针对传统带钢表面缺陷检测技术落后、效率不高及小目标识别能力不足等问题,提出一种改进的YOLOv5s-Tiny目标检测模型,在保持模型较小计算量的同时提升检测速度和识别精度。通过将主干网络GSP-Darknet53替换为轻量级GhostNet网络,减少模型参数的数量,提高推理速度。在主干网络加入CBAM注意力机制,通过通道注意力机制和空间注意力机制对特征信息进行融合增强,提高小目标检测精度,并将损失函数GIoU改进为EIoU,提高检测框定位能力。最后将改善后的训练模型格式转换后安装到手机安卓端验证优化的有效性。结果表明在东北大学数据集中,改进后模型检测精度提高1.5%的同时,召回率提升了1.5%,参数量减少12.3%;安卓端检测速度约为120 ms,完成带钢缺陷的实时检测。

研究单帧红外图像小目标的检测问题。对传统基于数学形态学的Top—hat算子进行分析和实验，并利用一种最大类间方差方法确定分割阈值，进行图像分割和目标检测。在Matlab仿真中发现，这种方法能够在一定程度上提高单帧图像目标检测的成功率。并且在一定程度上能够适应不同环境的需要，在实际应用中具有一定的鲁棒性。同时描述一种基于DSP＋FPGA的红外图像处理系统，该结构在一定程度上可满足实时性和灵活性的要求，具有很强的通用性和可扩展性。介绍了该系统的总体结构，并且给出系统各部分的硬件组成，同时描述各个部分之间的数据传输关系。