关键词： 目标检测   无人机   深度学习   计算机视觉   神经网络  

摘要： 无人机在军事/民用/商业领域的广泛应用促使对其识别和分类的需求。随着人工智能的不断发展,深度学习作为一种机器学习技术,在目标检测领域展现出良好的性能,也可应用于无人机识别领域。本文首先介绍了无人机识别的背景和意义,回顾了深度学习的发展历程,并分别介绍了目标检测中两种重要的算法结构:两阶段目标检测算法和单阶段目标检测算法;然后,对目标检测常用算法以及算法中的骨干网络等进行了阐述,归纳了近年来无人机识别改进算法的改进策略,总结了改进效果及其缺点和局限性;最后,针对目前无人机识别的研究现状,提出展望和挑战,有望在建立无人机数据集,提高无人机检测的准确性、实时性等方面取得更大突破,推动无人机技术在各个领域的应用。

关键词： 工程认证   数字图像处理   课程思政  

摘要： 工程认证是以能力培养为导向、按国际标准提高应用技术人才质量的重要举措,当前工程认证教育已成为应用型本科高校人才培养的共识。随着人工智能和无人驾驶等新一代信息技术的快速发展,机器视觉显得尤为重要。《数字图像处理》课程作为机器视觉的基础,亟需在工程认证背景下对其进行改革。结合课程特点,充分挖掘利用课程思政资源并通过案例式和模块化教学激发学生学习热情,为其工程能力培养和进一步深造创造了条件。

关键词： 图像处理   目标检测   语义地图   激光雷达   区域分割  

摘要： 本文提出了一种基于激光雷达和深度相机数据的区域划分方法,通过平均距离检测、宽度判断和平滑性分析实现区域入口的高效识别;结合目标检测技术和深度信息,精确计算物体的三维空间位置,并通过物体类别统计划分功能性区域.本方法融合了几何信息与语义信息,不仅提升了区域入口检测的精度与效率,还在动态场景中实现了物体位置的判断和功能性区域划分.实验结果表明,本方法在区域入口检测、物体识别及区域划分的精度和实时性方面均优于传统方法,能够生成高效的语义分割区域地图.

关键词： 深度学习   图像分割   工笔画   提示增强   计算机视觉  

摘要： 由于缺乏带有像素级标注的公开工笔画数据集,使得图像分割技术在工笔画领域的发展严重受阻。工笔画具有物象与背景颜色纹理相似、使用晕染渐变导致物象边界模糊等特性,给图像分割带来了挑战,SAM的出现为解决这些挑战带来新的可能性。尽管SAM在自然图像领域里展现出惊人分割能力和零样本泛化能力,但在处理工笔画图像时存在对物象不敏感、前景背景混淆等问题。针对上述问题,首先建立了一个包含403幅图像的花鸟主题工笔画数据集SegTCRP,其中包含5类前景对象。随后,采用LoRA方法对SAM进行微调,使其适应工笔画图像的特点。此外,提出了一种新的SAM边界框提示增强方法BPA-SAM,通过借助U-Net在边界框提示范围内基于一定策略辅助生成额外点提示来改善SAM前景背景混淆的问题。最终,实验验证了BPA-SAM较原始SAM在边界框提示条件下的分割性能提升了7.1%,为SAM在工笔画领域的图像分割应用奠定了基础。

关键词： 开放世界目标检测   自适应特征动态融合   未知类评分优化   注意力机制  

摘要： 开放世界目标检测(open world object detection,OWOD)的主要任务是检测已知类别和识别未知目标。此外,模型在下一个训练阶段中逐步学习已知新类。针对OW-DETR(open-world detection transformer)中未知类召回率偏低、密集目标与小目标漏检等问题,提出了一种UBA-OWDT(UCSO,BiStrip and AFDF of open-world detection transformer)开放世界目标检测网络。针对未知类召回率偏低的问题,对未知类评分优化(unknown class scoring optimization,UCSO),将生成的浅层类激活图与聚合类激活图融合,获取细粒度特征信息,提高未知类的目标评分,进而提升未知类的召回率;针对小目标漏检问题,将双条状注意力(spatial attention based on strip pooling and strip convolution,BiStrip)应用于输入特征图,捕获长程依赖,保留目标精确的位置信息,增强感兴趣目标的表征,以检测小目标;针对密集目标漏检问题,采用自适应特征动态融合(adaptive feature dynamic fusion,AFDF),根据目标大小和形状,获得不同的感受野,动态分配注意力权重,关注目标的重要部分,融合不同层级的特征,以检测密集目标。在OWOD数据集的实验结果表明,未知类召回率增值范围在0.7~1.5个百分点,mAP增值范围在0.6~1.2个百分点,与现有的开放世界目标检测方法相比,在召回率偏低、密集目标与小目标漏检问题上具有一定的优势。

