关键词： 探地雷达   目标检测   深度学习   YOLO   注意力机制  

摘要： 针对传统探地雷达管线目标检测方法存在的无法精确定位管线、解译过程耗时长效率低下、复杂背景噪声干扰等问题,本文设计一种基于YOLOv8的探地雷达图像管线目标检测方法,对原YOLOv8网络进行改进。首先,在主干网络中引入PConv算子,使网络结构更加轻量化,加快模型处理速度,减少冗余计算和内存访问。其次,引入Triplet Attention模块以增强模型在不同维度间的特征提取能力,提高复杂背景下的目标检测精度。最后,将边界框损失函数替换为WiseIoU,提升边界框的回归性能和鲁棒性。以探地雷达管线数据集为例进行实验,结果表明,本文提出的改进模型在检测精度与计算开销上取得了更好的效果。

关键词： 藏式古建筑壁画墙   裂缝   阈值分割算法   神经网络模型   特征参数  

摘要： 对单一背景下裂缝的定期检测研究已取得一定成果,但对复杂背景下裂缝预防性长期生长变形监测的研究尚处于起步阶段。该文综合古建筑壁画墙变形微量和不宜扰动的特点,基于计算机视觉研究了传统图像分割处理技术和裂缝图像智能语义分割神经网络模型,建立了一套非接触式、预防性生长变形监测系统。为降低壁画墙裂缝特有的彩绘壁画、环境光照及噪声等干扰,有效地将裂缝从复杂背景中分离出来,在传统阈值分割算法系统中,通过SIFT特征匹配和单应性矩阵的求解,解决图像视角差异问题,通过对比不同滤波算法,选择更适用于壁画墙裂缝分割的双边滤波算法与阈值分割相结合的监测算法;在智能语义分割系统中,采用多层卷积、采样和拼接等操作,去除多余特征,重构裂缝高级语义特征图,选择多步优化策略改进原U-Net模型网络架构,提升模型测试平均准确率至0.9899。监测12天典型藏式古建筑石砌体壁画墙裂缝,提取裂缝轮廓及裂缝骨架线等相关特征参数作为关键指标定量描述裂缝生长变化信息,发现:传统阈值分割算法二维特征指标(如裂缝面积、密度、宽度)的变异系数COV值处于4.50%~6.52%,改进的U-Net模型将传统方案中数据波动最大的裂缝面积COV由6.52%降至3.53%,提高了监测系统对壁画色彩、光照和阴影干扰的鲁棒性;系统中两类算法分别处理了不同视角下的同一裂缝的12张图像,输出的数据具备均匀一致性,COV不超过7%,证明了该监测系统为壁画墙裂缝的生长变形提供实时无损监测的技术可行性。

关键词： 恶意软件识别   图像处理   残差U-Net网络   注意力机制  

摘要： 在计算机安全领域,恶意软件识别一直是一个具有挑战性的任务,当前基于深度学习的恶意软件检测技术存在泛化能力不足、性能损耗高等诸多问题.为解决上述问题,提出一种基于位图表征与U-Att分类网络恶意软件识别新技术.U-Att分类网络在残差U-Net网络的基础上,结合了注意力分类器,自适应地聚焦于恶意样本的重要区域,从而提高分类性能.实验中使用多个公开数据集进行了验证,并与其他方法进行了比较分析.实验结果表明,该网络在恶意软件识别任务中取得了优越的性能且拥有更少的参数量.

关键词： 数字图像处理   嵌入式系统   能力培养目标   教学改革与实践   兴趣驱动   课程设计   体系层次   复杂系统工程  

摘要： 随着数字图像处理技术发展,数字图像处理课程的教学改革与实践也不断推进。将基于嵌入式系统的微缩车平台引入数字图像处理实验成为支撑学生实践创新能力培养的手段之一。微缩车平台也在不断发展,各种传感器、上位机的组合层出不穷,一方面极大地拓展了数字图像处理实验的内容;另一方面,该平台也对数字图像处理实验课课程设计提出了更高的要求,如何循序渐进地使学生了解、掌握并熟练运用数字图像处理的理论和方法,使他们在兴趣驱动的探索中达成能力培养目标成为实验设计的重点。本文设计了一套成体系层次、有针对性的图像处理实验方案,激发学生的学习兴趣,培养学生解决复杂系统工程问题的能力,推动数字图像处理课程教学改革。

