关键词： 目标检测   红外弱小目标   信息补偿   全局目标响应   非对称交叉融合  

摘要： 针对红外弱小目标容易在网络迭代过程中损失纹理细节信息,从而导致目标定位和轮廓分割的准确性下降的问题,提出一种基于信息补偿的红外弱小目标检测方法。首先,利用图像特征提取(IFE)模块编码红外源图像的浅层细节及深层语义特征;其次,构建多级信息补偿(MIC)模块通过聚合相邻级别的特征对编码阶段下采样后的特征进行信息补偿;随后,引入全局目标响应(GTR)模块联合特征图的全局上下文信息对卷积局部性的限制进行补偿;最后,构建非对称交叉融合(ACF)模块对浅层和深层特征进行融合,以实现目标解码时纹理信息与位置信息的保留,进而完成对红外弱小目标的检测。在公开的NUAA-SIRST(Nanjing University of Aeronautics and Astronautics-Singleframe InfraRed Small Target)和NUDT-SIRST(National University of Defense Technology-Single-frame InfraRed Small Target)混合数据集上训练和测试的实验结果表明,与UIUNet(U-Net in U-Net Network)、LSPM(Local Similarity Pyramid Modules)和DNANet(Dense Nested Attention Network)等方法相比,所提方法在交并比(IoU)上分别提高了9.2、8.9和5.5个百分点,在F1分数(F1-Score)上分别提高了6.0、5.4和3.1个百分点。以上表明所提方法对红外复杂背景图像中的弱小目标可以实现准确检测和有效分割。

关键词： 深度学习   OpenCV   图像处理软件  

摘要： 本文设计并实现了一款基于深度学习的OpenCV图像处理软件。软件系统采用模块化设计,集成了卷积神经网络(CNN)和生成对抗网络(GAN),用于实现图像分类、图像增强和边缘检测等功能。在CIFAR-10、DIV2K和BSDS500数据集上验证软件系统性能,结果表明该软件在图像处理任务中具有较高的精度和效率,能够满足多种复杂图像处理需求。

关键词： 输电线路鸟窝检测   视觉显著性检测   计算机视觉   多特征融合   条件随机场  

摘要： 鸟类在输电线路杆塔上筑巢会对电网的稳定运行造成极大的威胁。针对无人机航拍图像中鸟窝检测问题,提出一种基于视觉显著性的输电线路杆塔鸟窝检测算法,该算法通过灰度值分析定位出线路杆塔所在的区域并将其作为感兴趣区域,提取图像的三种显著性特征,并采用条件随机场模型进行特征融合得到显著图;根据鸟窝的形状特征制定约束条件,排除电力线和云层等伪目标的干扰,得到鸟窝检测结果。实验结果表明,所提出的方法能够准确地检测出输电线路杆塔上的鸟窝。

关键词： 人工智能   计算机视觉   视觉算法   铁路安全   异物入侵监测   深度学习   铁路线路  

摘要： 铁路线路异物入侵是威胁列车运行安全的严重问题之一,现有的智能识别系统在解决数据稀缺和异物种类多样性等问题时面临巨大挑战。针对上述问题,提出一种基于人工智能大模型的铁路线路异物入侵智能识别方法,基于预训练大模型的特征提取能力和泛化性能,通过对大模型结构深度和宽度的扩展,结合迁移学习策略,微调使其适应铁路线路异物识别任务。实验结果表明,基于人工智能大模型的异物入侵检测算法,能够显著减少对标注数据的依赖。在面对训练数据有限和未知异物类别多样的问题时,能实现较高的检测准确率和实时性能,显示出其在复杂环境中处理未知多变异物入侵的强大能力。

关键词： Faster R-CNN   光伏并网变电站   故障检测   图像处理   目标检测  

摘要： 提出了一种基于Faster R-CNN的图像处理方法,用于光伏并网变电站的运行故障检测。该方法首先对变电站的实时图像进行预处理,然后利用Faster R-CNN模型进行特征提取和区域建议,在标注的故障数据集上训练模型,实现了对光伏组件、连接线和设备故障的高效检测。实验结果表明,该方法能够准确地检测出多种类型的故障,显著提高了变电站运行的安全性和可靠性。

关键词： 城市作战   目标检测   YOLOv7   PCAC-YOLO   无人机视角  

摘要： 无人机在城市作战的复杂环境中,目标对象不仅种类繁多且密集分布,极易遭遇相互遮挡的情况;此外,由于无人机视角下的目标尺寸显著缩小,因此,检测过程中会出现漏检和误检的问题出现。针对以上问题提出了一种无人机目标检测算法PCAC-YOLO。为了增强遮挡目标边缘信息的表征能力,通过裁剪CBS层和添加基于相似度的激活模块(Similarity-Aware Activation Module,SimAM)注意力机制,设计了新的空间池化连接自注意力机制(Spatial Pooling Connect Self-Attention Mechanisms,SPCSM)模块。同时引入卷积特征提取模块Conv2Former,提高了模型对小目标特征的关注能力。实验结果表明,在AU-AIR数据集中,相较于原始的YOLOv7算法,Precision值增加至52.8%,提升了14.1%;mAP@0.5值增加至41.4%,提升了6.1%;mAP@0.5:0.95|small值为16.2%,提升了1.7%。该目标算法有效提升了在城市作战环境无人机视角下的目标检测准确率,证明了设计算法的有效性。

