无人机多模态融合的城市目标检测算法

城市低空运用小型无人机检测车辆等城市目标正逐渐成为主流手段。针对目前存在的实际场景中可见光探测易受光照影响、无法夜间工作和红外探测目标边缘模糊,导致单模检测网络检测精度低的问题,提出了一种基于图像融合和深度学习网络的无人机多模态融合的城市目标检测算法：首先,基于DUT-VTUAV可见光-红外配准数据集和TIF图像融合算法,构建多模态融合数据集;其次,对比了现有YOLO(You Only Look Once)检测系列网络的检测精度、速度及参数量等性能参数,选择出最适合无人机端移动部署的轻量化网络YOLO v5n;最后,综合运用图像融合算法和目标检测模型,形成多模态融合检测算法。在车辆数据集上进行的对比实验表明：相对单模检测,所提出的算法的检测精度得到有效提升,mAP高达99.6%,且该算法可在0.3 s内完成一组可见光-红外图像的融合检测,具有较高的实时性。     

区块链在车联网中的应用综述

针对当前车联网系统面临的网络安全与可信以及数据大规模同步共享挑战,提出利用区块链技术提升车联网系统的安全性水平与协同共享能力.首先从概念特征与技术架构两个层面对区块链技术进行了整体概述,并结合区块链去中心化存储、共识安全防护、数据不可篡改等特点,探讨了区块链与边缘计算协同应用的互补优势与研究现状.进而从协作同步、安全信...     

改进YOLOv5的高空航拍图像检测方法

YOLOv5模型对普通场景图像的目标检测有更好的性能,但在高空航拍图像检测中表现不佳,针对这个问题,提出一种改进的YOLOv5模型。首先,建立高空航拍目标数据集,弥补该类图像不足的问题,对模型进行针对性训练,其次,采用多尺度细节增强提升处理数据图像,整体提升数据质量;最后,利用多尺度特征融合更好的平衡目标特征和位置信息,增加大尺度检测头提升小目标检测能力。经过实验分析,证明该方法在对高空航拍图像目标进行检测时平均精度、准确率和召回率分别比YOLOv5模型提高了12.6%、10.3%和6%,满足检测要求。     

摩擦效应对三维自由弯曲过程中管材变形行为的影响规律研究

三维自由弯曲过程中管材处于少约束条件下,弯曲模与管材之间的摩擦效应对管材的自由弯曲塑性变形行为影响非常明显。为了提高管材自由弯曲成形质量,需要研究不同摩擦条件下管材弯曲半径、壁厚分布、截面畸变的演化规律。建立了考虑弯曲模对管材摩擦作用力的自由弯曲成形力学模型,采用有限元模拟和实验相结合的方法,研究了不同摩擦系数条件下管材自由弯曲过程中应力、应变分布,截面畸变率和壁厚分布的变化情况。研究结果表明,相同弯曲模偏距(U)条件下,所成形管材弯曲半径(R)随摩擦系数的减小而下降,并且弯曲弧段内侧壁厚增厚愈发明显,而弯曲弧段外侧壁厚减薄现象减弱。截面畸变率随着摩擦系数的增加呈现出先增大后逐渐平缓的趋势。因此,当采用不同材质管材和弯曲模距时,需要充分考虑摩擦效应对管材自由弯曲变形行为的影响,以获得满足质量要求的弯曲管件。     

纳米颗粒对超临界二氧化碳流体传热特性的影响

针对超临界二氧化碳纳米流体,采用数值模拟方法研究了纳米颗粒体积分数、壁面热流密度对其在水平管内传热特性的影响。结果表明：当给定入口质量流量,纳米颗粒的掺杂会增大流体密度,入口流速因此而减小,不利于传热;但纳米颗粒的掺杂使得纳米流体热导率显著增大,这有助于提升壁面热流向体相空间的传输速率。因此纳米粒子体积分数越大,其体相流体温度在沿程方向上升温速率也越快。当壁面热流密度q=30 kW·m^-2时,纳米流体在沿程方向上均具有传热强化效果;在更高热流密度时,纳米流体仅在流动充分发展初期具有强化传热效果,在换热管末端其传热效果随体积分数增加显著恶化。     

