摘要：林业作业人员常常由于复杂地貌而面对坠落、森林火灾等威胁,卷积神经网络结合无人机巡查的方法已经成为主流防范、搜救措施,但遥感图片中的行人小目标有特征少、定位精度要求高以及极易受背景信息干扰的特点。为了能够使森林遥感图片行人小目标检测的精度达到预期,在YOLOv4方法的基础上针对上述特点设计了增强特征提取的目标检测网络(EFEN),通过构建感受野增强模块(RFBA)并结合CBAM注意力机制,在充分利用遥感图片中的丰富上下文信息之余,对相关信息进行动态选择,增强特征的表示能力;基于高斯分布思想,将归一化Wasserstein距离与CIOU结合,提出了一种新的损失函数(GKCLOSS),降低了小目标检测任务中对位置偏差的敏感性;引入一种自适应分割训练检测策略,平衡正负样本,提高目标检测的准确性,进一步提高了检测精度。以河北省张家口市崇礼区采集的无人机行人图像为研究对象,实验表明,EFEN框架在小目标检测方面优于现有的深度学习网络,在与SSD、YOLOv5、YOLOv7等算法比较中平均查准率(mAP)均有所提升,在上述数据集上,mAP高达39.10%,证明了此方法对行人小目标数据的有效性。

摘要：针对当前低照度激光图像特征增强方法在图像增强过程中需进行多次翻转平移处理,造成激光图像特征增强后损失值较大的问题,提出基于卷积网络模型的低照度激光图像特征增强方法。应用激光图像色彩模型以及去噪自编码器,完成低照度激光图像预处理。使用分段性变换方法设计激光图像映射关系函数,得到低照度激光图像增强目标函数。构建卷积神经网络模型以及模型对应损失函数,完成低照度激光图像特征增强。至此,基于卷积网络模型的低照度激光图像特征增强方法设计完成。实验结果表明:此方法增强真实与合成图像特征后的损失值较低,分别为0.245和0.361,其峰值信噪比较高,分别为45.52和48.54,极大地提高了图像的应用价值,且文中方法对图像增强处理的时长最短,在13 s到16 s之间,其应用性能较高。

摘要：受到车牌初始图像数据维度和精度的限制,传统的车牌边缘检测方法存在应用性能低的问题,为解决这一问题,基于激光图像增强的车牌模糊边缘检测方法。首先通过激光扫描仪器获取车牌初始图像;再通过激光图像增强,建立缩放和旋转模型和增强激光图像数据,实现图像处理,以确保识别的准确性与效率。最后在此基础上依据激光跃迁吸收情况,提取车牌区域,从颜色和轮廓两个方面提取车牌边缘特征,检测车牌模糊边缘点,通过激光偏振方向实现边缘点的连接与细化,实现车牌模糊边缘的检测。实验结果表明,本文方法的平均运行时间为10.6 s,车牌的正确识别率可达到为97.6%,并且峰值信噪比值达到了40 dB以上,表明设计车牌模糊边缘检测方法的应用性能较好,对于车牌识别领域的研究具有一定的参考价值。

摘要：光纤智能结构在应变监测环境中,受到多种因素干扰,导致应变监测误差大。为了获得理想的光纤智能结构应变监测结果,提出面向激光光源的光纤智能结构应变监测研究。采用激振信号产生的应力波回馈力和反射波延时,根据两者设计光纤智能结构应变监测目标函数。通过目标函数解实现应力脉冲信号约束,使得监测点的接收和反馈信号的同步性,提取应变监测冲击和应力波特征。考虑外界影响对监测结果干扰,采用周期性方式获取监测信号序列,查找序列畸变点,实现光纤智能结构应变精准监测。测试结果表明,本方法的光纤智能结构应变监测精准度高,应力波回馈延时短,具有较好的光纤智能结构应变监测实时性。