摘要：近年来,数字射线成像技术(digital radiography,DR)由于其独有优势已被广泛应用于工业管道无损检测。为提高管道DR缺陷图像检测精度,提出了一种改进的YOLOv5n管道DR缺陷图像检测方法。该方法有两点贡献,针对目标检测网络中分类和回归两个任务存在冲突的问题,设计了任务独立解耦检测头,通过分别为两类任务构建独立的特征图实现解耦。为了缓解解耦检测头模块带来的参数量增加问题,引入了轻量化的深度可分离卷积替代标准卷积,在保证精度的同时,减少模型参数量。实验结果表明,在管道缺陷数据集上,该方法的mAP@0.5比YOLOv5n提高0.9个百分点。与YOLOv4、Faster-RCNN和SSD等其他几种目标检测模型的对比实验表明,该方法在mAP@0.5、参数量和计算量上都达到最优,有效提高了管道DR缺陷图像检测的性能。

摘要：为了提高红外舰船目标的分割准确率,提出一种基于对抗域适应的红外舰船目标分割方法,其中有标注的可见光舰船图像为源域,没有标注的红外舰船图像为目标域。为了解决两个域之间的风格差异问题,本文依次对源域的可见光图像进行灰度化和白化预处理,将其转换为具有目标域风格的图像。对于目标域的红外图像,使用去噪网络进行优化;接着,为了解决判别网络视野受限问题,设计基于空洞卷积的判别网络;最后,针对目标域预测图像置信度低问题,将目标域预测图像的信息熵加入到对抗损失中。在可见光和红外舰船图像组成的数据集上的实验结果高于现有方法,证明了本文方法的有效性。

摘要：提出一种合成孔径雷达(synthetic aperture radar, SAR)图像旋转舰船检测方法,以提高SAR图像中旋转舰船的检测精度。从先验框设计和边界框回归公式对YOLOv4-CSP目标检测网络进行改进,加入旋转角度使其适用于基于旋转框的检测场景;提出一种基于旋转边界框外接圆和交并比的损失函数,该函数不仅考虑预测框和真实框的中心点的距离,而且考虑旋转框各个参数之间的相关性,具有很好的效果;为进一步提升SAR图像中的舰船检测精度,引入转移注意力模块,使得网络能够充分学习有效特征,提高检测精度。试验结果证明,改进后的模型结合提出的损失函数能够有效提升旋转舰船的检测精度,在图像分辨率为416像素×416像素情况下,平均精度均值(mean average precision, mAP)达到95.79%;加入注意力模块后,在图像分辨率为416像素×416像素情况下,mAP达到96.40%,在图像分辨率为800像素×800像素情况下,mAP达到96.98%。本研究不仅可以为海洋监测等应用提供重要的技术支持,还具有重要的理论价值和应用价值。

摘要：为降低获取像素级标签的成本,提出一种基于弱监督和半监督学习的红外舰船分割方法,在残差网络(residual network, ResNet)的基础上,设计一个自适应定位模块,并使用相似损失、前景损失和背景损失训练自适应定位模块,生成舰船定位图;利用少量像素级标签数据和大量定位图数据交替训练显著性网络生成显著图;用条件随机场优化显著图,并结合图像级标签生成伪标签图像,使用伪标签图像训练分割网络,得到红外舰船的分割结果。在红外舰船数据集上的平均交并比为71.18%,与当前其他先进方法进行对比,平均交并比提高了9.47%,试验结果表明自适应定位模块能够有效定位红外舰船,交替训练方法可以使红外舰船的边缘更准确。