关键词： 异常检测   自监督学习   点云   计算机视觉   重构网络  

摘要： 面对日趋复杂的工业生产环境，三维点云工业异常检测需求与日俱增。尽管基于预训练网络的二维异常检测方法效果显著，但三维点云预训练网络的泛化能力有限，导致这类点云异常检测方法效果不佳。为提高三维点云异常检测性能，提出一种基于点云重构的异常检测方法Point-ReAD(Point cloud Reconstruction for Anomaly Detection)，它由3个核心模块构成：异常模拟模块、点云重构网络和异常判别模块。在训练阶段，正常点云图经异常模拟模块产生异常点云送入点云重构网络，正常点云作为自监督信号指导重构网络学习。点云重构网络使用分组注意力模块(Group Attention Module,GAM)，该模块设计用于融合点云的复杂结构信息，从而有效地捕捉点云中的几何和语义特征。在推理阶段，测试点云进入重构网络后生成重构点云，异常判别模块比较重构前后的点云从而精确定位异常。实验结果表明，Point-ReAD在MVTec 3D-AD数据集上的点云级AUROC(Area Under the Receiver Operator characteristic Curve)和点级AUPRO (Area Under the Per-Region Overlap)分别达到了95.49%和94.66%，相较于M3DM(Multi-3D-Memory)、3DR?M(3D Discriminatively trained Reconstruction Anomaly Embedding Model)等方法整体性能有所提升。

关键词： 寒地水稻病斑识别   卷积神经网络   目标检测   图像分类  

摘要： 传统卷积神经网络对于水稻病害识别存在局限性,特别是在寒地水稻病斑位置识别方面。为此,提出了一种改进型轻量级深度学习网络模型,建立了一个包含5种常见寒地水稻叶部病害图像的数据集,并构建了病害分类和病斑目标检测网络模型;将图像分类网络嵌入YOLOv3目标检测网络中,并对模型的特征提取部分进行了优化,采用转置卷积和空洞卷积进行上采样和下采样;最后,对比了改进后的YOLOv3模型与传统的卷积神经网络模型。实验结果表明,病害分类模型在各项指标上均表现出色,平均召回率、平均精度、平均F1-Score和总体准确率分别为93.64%、93.74%、93.77%和93.64%。改进后的YOLOv3模型在病斑检测方面也表现出色,平均检测精度mAP达到89.79%,检测率DR达到94.94%,检测速度FPS达到64.9,综合性能明显优于传统的YOLOv3算法,为水稻病害的准确快速识别提供了新途径,对水稻病害的监测和防治具有重要意义。

关键词： 目标检测   多视图融合   激光雷达   D-S证据理论   注意力机制  

摘要： 在自动驾驶领域，汽车周围的环境信息能够通过3D点云很好地呈现出来，而激光雷达则是获取3D点云数据的关键来源。然而，但对于现有的3D目标检测任务而言，直接处理点云数据会因其数据量庞大而占用大量计算资源；另外，利用点云数据生成的投影视图进行检测，又会因其视角的限制而增加漏检和错检的风险。为此，本文提出一种基于激光雷达点云投影的多视图融合目标检测方法来解决上述问题。具体来说，本方法首先，将点云投影并编码为三通道2D鸟瞰图(Bird's-Eye View,BEV)和距离视图(Range View,RV)完成数据预处理；然后，分别将编码后的BEV和RV分别输入到增加了有效通道注意力(Efficient Channel Attention,ECA)模块的Complex-YOLOv4和YOLOv5s网络中进行目标检测，得到初步检测结果；最后，基于引入证据权的Dempster-Shafer证据理论将两个视图的目标检测结果进行多视图决策融合，得到最终检测结果。实验结果表明，相较于基于单个BEV或RV视图的方法，本文所提方法的平均精度均值(mean Average Precision,m AP)分别提升了4.07%和4.18%，显著提升了目标检测性能。

关键词： 玉米气吸式排种器   性能检测   机器视觉   YOLOv8   图像处理  

摘要： 玉米育种试验过程中，排种器的性能直接关系到播种试验的作业质量。为此，针对气吸式玉米排种器，设计了一种基于机器视觉的排种器性能检测系统。系统可以检测的排种模式有单粒播、双粒播和单双粒播，并且还能够检测在对应模式下玉米种子的漏播数和重播数等关键数据。软件系统以YOLOv8目标检测模型为基础进行改进，通过增加漏播重播计数的逻辑算法，实现对图像的分析处理，并进行排种的重播、漏播计数。通过不同条件下的试验分析，系统的检测精度与实际人工统计对比，系统播量计数总体平均准确率为99.68%,漏播检测平均准确率在99%以上，重播检测平均准确率在98%以上。试验结果表明，系统能够完成玉米排种器性能的鉴定与评估。