关键词： 图像处理   特征参数   支持向量机   谱系聚类法  

摘要： 利用图像处理的方法对220类树叶,共计16846张树叶图像进行研究。对预处理的树叶图像从形状、叶裂和颜色3个方面进行研究并分别建立模型,计算给定一片树叶属于某一类的概率。根据提取的特征参数,利用支持向量机(SVM)进行学习,并对测试集进行分类。利用描述叶子的各种特征参数,以类间距离度量220类树叶之间的相似度,再利用无监督谱系聚类法绘制谱系图。实验中,将数据以不同比例划分为训练集和测试集,得到不同的正确率,其中,当训练集为80%,测试集为20%时,模型的正确率是最高的。

关键词： 低照度图像   目标检测   增强网络   频域处理   幅度差异损失   回归损失  

摘要： 针对低照度图像目标检测的挑战,提出一种端到端检测方法FDLIE-YOLO。首先,设计频域处理模块FDPB(Frequency Domain Processing Block),采用傅里叶变换提取全局信息,从而获取估计幅度分量,利用其与亮度的正相关关系,提升低光照图像质量,进而构建频域低照度图像增强网络FDLIENet(Frequency Domain Low-light Image Enhancement Network)。然后,使用YOLOv8n进行目标检测,通过联合损失实现图像增强与目标检测的端到端训练。该损失引入马氏距离的幅度差异损失,以精准调整图像幅度,并用MPDIoU(Minimum Point Distance based IoU)损失取代YOLOv8n原有的回归损失,提高检测准确性。实验结果显示,FDLIENet在低照度环境下的图像增强表现显著,在LOLReal和ExDark数据集上的PSNR、SSIM和NIQE指标分别达到23.18 dB、0.858和3.98;FDLIEYOLO在ExDark数据集,平均精度均值mAP为80.6%,较当前主流端到端检测方法提高了1.1%~1.6%,且实时性好。

关键词： 目标检测   联合优化   YOLOv8   复杂天气   图像去噪  

摘要： 针对自动驾驶车辆视觉感知系统在雾天、雨天等复杂天气下因环境噪声导致目标检测效果不佳的问题,提出基于自适应图像去噪与多重关注的联合优化目标检测算法(DMC-YOLO)。构建一个图像去噪网络,融合暗通道先验算法和ACE图像增强技术模块,提升复杂天气下的图像质量;进一步地,将该网络与YOLOv8主干网络相连,并在YOLOv8网络中运用SCDonw卷积代替标准卷积,集成点卷积与深度卷积,降低网络计算成本,同时获得更丰富的下采样信息;采用SEAM注意力模块,整合网络局部信息和全局信息;引入SA检测头,广泛关注上下文特征以保留更多细节信息;在损失函数中引入线性区间映射重构IoU,以提升网络对于不同复杂环境的适应性。实验结果表明,相较于基线模型,改进算法在参数量降低15%的情况下,平均精度提升2.9%,有效增强了自动驾驶车辆在复杂环境下对目标的识别能力,在EC-R3588SPC和Nvidia Jetson NX边缘设备上部署效果良好,可以满足复杂天气下的实时检测需求。

关键词： 室外直升机桨叶   旋转目标检测   多特征   多头自注意力机制(MHSA)   损失函数  

摘要： 目的桨叶运动参数是直升机设计到生产的重要指标,传统的视觉测量方法直接应用于室外环境下,由于受复杂光照背景影响,存在找不到桨叶区域、不能进行准确测量的问题。据此,本文提出一种融合多特征与自注意力的旋转目标检测器(fusion multi-feature and self-attention rotating detector,FMSA-RD)。方法首先,针对YOLOv5s(you only look once)特征提取能力不足和冗余问题,在主干网络中设计了更为有效的多特征提取和融合模块,结合不同时刻位置与尺度下的特征信息以提高网络对室外桨叶的检测精度;并去掉部分无关卷积层以简化模块结构参数。其次,融合多头自注意力机制与CSP(crossstage partial convolution)瓶颈结构,整合全局信息以抑制室外复杂光照背景干扰。最后,引入倾斜交并比(skew intersection over union,SKEWIOU)损失和角度损失,改进损失函数,进一步提升桨叶检测精度。结果本文进行了多组对比实验,分别在自制的室外直升机桨叶数据集和公共数据集DOTA-v1.0(dataset for object detection in aerial images)上进行验证,对比基线YOLOv5s目标检测网络,本文模型平均精度均值(mean average precision,mAP)分别提高6.6%和12.8%,帧速率(frames per second,FPS)分别提高21.8%和47.7%。结论本文设计的旋转目标检测模型,提升了室外复杂光照背景下桨叶的检测精度和速度。