关键词： 目标检测   红外小目标   稀疏低秩分解   红外图像块  

摘要： 红外图像块小目标检测算法在数据链、预警、制导等领域有较为广泛的应用,如利用数据链可以将红外图像块小目标精确传送给雷达。为了在复杂背景条件下进一步提高红外小目标检测的效果,提出了一种重加权和局部先验融合的红外图像块(IPI)小目标检测算法。首先,采用加权Schatten p范数对背景图像块进行约束;其次,引入局部对比度先验信息和加权l_(1)范数抑制非目标稀疏点,进一步增强目标图像稀疏性,使算法模型性能进一步得到提升。仿真结果表明,所提算法在抑制背景杂波和精确检测目标方面均有较好的结果,优于现有经典算法。

关键词： 红外小目标检测   自注意机制   卷积   损失函数   嵌入式平台   高帧率检测  

摘要： 针对嵌入式硬件平台下红外小目标检测存在的内存与计算资源受限问题,高帧率检测需求,以及更高的目标级检测性能要求,提出了一种名为CAMNet的检测网络。该网络结合自注意力全局建模的优势与卷积轻量快速的处理特性,采用四级堆叠的编码器和解码器架构,有效降低了算法资源需求,提升了检测帧率;同时在损失函数方面提出了质心损失函数,有效提升了算法的目标级检测性能。在公开的SIRST数据集上的实验结果显示,CAMNet在常见嵌入式平台的检测帧率达107 FPS,相比于ISTDU-Net、UIU-Net等其它先进网络,目标检测率至少提高了0.76%,虚警率至少降低了87.30%,表明所提检测网络具备较快的检测速度以及较好的目标级检测性能。

关键词： 机器学习   表面粗糙度   图像处理   卷积神经网络  

摘要： 结合图像处理技术,使用铸造表面粗糙度标准样块的表面图像对融入注意力机制的残差卷积神经网络进行了训练,并以此为核心开发了检测软件,配合图像采集模块用于实体铸件的检测,实现了铸件表面粗糙度的非接触测量。实测铸件的准确率为87.5%,单次测量用时0.086 s,能够在实际生产中快速、便捷地提供测量结果。

关键词： 深度学习   图像去雨   核预测网络   计算机视觉   混合雨模式   图像过滤   注意力机制  

摘要： 针对现有的图像去雨算法通常需要设计先验知识和多阶段优化框架导致算法适应场景单一的问题,提出一种基于图像过滤统一去除雨线和雨滴的去雨核预测网络(RKPN)。有雨图像通过RKPN估计像素级去雨内核。采用空洞卷积提取多尺度特征,提出一个多分支特征聚合模块。通过数据增强构建一个雨线和雨滴混合数据集(RDRS),提升现实世界复杂场景中图像去雨算法的效果。对4个公开数据集和RDRS数据集的广泛实验结果表明,所提模型取得均高于MPRNet等主流网络的峰值信噪比和结构相似度。

关键词： 桥梁工程   计算机视觉   位移监测   针孔模型   倾斜摄影  

摘要： 桥梁的位移响应是桥梁结构健康监测和安全状态评估的重要基础条件。为了充分利用机器视觉测量结构位移的优点,并提高其适用性,可以满足拍摄设备带有姿态角的情况下的结构位移拍摄的精度,提出了一种基于相机针孔模型的结构位移监测方法。利用稀疏光流对结构特征点进行追踪,得到亚像素级的图像位移,通过相机成像的光学几何关系,建立了现实世界位移和图像位移之间的解析解,将图像位移代入代数关系,进而得到结构真实位移。在室内开展简支模型桥动载位移识别试验中,与线性可变差动变压器位移计测量结果相比,当俯仰角在30°、偏航角在35°以内时,本文方法位移监测最大误差在6%以内,满足桥梁结构位移变形监测的应用需求。

