练的稳定性和收敛速度。在此基础上,基于应用环境以及作战任务设计奖励函数,提高算法的战场适用性。构建具体作战场景,对改进的算法与传统算法进行对比,结果表明,提出的算法在坦克速度控制上表现出更好的性能。     

针对军事集群目标的YOLOv3改进算法研究

YOLOv3目标检测模型对于巡飞弹作战中的军事集群目标存在可能漏检紧邻目标的问题.改进算法以YOLOv3为基础,对其候选框选择算法采用的非极大值抑制(NMS)引入惩罚函数,实现soft-NMS,从而减少紧邻目标识别边框被误删的概率.同时针对军事目标数据稀缺的情况,对数据的预处理采用k-fold交叉验证策略,抑制过拟合现象,充分训练模型.实验结果表明,改进算法后对集群目标的检测效果要好于原YOLOv3,其准确率提高了3.14％,召回率提高了17.58％,符合巡飞弹作战中对目标检测精度指标的要求.     

基于UPF的WNN学习算法及其应用

为改善小波网络(WNN)的非线性建模能力,提出一种基于改进无迹粒子滤波(UPF)的WNN学习算法。算法先引入最小偏度策略减少无迹变换(UT)的Sigma采样个数,改进无迹Kalman滤波(UKF);再用改进UKF算法选取粒子滤波的重要性密度函数,构成新型UPF;最后,将SUPF作为WNN的学习算法进行训练和测试。实验表明,基于新采样策略UPF与基本UPF的WNN模型精度总体接近,但速度更快,效率更高,某型军用飞机气动力建模也验证了算法的有效性与可行性。     

基于改进Yolo v3的弹载图像弱小目标检测算法

结合弹载摄像机的成像特点,对不同目标在弹载图像中的尺度信息进行分析,重点对复杂作战环境下的弱小目标检测问题进行研究。优化小目标样本数据结构,扩充小目标样本比例,并将远距离成像不易区分类别的目标统一标注为“target”类。优化Yolo v3网络结构,利用K-means对多尺度预测分支上的anchor大小重新聚类,并在FPN大尺度特征提取前融合中、小尺度特征信息,通过卷积注意力模块和双线性插值上采样提高特征图中显著特征的表达能力,减少弱小目标特征信息损失。优化后的算法大幅度提高了弱小目标检测精度,降低误检和漏检率,并保证了算法的处理速度。     

三维点云深度模型压缩算法

随着计算机三维视觉的广泛应用,近几年基于深度学习的点云处理算法得到了大量研究,而耗时耗存储的缺陷较大程度限制了其在移动端的部署应用。基于改进损失函数的总体思路,提出了一种新的点云深度模型压缩框架,将知识蒸馏方法引入二值量化模型中,同时考虑点云聚合操作的特殊性引入了辅助损失项,改进的损失函数共包括预测损失项、蒸馏损失项和辅助损失项三部分。实验结果表明,和已有算法相比,所提算法可以获取更高的精度,同时对当前点云主流深度网络模型也具有良好的扩展性。     

压缩感知理论在红外成像中的应用

分析了红外图像的数据特性,并对红外数据进行稀疏化处理,提出了基于压缩感知理论的红外图像成像方法。在红外图像测量平面使用随机观测矩阵进行观测,以少量的数据采样信息获得重建红外图像的足够信息。由实验和仿真计算可知,压缩感知理论应用于红外成像技术,降低了数据采样量,提高了采样速度,并能以较小的误差实现红外图像的重构。     

基于深度学习的网络攻击检测模型

为提高复杂网络条件下网络攻击的检测检测精度、降低时间开销,提出一种基于卷积神经网络、双向长短时记忆网络和注意力机制融合的网络攻击检测模型GP-CABL。GP-CABL能够有效抽取网络流量的最优特征,并能够充分学习网络流量的空间和时序特征,有效提升了检测精度、降低了计算开销。实验表明,GP-CABL针对主要网络攻击识别精度可达99.87%,相较当前研究有较大性能提升,并具有较好的鲁棒性。     

