关键词： 电子内窥镜   对比传递函数   调制传递函数   自动化检测系统   图像处理  

摘要： 介绍了一种基于人工检测电子内窥镜所改良的MTF测量装置测量方法,采用直接检测分辨率板成像对比度比较值的方法,求取反映光学系统成像本领的调制传递函数,整个过程采用自动一体的图像处理技术完成。实验数据以及安装在产线上的施行效果反映,人工检测目测法与本测量装置的检测法合格率分别为96%和94%,7.87~12.5 lp·mm^(-1)空间频段的MTF曲线与设计镜头理论曲线更为符合,验证了本文所提出的方法的有效性。该装置有助于降低人为误差、显著提高生产效率。

关键词： 图像增强   沙尘图像   计算机视觉   深度学习  

摘要： 沙尘图像视觉增强技术旨在提高沙尘暴天气下成像设备捕获数据的视觉感知清晰度,以辅助高级视觉算法提高从数据中获取关键特征的能力。随着沙尘天气出现频次的增多,沙尘图像视觉增强技术逐渐成为图像处理领域的研究热点,在遥感勘测、无人驾驶、智慧交通等人工智能相关行业有着十分广泛的应用前景。为了更好地了解当前沙尘图像处理领域的研究进展,详细阐述了基于传统技术的沙尘图像增强算法和基于大气散射模型的沙尘图像复原算法,总结了基于数据驱动的沙尘图像重构算法,对当前公开数据集的构建进行了细致的研究和分析,并简单梳理了图像增强领域常用的评价指标。最后对所述内容做出总结,指出当前研究中存在的困难,并对未来沙尘图像增强技术的发展方向进行了展望。

关键词： 深度学习   目标检测   接触网支撑组件(CSCs)   路径聚合特征金字塔(PA-FPN)   空洞空间卷积池化金字塔(ASPP)  

摘要： 作为高铁牵引供电系统的重要组成部分,接触网系统承担着向动车组传输电能的重要功能.实际工程运营表明,受弓网交互产生的持续冲击以及外部环境的影响,接触网支撑部件可能会出现“松、脱、断、裂”等缺陷,导致接触网结构可靠性下降,严重影响接触网系统稳定运行.因此,及时精确定位接触网支撑部件(CSCs),对保障高铁安全运行和完善接触网检修维护策略具有重大意义.然而,CSCs的检测通常面临着零部件种类多、尺度差异大、部分零部件微小的问题.针对以上问题,本文提出一种基于多尺度融合金字塔焦点网络的接触网零部件检测算法,将平衡模块和特征金字塔模块相结合,提高对小目标的检测性能.首先,设计了可分离残差金字塔聚合模块(SRPAM),用于优化模型多尺度特征提取能力、扩大感受野,缓解CSCs检测的多尺度问题;其次,设计了一种基于平衡特征金字塔的路径聚合网络(PA-BFPN),用于提升跨层特征融合效率和小目标检测性能.最后,通过对比试验、可视化实验和消融实验证明了所提方法的有效性和优越性.其中,所提的MFPFCOS在CSCs数据集上的检测精度(mAP)能够在达到48.6%的同时,实现30的FLOPs(Floating point operations per second),表明所提方法能够在检测精度和检测速度之间保持良好的平衡.

关键词： 目标跟踪   孪生网络   特征感知增强   注意力  

摘要： 对于孪生网络跟踪框架,骨干网络提取特征的目标表征能力对目标跟踪性能至关重要。为了提升特征对目标的表征能力,提出一种基于特征感知增强的孪生跟踪算法。其以TrDiMP算法为基础,对ResNet-50骨干网络提取的特征采用特征感知增强模块进行增强,该模块基于自注意力对模板分支和搜索分支的特征进行自我增强,并基于交叉注意力对两个分支进行关联增强,建立模板特征和搜索特征之间的目标依赖关系,抑制与目标无关的特征干扰,进而提升特征对目标的表征能力。基于OTB100、UAV123、LaSOT、GOT-10k和VOT2018五个基准数据集的大量实验表明,与几种主流的孪生跟踪器相比,该算法取得了更优的精确度和成功率,尤其在相似性干扰、尺度变化、遮挡等复杂场景中鲁棒性更优。

关键词： 自动驾驶   YOLOv8s   C2f⁃EMSCP模块   小目标检测   注意力机制   损失函数  

摘要： 针对自动驾驶场景下交通目标检测算法存在的误检及漏检的问题,提出一种基于改进YOLOv8s模型的复杂道路交通目标检测算法。设计一种轻量级的C2f⁃EMSCP模块改进YOLOv8s的骨干网络,实现网络的参数量和计算量的降低;在Backbone和Neck部分添加EMA注意力模块,有效地捕捉了全局的通道依赖性与局部空间特征,实现在通道和空间维度上的全面特征抽取;针对密集车流下小尺寸车辆检测效果不佳的问题,添加小目标检测头,更好地捕获小尺寸车辆的特征和上下文信息;使用可自适应调整权重系数的Wise⁃SIoU作为改进模型的损失函数,提升了边界框的回归性能和检测的鲁棒性。在KITTI数据集上进行实验,P、R和mAP@0.5分别提高了0.4%、2.1%和3.7%。文中的改进方法在交通监控系统中能够达到较好的检测精度和速度,有效改善了复杂交通场景下小目标车辆检测效果不佳的问题。

