关键词： 施工道路提取   特征增强   语义分割   Transformer   图像处理  

摘要： 针对施工道路影像中因背景信息复杂导致道路提取错分、漏分及边缘粗糙的问题，提出了一种融合多元特征的E-TransUNet模型施工道路要素提取方法。E-TransUNet模型通过设计多元特征增强模块对图像特征信息进行增强；在模型下采样中融入空洞空间金字塔池化(atrous spatial pyramid pooling, ASPP)模块，增强网络对道路影像多尺度特征的提取能力；跳跃连接部分加入卷积注意力(convolutional block attention module, CBAM)模块，从不同维度上捕获道路特征之间的相关性；最后组合采用Dice loss和CE loss作为损失函数解决样本数量不均衡问题。结果表明，该方法对施工道路要素的提取在OA、MIoU和MPA指标分别达到了93.30%、80.37%和91.19%,相比其他网络U-Net、DeeplabV3+、Swin-Unet、HRNet和SegFormer提取效果更好，为施工道路提供了准确的要素提取方法。

关键词： 北极   北极气旋识别   ERA5   深度学习   YOLOv5s模型  

摘要： 北极气旋是影响北极环境的主要天气系统之一,对其准确识别对北极航海保障具有至关重要的意义。本文基于欧洲中期天气预报中心推出的第五代大气再分析产品（ERA5）平均海平面气压数据,构建北极气旋目标检测的数据集,训练北极气旋识别的深度学习目标检测You Only Look Once version5（YOLOv5s）模型,并与其他深度学习目标检测模型Single Shot Multibox Detector（SSD）、Faster R-CNN、YOLOv4进行性能的验证与比较。试验结果表明,YOLOv5s的检测精确率、平均准确率和刷新频率分别为95.26%、98.09%和64.85 s-1,刷新频率较其余4种模型中效果最好的SSD模型提高了15.65 s-1。YOLOv5s模型检测速度快、精度高且具有更好的识别能力,能够有效识别北极气旋目标,对北极气旋的识别具有较好的应用前景。因此,本文选取2021年冬季、夏季的北极气旋进行个例分析。结果显示,冬季3月8日12时产生的北极气旋生命周期为48 h,平均强度为54.62,夏季9月21日6时的气旋生命周期为84 h,平均强度为42.82,符合北极气旋生命周期夏长冬短,气旋强度冬强夏弱的特点。YOLOv5s模型为北极气旋的检测识别提供了新方法和新思路。

关键词： 垃圾分类   深度学习   Jetson Nano   目标检测   图像处理   机械臂  

摘要： 为应对日益严峻的环境挑战及促进资源高效利用，研究设计并实现了基于深度学习和物联网技术的智能化垃圾分类系统。该系统以Jetson Nano作为核心处理单元，通过机械臂和摄像头实现垃圾的自动分类。首先，利用OpenCV控制摄像头采集垃圾图像并处理；其次，采用深度学习模型进行训练；然后，调用训练好的模型对图像进行目标检测和分类；最后，根据分类结果控制机械臂投放垃圾到对应回收箱。测试数据和结果表明，该系统能够对不同种类的垃圾进行快速准确地分类，有效减轻人工分拣的压力，避免资源浪费，具有良好的应用前景。

关键词： 光伏玻璃   缺陷检测   YOLOv5s   目标检测   注意力机制  

摘要： 针对现有的缺陷检测算法计算量大、参数量多、检测速度慢、检测精度低等问题，文中提出了一种基于YOLOv5的高精度光伏玻璃边部缺陷实时检测算法。首先使用新设计的一种基于廉价操作和特征复用的稠密连接模块(New＿DBlock(C))替代YOLOv5特征提取网络的C3模块，减少整个算法的计算量和参数量；其次使用融合了通道注意力机制SE(Squeeze-and-Excitation)的C2f＿SE模块替换YOLOv5特征融合网络的C3模块，实现检测速度以及检测精度的提升；最后使用改进的YOLOv8解耦检测头取代YOLOv5的耦合检测头，提升算法的定位精度和分类精度。实验结果表明，改进后的算法mAP@0.5提升了1.0%,mAP@0.5:0.95提升了3.1%,计算量下降了48.1%,参数量下降了56.7%,检测速度提升了18.5%;与其他主流的YOLO和R-CNN系列算法相比，改进后的算法同样具有较高的检测精度、检测速度以及较低的计算量和参数量，适合光伏玻璃边部缺陷的实时检测。

关键词： 深度学习   目标检测   医学影像   注意力机制  

摘要： 肝癌是一种恶性肿瘤，对其进行早期筛查和准确检测是提高治疗效果、延长患者生存期的关键。针对使用单期相计算机断层扫描(computed tomography, CT)图像难以准确检测复杂多变的肝癌的问题，本文提出一种基于FCOS(fully convolutional one-stage object detection)的双期相CT肝癌检测方法。首先构建了双期相肝脏CT四元组网络，并利用其匹配双期相肝脏CT切片，确保不同期相之间肝脏位置的一致性，为后续肝癌检测奠定基础。其次改造了FCOS网络以接收双期相CT图像的输入，设计并插入AFF(attention-based feature fusion)模块进行带混合注意力的特征融合，以提高肝癌检测的准确性。实验结果表明，改进算法在本文数据集上的平均精度(average precision, AP)达到了78.56%,相比于单期相FCOS网络提高了4.9%,展现出更优越的性能。