关键词： 计算机视觉   规则引擎   机器学习   深度学习   语言模型   多模态   参数量   模型参数  

摘要： 随着大模型参数规模和能力的跃升,大模型技术开始受到工业界的广泛关注,并激发了越来越多的AI研究者探索大模型在工业领域的应用。发展趋势1.国外工业大模型进展大语言模型的基础研究起源于NLP领域,经历了从规则引擎和统计学到机器学习,再到深度学习的演变,最终在Transformer架构的推动下,实现了大模型技术的重大突破。特别是2017年Transformer架构的引入,这成为了多种任务的基础模型,包括NLP、计算机视觉(CV)和多模态应用。随后,2018年BERT模型的推出,以其3亿参数量显著提升了对NLP任务的处理能力。随着大模型参数规模和能力的跃升,大模型技术开始受到工业界的广泛关注,并激发了越来越多的AI研究者探索大模型在工业领域的应用。

关键词： 自然语言处理   人工智能   计算机视觉   深度学习   文档分析   语音识别   特定行业   创新浪潮  

摘要： 当前,数字时代快速发展,人工智能技术引领科技创新浪潮,其中被视为人工智能重大突破的大模型技术,让人工智能领域迎来了发展拐点。随着深度学习的推进和硬件计算能力的提升,大模型在自然语言处理、计算机视觉、语音识别等领域表现卓越;与此同时,适用于特定行业、特定领域的专用模型(如医疗影像诊断模型、金融风控模型、法律文档分析模型等)也发挥着越来越重要的作用。

关键词： 卷积神经网络   车道线划分   感兴趣区域ROI   可变形卷积神经网络   车辆多目标检测  

摘要： 在实际场景中,车辆目标往往会被其他车辆、建筑物等对象遮挡,背景也可能非常复杂,为了保障检测精度,提出一种基于融合卷积神经网络的车辆多目标检测方法。采用激光雷达采集车辆目标图像,将采集的车辆行驶图像根据其车道线特征划分为两侧区域,将车道线以内的区域作为车辆多目标检测初始感兴趣区域(ROI),在ROI中采用车底阴影假设区域分割法获取车辆检测目标的假设区域。在原始卷积神经网络的基础上作进一步优化,设计可变形卷积神经网络(DF-R-CNN)模型,将得到的假设区域作为网络模型所需的车辆多目标检测候选区域,通过该模型实现车辆多目标的精准检测。实验结果表明,所提方法的召回率最高值达到了85%,损失函数最低值约为1.8,说明其具有较高的检测精度和检测效果。

关键词： 林火检测   鲸鱼优化算法   图像处理   特征提取   性能评估  

摘要： 构建一种基于鲸鱼优化算法(WOA)的林火检测系统,旨在提高林火检测的效率和准确性。运用TRIZ理论优化法改进鲸鱼优化算法,并形成新的基本原理,运用该原理进行系统设计总体框架、关键性技术,包括图像处理、特征提取、以及鲸鱼优化算法在林火检测中的应用。实验结果验证了所提系统的性能表现,表明运用TRIZ理论改进后的鲸鱼优化算法(WOA)形成的林火检测系统在检测速度和准确度方面均表现出较传统方法更优的性能,展现出其广阔的应用潜力。

关键词： 深度学习   玉米叶片病害   迁移学习   可解释性   图像处理  

摘要： 为加强农作物病害的识别,减少病害发生的频率与强度,提高农作物产量与品质,基于迁移学习构建5种深度学习网络,对玉米叶片锈病、大小斑病和灰斑病进行识别分类研究。通过对比AlexNet、VGG19、ResNet50、GoogLeNet和MobileNetV2深度学习网络,GoogLeNet的识别准确率最高,达到96.3%,模型收敛效果最好。通过进一步优化GoogLeNet模型架构,在inception模块中插入卷积注意力模块CBAM,使用LeakyReLU激活函数替换ReLU函数,改进后网络通道注意力增强,测试集的识别准确率达到99.0%,识别准确率提高2.7%。采用CAM和LIME算法对模型的可解释性分析,改进后网络的可解释性增强,更好地关注叶片病害部分。