关键词： 目标检测   多谱段融合   近红外图像   光照感知   注意力机制  

摘要： 基于红外/可见光融合的方法能够有效改善道路交通、安防监控等开放场景下的目标检测的效果。现有方法较少针对红外/可见光差异性设计特征交互机制,使得检测的精度和鲁棒性受限。因此,设计了一种基于双流结构的红外/可见光图像融合网络,充分考虑了不同模态图像间的差异,通过提取和融合不同模态图像的多层次特征信息,实现开放环境下目标的精准识别。针对可见光图像质量容易受到环境光照变化影响的问题,设计了轻量化的图像光照感知模块,通过权重分配函数动态调整红外/可见光的融合权重,提高了融合算法的适应性和准确性。同时,设计了无参数的3D注意力模块,以自动识别网络所提取特征的通道和空间重要性,并根据模态间的重要性不同分配不同的融合权重,其能够在不增加网络参数量的前提下提高网络融合的效果。此外,构建了一套近红外/可见光数据集(NRS),为开放场景的目标识别任务提供了更多源的数据。最后,在自主构建的数据集NRS和公开数据集M^(3) FD上对模型进行了一系列测试。结果表明,所提方法检测精度分别达到93.5%,92.2%(mAP_(.50)),能够为开放场景中的目标精准探测识别提供支撑。

关键词： 目标检测   YOLOv5   水蜜桃   多尺度特征信息提取   背景信息增强  

摘要： 人工智能和计算机视觉的发展给农业智能装备研究带来了新的革命。研究复杂环境干扰下,自适应水蜜桃幼果检测算法对于打造智能化套袋系统具有重要意义。针对上述问题,在YOLOv5目标检测系统的基础之上,创新性地引入了多尺度特征信息提取模块(ResXUnit)和背景信息增强模块(BABlock),设计了目标检测模型YOLOv5-C3ResXUnit-BABlock。在自制的幼桃数据集上与主流的YOLOv5、YOLOv7和YOLOv8模型进行了对比实验,并针对模块创新进行了消融实验,实验结果证明了模型创新的有效性。

关键词： 目标跟踪   光谱降维   胶囊网络   高光谱视频  

摘要： 针对现有高光谱视频跟踪算法在目标尺度变化时表现不佳的问题,提出一种基于光谱降维和特征融合的高光谱视频目标跟踪算法。首先,计算目标局部光谱曲线的差值并结合特征值排序和阈值设定获取目标光谱曲线;随后,利用目标光谱曲线与高光谱图像进行光谱角距离计算来实现降维;之后,利用改进的多尺度胶囊网络提取多尺度特征,为利用不同尺度的信息,将降维生成的掩模进行多尺度特征融合;最后,将融合的多尺度特征输入分类和回归胶囊,利用模版更新机制增强跟踪的稳定性和鲁棒性,使得所提算法能够更好地应对尺度变化带来的挑战。实验结果表明,所提算法在应对尺度变化挑战时具有优越性。

关键词： 建筑工人目标检测   半监督目标检测   数量质量权衡   单阶段目标检测  

摘要： 建筑工人目标检测对于提升建筑施工安全具有重要的应用价值。随着智慧工地的推广,施工区域的视频监控覆盖率不断增加,获取大量未标注的建筑工人图像变得更为便捷,而有标注数据图像依然稀缺而昂贵。半监督学习方法是解决有标注数据缺乏问题的有效办法。然而,施工环境中存在着环境混乱、目标遮挡以及监控画面可视度低等问题,导致半监督目标检测模型在伪标签生成阶段难以平衡数量与质量。已有的半监督目标检测算法大多基于两阶段目标检测模型设计,未能满足对建筑工人检测实时性的要求。为了解决上述问题,提出了一种针对施工场景设计的单阶段半监督建筑工人目标检测算法。首先,将半监督目标检测应用于建筑工人目标检测任务,有效解决了标注数据缺乏的问题。其次,提出软阈值优化方法,为低置信样本分配权重,从而扩充伪标签的数量。接着,引入图像信息熵概念来评估样本检测难度,并提出自适应阈值选择算法以根据样本难度调整伪标签的阈值,进而提高训练初期的伪标签质量。最后,通过增加残差特征金字塔网络和上下文增强模块提升对小目标的检测能力。实验证明,在自建的施工区域建筑工人检测数据集上,所提出的算法在解决单阶段半监督建筑工人目标检测问题方面表现出显著优势。

关键词： 图像处理   眼动追踪   传感系统   视觉行为   便携性   系统构建   隐形眼镜   设备体积  

摘要： 人类获取的信息70%以上来源于视觉,眼睛是生物采集的关键感知器官之一。其中,眼动追踪传感器在无干扰、隐蔽监测人类视觉行为方面展现出潜力。目前,多数眼动追踪设备依赖复杂的传感系统,图像处理过程繁琐且设备体积较大,而基于隐形眼镜的侵入式方案具备一定便携性但测量精度有限,并可能引发异物引入的不适感。