基于训练网络的目标检测方法及应用

传统的Faster-RCNN目标检测网络以VGG16作为训练网络,其网络提取能力弱、检测速度慢,提出将inception网络与深度残差网络作为训练网络用于Faster R-CNN。在TensorFlow框架下,搭建相应的网络模型,并选取飞机、车辆、操场以及水箱的遥感图像进行了实验验证。实验结果表明,相比于VGG16网络,基于inception网络与深度残差网络作为训练网络的Faster R-CNN模型在识别精度和识别速度上都具有明显的优势。     

改进YOLOv3模型对航拍汽车的目标检测

针对无人机航拍汽车作为待检测目标时,现有的检测方法容易出现误检、漏检、定位不准,检测精度和速度难以同时提高的问题,提出了一种基于深度学习的目标检测模型YOLOv3的改进模型ZQ-YoloNet。通过实验分析,证明该方法在检测无人机航拍汽车时具有良好的效果,精准率和召回率分别达到了97. 73%和78. 25%,对1 280×720像素mp4格式视频检测时速度不低于40帧/s,能够满足实时检测的要求。     

基于增强CNN模型的手写字体图像识别

为了提高汉字的识别率,提出了一种改进的图像识别算法,根据偏微分方程理论,提出一种增强CNN模型识别汉字,将原有的图像用高阶差分法进行增强处理,然后在原始的LeNet-5网络结构的基础上,将前两层的激活函数改为ReLu函数,并且去掉C5层以及F6层,通过增加输出层的神经元数来增加汉字的识别率。研究结果表明:经过图像增强和增加输出神经元数的改进,对汉字进行识别,识别率达到了98.44%,相比较于其他汉字识别算法提高了3%～9%,从而证明了算法的可行性。     

改进的YOLOv5地面军事目标识别算法

针对战场复杂背景下地面军事目标识别算法性能较低的问题,提出一种基于并行注意力机制的PAL-YOLO地面军事目标识别算法。该算法在自建地面军事目标数据集下,对目标的锚框进行重新聚类;在网络的Backbone中加入通道-空间并行注意力机制模块,提升目标特征提取能力;通过采用Alpha＿IoU对目标识别分类器的损失函数进行改进,加速模型收敛。结果表明,改进后的算法在保证模型空间复杂度的同时,mAP值提升了6.4%,FPS提升6%。     

轻量化改进网络的海天线检测模型

海天线检测在无人艇自动驾驶与海上目标识别领域具有重要作用。针对传统算法在各类场景下鲁棒性差的问题,提出一种基于目标识别算法的海天线检测模型YOLOv5-SH。该模型利用ShuffleNetV2网络单元搭建特征提取网络,替换YOLOv5模型的骨干网络,提取图像中海天线区域,再利用Hough变换的方法在其中进行线性检测,识别海天线。在自建数据集上的对比实验结果表明,YOLOv5-SH模型能够在各类场景下实时准确检测海天线。     

一种改进固定单站无源定位模型性能分析

针对固定单站无源定位中的DPFRC算法无法对目标辐射源速度进行直接解算的问题,将多普勒频率引入观测量之中,提出一种改进的固定单站无源定位模型,并通过卡尔曼滤波对定位结果进行平滑处理。将改进模型与原有模型及另外一种可对速度进行直接解算的DDFRC模型进行了仿真比较,对不同距离、不同采样间隔和不同观测精度下3种模型的性能进行了仿真分析。仿真结果表明,相比于另外两种定位模型,改进模型具有更为广泛的应用环境和更好的鲁棒性。     

红外干扰对便携式地空导弹的影响分析

现代战争中导弹和导弹系统在战场中都将受到各种干扰。便携式地空导弹作为防空作战中的必备武器,在受红外干扰后,可能导致探测概率、制导精度的降低。为了提高便携式地空导弹的作战效能,着重对几种红外诱饵干扰对便携式地空导弹武器系统的影响进行了分析。