关键词： 显著目标检测   卷积神经网络形式的自适应注意力   掩码注意力   特征增强  

摘要： 显著目标检测(SOD)旨在模仿人类视觉系统注意力机制和认知机制来自动提取场景中的显著物体。虽然现有基于卷积神经网络(CNN)或Transformer的模型不断刷新该领域方法的性能,但较少研究关注以下两个问题:(1)此领域多数方法常采用逐像素点的密集预测方式以获取像素显著值,然而该方式不符合基于人类视觉系统的场景解析机制,即人眼通常对语义区域进行整体分析而非关注像素级信息;(2)增强上下文信息关联在SOD任务中受到广泛关注,但通过Transformer主干结构获取长程关联特征不一定具有优势。SOD应更关注目标在适当区域内其中心-邻域差异性而非全局长程依赖。针对上述问题,该文提出一种新的显著目标检测模型,将CNN形式的自适应注意力和掩码注意力集成到网络中,以提高显著目标检测的性能。该算法设计了基于掩码感知的解码模块,通过将交叉注意力限制在预测的掩码区域来感知图像特征,有助于网络更好地聚焦于显著目标的整体区域。同时,该文设计了基于卷积注意力的上下文特征增强模块,与Transformer逐层建立长程关系不同,该模块仅捕获最高层特征中的适当上下文关联,避免引入无关的全局信息。该文在4个广泛使用的数据集上进行了实验评估,结果表明,该文提出的方法在不同场景下均取得了显著的性能提升,具有良好的泛化能力和稳定性。

关键词： 计算机视觉   图像   增强   模糊   细节   动画  

摘要： 传统的模糊增强方法在实际应用中存在处理后动画图像的清晰度不佳问题,为此,引入计算机视觉技术,进行动画图像细节模糊增强方法优化。首先,获取动画图像细节特征,构建动画图像数学模型;其次,利用先验图谱知识代替动画图像中的暗原色,实现动画图像细节颜色衰减处理;然后,基于计算机视觉技术,对动画图像模糊边缘信息分割;采用导向滤波的暗通道先验方法,完成动画图像细节模糊增强处理。实验结果表明:新的方法可以有效提高动画图像的清晰度,且动画图像细节模糊增强处理的效率也得到了极大提升。

关键词： 深度学习   无损检测   神经网络   计算机视觉  

摘要： 为解决目前道路病害检测算法精度低、鲁棒性差的问题,提出了Bi-Swin Transformer结构。其主干特征提取网络采用四层Swin Transformer Block来捕获全局依赖关系,在特征融合阶段使用BiFPN融合网络实现特征在不同尺度之间的双向交流。在来自7个不同国家的道路病害数据库上进行训练,并应用数据增强方式。结果表明,Bi-Swin Transformer有着比Transformer模型及卷积神经网络更为优秀的性能,更适用于道路病害检测,平均准确率达到了0.539。其在小目标道路病害中的检测精度仍然为最优,高于当前先进的检测模型。通过实际检测表明,Bi-Swin Transformer模型不仅具有高精度,而且具有强鲁棒性。

关键词： 机器视觉   图像处理   边缘检测   中心线   输送机   胶带跑偏  

摘要： 矿用胶带输送机工作过程中,监测结果受到周围环境的影响。文章提出了基于机器视觉的矿用胶带输送机胶带跑偏监测方法。运用机器视觉,建立监测框架,通过双目视觉成像系统采集现场图像,观察输送机胶带跑偏情况。依托于非局部均值算法对输送机胶带图像进行去噪处理,并采用引力检测算法优化后的Canny(坎尼)算子,检测图像包含的边缘信息。利用Hough(霍夫)直线变换思想获取图像边缘直线,识别输送机胶带的扭曲和偏移状态,完成胶带跑偏监测。实验结果表明,新研究方法监测结果的AUC值为0.87,可准确反映矿用胶带输送机胶带的工作状态。

关键词： 藏药材植物   深度学习   目标检测   轻量化算法   YOLOv8  

摘要： 由于藏药生长环境恶劣,人工识别藏药材植物非常困难,提出一种基于改进YOLOv8的轻量级检测算法LTP-YOLO检测户外环境中的藏药材植物。首先,利用MobileViT替换YOLOv8特征提取网络来减少算法参数量和计算量。其次,引入内容感知特征重组上采样算子CARAFE帮助算法在上采样时感知上下文信息。再次,提出多尺度融合注意力机制MFA建立局部跨通道交互提升算法检测精度。实验表明,所提算法将参数量从3.02 MB减少到1.28MB,计算量从8.2 GFLOPs减少到5.8 GFLOPs,在自建的藏药植物图像数据集上mAP@.5相较于YOLOv8更优。证明了该算法可满足移动设备的高精度、低计算部署需求,并在各种密集植物检测任务中显示出广阔的应用前景。

关键词： 显著性目标检测   水面目标检测   特征提取   多级特征融合   迁移学习  

摘要： 在目前的水面目标检测任务中,研究人员更多关注目标本身特征,并采用有相似特征的目标数据进行训练,导致算法在不同种目标检测中存在局限性。论文针对水面环境下的多种目标检测问题,结合目标显著性检测算法提出了一种基于图像显著性迁移学习的水面泛目标检测算法。该算法基于BASNet网络模型,通过模型的预测模块和修正模块对输入图像进行上下采样操作和多级特征融合等操作得到最终结果。实验结果分析表明该算法在对水面多种目标检测效果良好,且算法训练模型具有迁移学习能力。