关键词： 目标检测   低照度图像   四头自适应多维特征融合策略   无人机   YOLOv8  

摘要： 针对昏暗场景中背景复杂导致目标边缘模糊、小目标易被遮挡和误检漏检的问题,提出一种改进的YOLOv8s算法—YOLOv8-GAIS。采用四头自适应多维特征融合(four-head adaptive multi-dimensional feature fusion,FAMFF)策略,过滤空间中的冲突信息。添加小目标检测头,解决航拍视角下目标尺度变化大问题。引入空间增强注意力机制(spatially enhanced attention mechanism,SEAM),增强网络对昏暗和遮挡部分的捕捉能力。采用更关注核心部分的InnerSIoU损失函数,提升被遮挡目标的检测性能。采集实地场景扩充VisDrone2021数据集,应用Gamma和SAHI(slicing aided hyper inference)算法进行预处理,平衡低照度场景中不同目标种类的数量,优化模型的泛化能力和检测精度。通过对比实验,改进模型相对于初始模型,参数量减少1.53 MB,mAP50提高6.9%,mAP50-95增加5.6%,模型计算量减少7.2 GFLOPs。在天津市津南区大沽南路进行实地实验,探究无人机(UAV)最适宜的图像采集高度,实验结果表明,当飞行高度设置为60 m时,该模型的检测精度mAP50最高为77.8%。

关键词： 锁孔中心定位   集装箱装卸   深度学习   显著性目标分割   EGNet   目标检测  

摘要： 针对起重机吊具定位集装箱锁孔中心难度大、效率低的问题,基于深度学习,提出了一种两步式锁孔中心定位方法:先利用YOLOv4-tiny从集装箱图像中提取锁孔矩形区域,再基于显著性目标分割网络EGNet从锁孔矩形区域中分割出锁孔,从而定位锁孔中心。为提高锁孔分割精度和实时性,对EGNet进行轻量化,并对输入图像采取缩小策略。实验结果表明,在实际集装箱装卸工况中,所提方法定位时间仅消耗42ms,定位精度高达99.5%,与传统的锁孔边缘检测方法和目标检测方法相比,具有更高应用价值。

关键词： 机器视觉   目标检测   深度学习   可编程逻辑控制器(PLC)  

摘要： 采用低成本硬件结合Python软件与可编程逻辑控制器(PLC)通信动态采集图片,使用深度学习算法来训练模型,实现装配孔的智能化检测;对装配孔下方的胶条,利用计算机视觉来检测与装配孔之间的距离,从而判断门槛胶是否粘连或堵塞装配孔。该检测系统具有算法简单、检测性能优越、硬件要求低等特点,对门槛胶状态自动检测和生产制造数字化工作有一定促进作用。

关键词： 车辆检测   YOLOv5   目标检测   深度可分离卷积   注意力机制  

摘要： 为了促进自动驾驶技术的发展,针对现有车辆检测算法对小尺寸目标的检测效果差、精度较低的现状,提出一种基于改进YOLOv5的车辆检测算法QF-YOLOv5。在YOLOv5结构上,增加一层小尺寸特征融合检测层,提高小目标的检测能力。引入注意力机制,使网络聚焦有效特征,抑制干扰特征,提高了算法检测能力,并采用深度可分离卷积来降低网络计算量。使用了Mini Batch K-Means聚类算法,加快网络收敛。利用Quality Focal loss损失函数,使网络对连续数值有监督能力。实验结果表明:该算法在检测准确性和实时性上,都有一定程度的提高。

关键词： 太阳电池   光伏阵列   目标检测   图像分割   红外图像   可见光图像  

摘要： 为保证光伏发电稳定、高效和安全运行,需及时检测光伏阵列的运行状况并发现存在的缺陷。提出融合可见光与红外图像的光伏阵列缺陷检测方法,采用CenterNet进行可见光图像光伏组件中太阳电池检测,采用U-Net对红外图像高温区域进行分割,提出区域匹配模块对可见光与红外图像进行匹配,提出关键点(PoI)聚集模块和二次分类器实现关键点处特征向量的聚集以及太阳电池缺陷分类,最后结合可见光图像异物遮挡及红外图像温度异常识别缺陷太阳电池位置及类型。选择不同网络进行测试,提出的算法在较为轻量的CenterNet和U-Net网络上太阳电池检测的AP50-95值达到84.4%,异常温度区域分割的IoU达到89.7%,且单张检测时间约为38 ms,能以较快的速度完成异常太阳电池的检测。