关键词： γ光子   无损检测   软件设计   图像处理   质量优化  

摘要： 针对利用γ光子对工业零部件内部进行成像的图像空间分辨率较低以及边缘模糊等问题,在传统MLEM算法的基础上提出一种EP-MLEM重建算法。通过在重建的每一次迭代过程中进行优化来提高图像的质量。设计一组工业多通管仿真模型进行仿真,并分别对传统MLEM算法和改进的EP-MLEM算法重建后的图像进行图像质量评价。仿真实验表明:EP-MLEM算法重建图像的PSNR和SSIM分别由21.1434和0.6158提升到了23.1383和0.7198,EP-MLEM算法在边缘表现方面强于传统MLEM算法。

关键词： 遥感图像   目标检测   YOLOv7   多层特征   注意力机制  

摘要： 遥感图像目标检测在军事侦察、智慧农业等领域意义重大,特别是小目标检测一直获得持续关注。然而,遥感图像中的小目标面临特征信息不足、检测难度大等问题,成为困扰遥感检测应用发展的最大障碍。为此,提出YOLO-HF(you only look once-hybrid feature)算法,该算法在传统YOLOv7模型的网络中,引入通道注意力和自注意力的混合注意力机制提取目标深层特征,并将浅层特征和深层特征进行融合,增加局部特征的丰富性;为进一步加强对全局信息的关注,在提取特征后为小尺度目标添加全局注意力机制,实现全局特征表达能力的提升;为避免传统损失函数对小目标位置偏差敏感,导致检测效果不佳,选择使用一种新的度量方式,将其嵌入边界框损失函数的计算中,从而加快损失函数的收敛,实现小目标检测精度的提升。实验结果表明:与传统YOLOv7算法相比,所提算法在RSOD和NWPU VHR-10数据集上均表现出优越性,特别地,在RSOD数据集上均值平均精度提升了2.90%,在NWPU VHR-10数据集上均值平均精度实现了3.61%的提升。

关键词： YOLOv8   电梯轿厢   禁入目标检测   可变形注意力   SIou函数  

摘要： 电梯轿厢内禁入目标入户易造成火灾风险。针对电梯轿厢视频监控下,现有视觉检测方法存在禁入目标误检和漏检的问题,提出了一种基于改进YOLOv8的电梯轿厢禁入目标检测算法。首先在数据预处理阶段对禁入目标检测数据集进行数据增强,然后对模型引入可变形注意力模块,最后将原始YOLOv8的损失函数替换为SIou函数。实验结果表明,相比于YOLOv8基准模型,本文方法的评价指标值具有明显提升,表明该方法能够有效检测电梯轿厢禁入目标。

关键词： 目标检测   YOLOv5   轻量化   注意力机制   道路病害检测   特征提取  

摘要： 受道路病害特征不明显、与背景对比度低等复杂因素的影响,基于传统数字图像处理技术的识别算法精度低。而现有深度学习目标检测算法参数量大,不适合移动端实时检测。为了更高效、准确地识别道路病害,提出一种基于YOLOv5的改进算法。该算法致力于实现道路检测的实时性和精确度之间的平衡,通过引入轻量级Ghost模块用更少的参数生成更多的特征图,减少模型参数;将基于CSP结构中的C3Ghost模块重新设计成一种新型的InceptionGhost模块,实现从不同尺度进行特征提取,保障模型精度。通过在骨干网络添加CBAM注意力机制进一步加强特征提取能力。由于采集到的样本分布不均匀,使用Focal-EIoU损失函数改善样本数量不平衡的问题,提高模型的鲁棒性。实验结果表明,改进后的算法较原有的YOLOv5s模型,mAP@0.5提高了2.5百分点,同时参数量压缩了36.6%,检测速度提高了16.9%;并通过与目前先进算法和其他改进算法的对比表明,该算法在精度和参数量方面显示出明显的优越性。

关键词： 图像去雾   图像处理   暗通道先验   深度学习   卷积神经网络   生成对抗网络   目标检测  

摘要： 在露天矿山的户外视频监控场景中,空气中的雾霾和悬浮颗粒物会导致视觉系统所采集图像的对比度降低、色彩失真等,干扰后续的图像分析与处理。清晰的图像信息对分析与决策至关重要,图像去雾(Image Dehazing)旨在提升所采集图像的清晰度,减少雾、雨、雪、沙尘等天气因素的干扰,已经成为自动驾驶、视频监控、遥感分析等领域的关键技术。传统的图像去雾方法,通常基于大气散射模型,通过物理推导恢复图像。然而,这些方法依赖于一些假设,难以应对复杂环境中的实际情况。随着深度学习技术的发展,基于神经网络的去雾方法逐渐成为主流,深度学习方法能够更好地提取有雾图像的特征,恢复图像细节,具有更强的适应性和鲁棒性。综述了近年来图像去雾技术的发展,比较分析了传统物理模型与基于深度学习的图像去雾方法的特点,为图像去雾技术的实际应用提供了参考依据。