关键词： 无人机探测   高分辨率遥感图像   目标检测   弱小目标   注意力机制  

摘要： 无人机平台高分辨率遥感图像中的目标信息是军事行动规划的重要参考依据。然而高分辨率遥感图像存在尺寸较大、背景信息混杂的问题,导致目标信息检测结果常存在大量虚警以及错误识别;不仅如此,由于图像与目标尺寸之间存在巨大差异,因此在大量背景像素中探测微小目标,对于检测算法的精确度有着更高的要求。为了解决上述问题,实现准确目标检测,本文提出了一种基于无人机遥感图像区块信息的弱小目标检测算法。算法首先使用区块信息以及微小神经网络结构来缓解大尺寸图像带来的处理困难、速度较慢的问题;其次使用全局注意力机制对于可能出现的虚警进行抑制;最终将检测器与分类器进行信息互通,从而同时提高两者的能力,达到提升模型性能的效果。所提检测算法在大尺寸遥感图像数据集上进行实验,结果表明,检测结果中假阳性个数明显减少,并且准确度大幅提升。该结果证明本文所提方法的有效性。

关键词： 输送带   纵向撕裂   带式输送机   目标检测   计算机视觉   降维   线结构  

摘要： 针对传统的输送带纵向撕裂检测系统存在光照抗干扰能力差、运算效率低及泛化能力弱的问题,研究了一种基于线结构光的纵向撕裂检测技术。以线结构光作为图像采集系统,应用Topk完成图像预处理,减少数据冗余和内存使用量;对YOLOv5网络的基础算子进行降维,减少模型参数量和浮点运算量;将该检测技术移植到嵌入式设备中,研制了速度快、精确度高的矿用本安型纵向撕裂检测系统。实验结果表明:降维YOLOv5的运算量和参数量均低于传统方法,在输入特征图分辨率为640 px×2592 px时,F_(1score)为0.9511,优于其他方法;仿真实验中检测的精确度P为95.14%,召回率R为92.63%;工业试验中成功检测出输送带的纵向撕裂。

关键词： 计算机视觉   农机自动化   精准农业   作物监测   路径规划  

摘要： 文章详细分析了作物监测、农机路径规划、作物变量施肥和作物收获监测与评估等计算机视觉技术在农机自动化中的具体应用,阐述了计算机视觉技术在提高农业生产效率、精度和智能化水平方面的重要作用。应用结果表明,计算机视觉技术可以实现作物生长状态的实时监测和定量评估,生成最优农机作业路径,精准控制肥料施用,实现收获过程实时监控和产量质量快速评估。计算机视觉技术在农机自动化中的应用前景广阔,将为现代农业生产提供有力的技术支撑。

关键词： OpenCV   技术普及   计算机视觉   金级会员   高通  

摘要： 2024年12月,高通技术公司(Qualcomm Technologies,Inc.)宣布加入Open CV(开放源代码计算机视觉库)成为金级会员,这一合作将促进AI和计算机视觉技术的普及和应用,加速边缘AI和计算机视觉技术的创新步伐。高通作为全球领先的无线通信技术提供商,其产品和服务已经广泛应用于智能手机、平板电脑、物联网设备等众多领域。

关键词： YOLOv11   多尺度注意力机制   小目标检测  

摘要： 随着遥感图像中小目标检测问题的日益突出,传统目标检测方法在小目标的精确定位上存在局限性。为解决这一问题,本文提出了一种基于YOLOv11模型的多尺度注意力机制优化方法。首先,删除了YOLOv11模型中用于大目标检测的20 × 20尺度检测层,增加了160 × 160尺度的小目标检测层,以提升小目标的检测精度。其次,采用EIoU (Enhanced Intersection over Union)损失函数替代CIoU损失函数,解决了CIoU在长宽比差异较大的目标中的定位问题,从而加速收敛并提高定位精度。最后,结合空间注意力和通道注意力机制,增强了模型对不同尺度目标的感知能力。实验结果表明,优化后的YOLOv11模型在多个遥感图像数据集上表现出较传统YOLOv11显著提高的精度、召回率和F1分数,特别在小目标检测任务中具有更强的鲁棒性和更高的检测精度。研究表明,提出的方法能有效提升小目标检测性能,为遥感图像分析提供了新的解决方案。With the increasingly prominent problem of small target detection in remote sensing images, traditional object detection methods have limitations in accurately locating small targets. To address this issue, this paper proposes a multi-scale attention mechanism optimization method based on the YOLOv11 model. Firstly, the 20 × 20 scale detection layer used for large object detection in the YOLOv11 model was removed, and a 160 × 160 scale small object detection layer was added to improve the detection accuracy of small objects. Secondly, the EIoU (Enhanced Intersection over Union) loss function is used instead of the CIoU loss function to solve the localization problem of CIoU in targets with large aspect ratio differences, thereby accelerating convergence and improving localization accuracy. Finally, by combining spatial attention and channel attention mechanisms, the model’s perception ability for targets of different scales was enhanced. The experimental results show that the optimized YOLOv11 model exhibits significantly improved accuracy, recall, and F1 score compared to traditional YOLOv11 on multiple remote sensing image datasets, especially in small object detection tasks with stronger robustness and higher detection accuracy. Research has shown that the proposed method can effectively improve the performance of small object detection, providing a new solution for remote sensing image analysis.