关键词： 3D目标检测   多尺度特征   自适应非极大值抑制  

摘要： 3D目标检测是自动驾驶感知系统的关键技术之一,能准确检测驾驶环境的状态从而保证行车安全。针对自动驾驶场景中行人和骑行者等小目标的3D检测精度较低的问题,提出一种基于多尺度特征和自适应非极大值抑制的3D目标检测算法。首先,设计多尺度特征提取器,以获取大、中、小尺度的特征。其次,设计多尺度检测头以生成不同尺寸目标的候选框,从而补充小目标候选框。为了平衡多尺度候选框的数量,设计一种基于ANMS的候选框筛选算法,提高了对不同尺寸目标的检测精度。在KITTI数据集上的结果表明,改进算法在确保汽车类目标检测精度的同时,对行人和骑行者的检测精度达到62.57%和73.30%,比基线算法高2.04%和1.33%,验证了改进算法在小目标检测方面具有较好的3D检测性能。

关键词： 小波变换   频域分解   背景感知对比度   注意力引导增强  

摘要： 红外弱小目标检测技术在诸如制导、预警、机载、雷达和监控等领域都发挥着重要的作用。红外弱小目标通常具有信号强度低、目标尺寸小和受噪声影响大等特点。特别是在复杂背景下,红外弱小目标检测时存在对背景和噪声抑制不足以及虚警率高的问题。为了克服现有红外弱小目标检测方法存在的局限性,本文具体研究内容如下: (1)提出了结合新型形态学Tophat算子与小波变换的红外弱小目标检测方法。利用改进形态学滤波对红外图像的复杂背景进行初步抑制,减少背景干扰。然后对其进行小波变换获得低频和高频分量。低频分量中含有少部分目标信息和大部分的背景信息,采用局部梯度和局部强度算法强化目标点并抑制背景噪声。红外弱小目标具有各向同性的特点,目标点在三个高频子带均可显著呈现,将三个高频子带进行累加,以增强目标。通过特征融合机制整合高、低频目标信息。最后,通过自适应门限阈值分割方法提取出红外弱小目标。 (2)提出了联合频域和多尺度信息的红外弱小目标检测方法。针对在空域上红外弱小目标检测易受噪声干扰的问题,通过傅里叶变换将图像转换至频域,利用低通滤波器提取低频背景分量,结合对数幅度谱平滑与残差差分运算,以有效抑制背景冗余,并增强弱小目标的高频特征表达。构建多尺度高斯金字塔,采用多尺度集合对显著性图进行层次化处理,增强算法对不同尺寸目标的适应性。针对复杂背景下虚警率高的问题,设计了背景感知对比度计算策略,以实现目标特征的精准提取。引入了注意力引导增强机制,通过局部方差与全局方差的显著性权重动态调节图像的对比度,以抑制背景虚警。 实验仿真结果表明,与现有的检测算法相比,所提方法能够在不同复杂场景下有效抑制背景和噪声,准确检测目标,具有很好的鲁棒性。

关键词： 安防巡检系统   DiMP   计算机视觉   无人机   嵌入式系统  

摘要： 针对目前传统人工巡检效率低、存在视野盲区、成本较高等问题，设计了一种基于DiMP算法的安防巡检系统。该系统采用模块化设计，在嵌入式机载计算机上实现了无人机的自主飞行控制及跟踪功能。为提升巡检过程中对小型目标的跟踪精度与准确性，采用多尺度特征融合策略对DiMP目标跟踪算法进行改进，将不同尺度的图像金字塔特征与骨干网络特征进行融合，为骨干网络提供信息丰富的融合特征。优化后的DiMP算法在UAV123数据集上的目标跟踪成功率和精度分别提高了2.6%和3.4%，同时在VOT2018数据集上实现了38 fps的跟踪速度。最后，在室外环境验证无人机安防巡检的效果。结果表明，改进的目标跟踪算法能够在无人机上实时运行，并能够对目标进行长时间且稳定的跟踪。

关键词： 钢筋   计算机视觉   切割   监测   智能平台  

摘要： 钢筋加工是耗时且复杂的任务，传统手工操作存在易出现误差和效率低下的问题。经过原材料准备、测量和标记、切割、弯曲成型、质量检验等步骤，将原材料加工成符合设计要求的钢筋产品。在此过程中，可能出现加工数量不足、超限、切割不达标等问题，导致钢筋加工产品质量不符合要求，进而影响工程质量和安全。针对钢筋加工数量、钢筋加工超限和钢筋加工精准切割优化等要求，建立基于计算机视觉的钢筋加工智能感知方法。并以某商业综合体项目为例，探索其优势和面临的挑战，以期推动施工行业朝现代化方向发展。

关键词： 图像篡改   目标检测   YOLOv8   下文感知   多尺度特征   深度可分离卷积  

摘要： 目的 近年来，随着数字技术的发展，图像篡改已经成为一个日益严重的问题，现有的众多图像篡改和目标检测方法均存在着识别精度不足和检测效果不理想的问题。为了更有效解决这一挑战，提出一个基于改进的YOLOv8检测算法，希望能够实现更高的检测精度。方法 首先，为了捕获篡改的边缘特征，引入局部和全局注意力机制，对YOLOv8的骨干网络进行深度优化，这种优化结合了上下文感知和局部增强技术，大大增强了对边缘特征的识别力；考虑到篡改区域可能存在各种形态，进一步采用堆叠特征金字塔的网络结构，以捕获多尺度特征；最后，为了提高模型的计算效率和推理速度，在模型中结合深度可分离卷积和通道重排技术。结果 在一系列的实验中，改进的YOLOv8篡改检测算法在CASIA2.0图像篡改数据集上展现了出色的性能，与原始算法相比，其准确率高达82.3%,明显提高了检测的效果；提出的基于改进的YOLOv8篡改检测算法，经过深度的网络优化和结构调整，成功地提高了图像篡改检测的准确性和效率。结论 文中提出的方法在图像篡改检测方面表现出较高的准确性，为图像篡改检测领域带来了重要的进展，具有深远而重要的意义。