基于特征增强和损失优化的弱监督目标检测算法

针对弱监督目标检测中只能检测出图像中最具有辨别性部分和训练过程极易陷入局部最优问题,提出了一种特征增强和损失优化的弱监督目标检测算法。该算法设计了一种高效可选择通道注意力模块,该模块通过关联通道的选择来提高其局部信息的交互能力,以此来扩大最具辨别性的示例目标区域;此外,通过对网络回归损失函数施加针对性的动态权重,使其能够自动弱化回归分支中伪标注边界框不准确性的影响,提高目标定位的精度。在PASCAL VOC 2007及PASCAL VOC 2012数据集上的实验表明,相比其他同类算法,该算法能够有效地提高弱监督目标检测的精度。同时,由于该算法引入的额外训练参数和计算负担几乎可以忽略不计,因此还具有良好的高效性。     

基于改进YOLOv7的融合图像多目标检测方法

针对微光环境下目标检测精度较低的问题,提出了一种基于改进YOLOv7的微光与红外融合图像的多目标检测方法。结合可见光、红外图像的优点,利用生成对抗网络法制作融合图像数据集。在YOLOv7模型中引入BoT结构,使网络更加关注整体图像信息,提升特征提取能力,从而提高行人和汽车检测的准确率,并将回归损失函数由CIoU改进为SIoU,降低自由度,加速网络收敛,得到了YOLOv7的改进算法—BoT-YOLOv7。在公开数据集LLVIP和MSRS上进行了实验。结果表明：相比可见光或红外图像,BoT-YOLOv7对融合图像的检测精度较高;改进算法对融合图像取得了92.6%的平均精度均值,较原始YOLOv7模型提高了5.83%;BoT-YOLOv7算法在检测行人和汽车等目标时漏检和误检率较低,具有较好的准确性和实时性,可以满足微光环境下多目标探测的要求。     

基于深度学习的智能船舶轻量化水面障碍物视觉检测与测距方法

针对智能船舶的自主航行障碍物视觉快速检测与测距需求,提出一种基于深度学习的智能船舶轻量化水面障碍物视觉检测与测距方法。从障碍物检测速度和计算量的角度出发,该方法可提升智能船舶环境感知能力。首先,针对障碍物检测问题,在Yolov4检测模型的框架下,构建基于MobileNet特征提取网络的DIS-Yolo水面障碍物检测模型,实现模型网络结构的轻量化改进。其次,针对障碍物测距问题,基于所构建的障碍物检测模型和COMS成像模型,提出水面障碍物测距机制,实现水面障碍物的高精度测距。最后,通过模拟实验验证所改进模型的有效性与测距函数的精确度。所提出的方法可提升智能船舶的航行安全性,同时可为智能船舶环境感知需求提供新的思路。     

基于多分支注意力改进的YOLOv5无人艇目标检测方法

针对水面无人艇目标检测类别多、尺寸小、形变大等难题,提出了基于多分支注意力改进的YOLOv5检测算法。首先提出了一种SAv2Attention模块,通过对通道的“复制-转换-合并”等处理,实现卷积层通道间与通道内特征融合,提升网络的局部感受野,然后将其嵌入到YOLOv5网络,最后在构建的真实海试数据集上进行了大量对比实验。结果表明,SAv2Attention可有效提升YOLOv5的检测精度,典型海面目标数据集上,mAP@0.5检测精度达到94.6%,mAP@0.5:0.95检测精度达到60.9%,相较于原生算法分别提高1.4%和3%,对小尺寸目标平均检测率APS提升4.3%,证明所提方法能有效提升无人艇对水面小目标的检测能力。     

基于神经网络的跨介质飞行器水面弹跳运动参数快速预测方法

为进一步提高跨介质飞行器水面弹跳运动参数的计算效率,提出基于线性多元回归、反向传播神经网络及径向基函数神经网络的水面弹跳运动特性近似模型,对弹跳后运动参数进行快速预测。首先,建立跨介质飞行器水面弹跳数值仿真分析模型,对模型进行校验。其次,基于上述三种预测算法,以飞行器水面弹跳初始俯仰角、弹道倾角和速度作为输入值,预测其在水面弹跳运动中的末速度。结果表明：径向基函数神经网络算法对跨介质飞行器水面弹跳中的末速度预测的性能表现最优,与数值仿真速度值对比,回归系数为0.988,模型精度与速度预测结果可信性较高;速度预测值与数值计算的平均残差保持在8.39%以内,残差范围保持在±15 m/s以内,对跨介质飞行器水面弹跳运动研究具有参考价值。