关键词： 深度学习   小目标检测   注意力U型网络   中心差分卷积   对比学习  

摘要： 红外小目标检测(IRSTD)是目标检测领域中的研究热点和难点，受其像素小、对比度低和无纹理的特性，难以从小目标有限和扭曲的信息中学习正确的特征表示，因此IRSTD方法依然面临挑战。针对以上问题，提出多注意力对比学习的IRSTD方法。首先，采用U型网络(U-Net)为基本框架，在编码阶段提出一种融合频域注意力和空间注意力的上下文混合块(CMB)，产生初级注意力特征图；其次，在解码阶段设计了多核中心差分卷积(MKCDC)，用于提取小目标在不同尺度下都稳定表征的核心信息；最后，联合二元交叉熵损失和对比损失函数训练小目标检测网络，提高小目标特征表示能力，得到富于判别的小目标检测模型。所提方法在IRSTD-1k、NUAA-SIRST两个数据集上的检测率(Pd)分别达到96.63%和100.00%，与密集嵌套的注意力网络（DNANet）相比，分别提高了4.71%和1.90%。实验结果表明，所提方法有效提高了红外小目标检测性能。

关键词： 自动驾驶   目标检测   自适应骨干网络   特征金字塔   特征融合  

摘要： 针对自动驾驶汽车在多种复杂路况下采集的全天候场景数据集所带来得特征差异，以及传统单一骨干网络和检测方法无法同时兼顾大小目标检测效果问题，提出了一种融合自适应骨干网络（Adaptive dynamic backbone network，ADBN）和YOLO检测器的目标检测算法。该算法首先通过应用网格搜索法，确定适用于自适应全天候多场景的骨干网络的基础模块和超参数数值，从而构建出具备自适应能力的骨干网络结构。然后，在这一自适应骨干网络基础上引入金字塔结构，以有效提取多层次图像特征，并融合更丰富的高级语义信息，进一步增强网络的目标检测能力和鲁棒性。最后，提出改进的YOLO检测器，在多个特征图上进行图像识别，实现在复杂路况下多尺度目标的精准检测。实验结果表明，所提算法在KITTI数据集上有良好的性能，检测损失率仅为0.16比特，且检测速度达到了每秒17帧，突显了在实际场景中的准确性和高效性。

关键词： 图像处理   图像去雾   扩散模型   移位窗口   注意力机制  

摘要： 针对传统去雾网络存在的去雾后图像细节损失、去雾效果不理想等问题，本文提出一种基于扩散模型与移位窗口策略下的图像去雾方法。首先，使用压缩编码器将有雾图像和对应的无雾图像进行联合特征提取，再使用扩散模型（Diffusion Models， DMs）对特征进行优化。接着将优化后的特征与原始有雾图像一同作为输入，送入一个以U-Net(U-Network)结构为基础结构的去雾网络中，该网络将特征图通过移位窗口分区后，在每一个分区内使用通道注意力和空间注意力并行处理特征图像，能够更精确地捕捉图像中的信息相关性以及增强对重要特征的关注，经典的编码器-解码器结构能够有效地恢复图像的细节和边缘信息。实验结果表明，本文所提出的方法在多个公开数据集上PSNR提升0.47～2.62db。

关键词： 无人机航拍图像   小目标检测   空洞卷积   注意力机制   金字塔网络   多尺度特征融合  

摘要： 无人机航拍图像具有尺度差异大、背景干扰和目标模糊等特点,给小目标检测带来了诸多挑战.针对这些问题,提出了一种高效的无人机航拍小目标检测算法.首先利用空洞卷积增大感受野、保持细节分辨率的特点,设计了并行空洞卷积模块.其次设计了注意力上下采样分支模块,利用闸门机制对提取到的特征进行选择,强化特征表达.最后结合小目标检测头,设计了并行空洞卷积注意力金字塔网络,对多尺度特征进行特征融合.在VisDrone2023数据集和DOTA数据集上,所提算法在小目标检测的平均准确率均值均优于其他主流算法,相较于基线方法在平均准确率均值上提升了7.3%,参数量减少了0.58M, FPS提升了11.2达到43.5,验证了本文所提算法的高效性.在复杂场景ExDark数据集上,所提算法在平均准确率均值上优于其他低光增强模型和暗检测器,相较于PE-YOLO在平均准确率均值上提升了2.4%,验证了本文所提算法的鲁棒性和实用性.

关键词： 焊接空心球   自动对中   图像处理   运动分解   自动焊接系统  

摘要： 【目的】针对焊接空心球半自动焊接系统中人工调整焊缝中心平面与焊枪对准过程存在的误差大、精度不一致等问题，本研究提出并实现了一种焊接空心球自动对中结构及控制方法，为实现焊接空心球的全自动焊接奠定了基础。【方法】在原有半自动焊接系统中增设旋转运动机构及相应驱动控制系统，实现焊缝中心平面的精确旋转控制。；通过前端监看相机图像的霍夫圆检测、掩膜法、最小二乘拟合等处理，实现焊接空心球焊缝中心提取和位置粗调；通过线激光相机图像灰度化、高斯模糊、阈值截断等处理，去除图像干扰。消除干扰后进行图像裁剪、细化和卷积，精确定位焊缝中心坐标，从而实现精确调整。【结果】测试表明，该方法能在55s内自动将焊缝中心平面与焊枪调整至同一平面。相较于人工调整，焊缝最大偏差值的准确度提高68.1%；与机器学习图像识别算法相比，焊缝平均偏差值的准确度提高12%，在树莓派等边缘计算设备上调节时间领先275%。该方法显著提高了焊接空心球的生产效率，展现出明显的优势。