关键词： YOLOv8   遥感图像   渐近特征融合   多尺度残差网络   金字塔池化   小目标检测层  

摘要： 针对遥感图像目标尺度多样、小目标密集、背景环境复杂导致检测时出现的漏检及误检等问题,提出一种基于YOLOv8n改进的多尺度渐近特征融合的遥感目标检测算法。首先,构建结合多尺度残差网络的Res2C2f模块,更有效地捕捉不同尺度的特征;其次,设计跨级连接金字塔池化模块来改善原金字塔池化模块特征提取能力不足的问题;然后,重构多尺度的渐近特征融合网络来实现多尺度信息的交换,充分利用不同层级的特征来增强特征融合效果;最后,增加160×160尺寸的小目标检测层,提升模型在密集场景下对小目标的检测效果。在DOTA数据集中,相比基线模型,改进算法的精确率、召回率、平均精度均值分别提升了4.8、4.0和3.7个百分点。

关键词： 点扩散函数   PSF   图像复原   运动视频   模糊车牌   图像处理  

摘要： 车辆是刑事案件中常使用的工具,车牌识别是涉案车辆认定的重要依据之一,因此对运动模糊造成的车牌图像退化的复原是刑事技术工作的重要研究方向。文中提出一种基于频率域点扩散函数参数估计的车牌图像复原算法,运用二维离散傅里叶变换、Radon变换以及Wiener滤波算法解决监控视频视角下运动模糊车牌的复原问题。通过预处理对运动模糊图像进行灰度化和降噪,并对图像添加Hanning窗,进行二维离散傅里叶变换和对数运算,计算图像的功率频谱图,运用Radon变换对频谱图进行检测,估算模糊方向;对频谱图进行最小值计算,求模糊长度,完成对点扩散函数两个参数的估算。通过Wiener滤波算法进行图像反卷积,实现图像复原。针对传统频谱图估算模糊参数易受中央亮线干扰的问题,在离散傅里叶变换之前添加窗函数进行优化。使用道路监控拍摄的模糊图像,进行点扩散函数参数估计实验,同时与目前未加窗的方法进行对比,验证所提算法的复原效果。实验结果证明,所提算法在复原车牌图像语义信息方面具有优势,能为刑事图像技术领域模糊车牌复原提供方法补充。

关键词： 目标检测   YOLOv5   卷积网络   注意力机制   CIoU损失函数  

摘要： 针对作业人员违规穿戴手套情况检测问题,首先,采用高精度YOLOv5作为目标检测框架,并对其骨干网络进行了修改以提高其小目标识别能力;然后,在其强大的小目标识别能力的基础上增加了注意力机制(视觉Transformer)模块以提高整体识别精度,同时替换了原始的损失函数以进一步提高识别速度和准确率;最后,在采集的作业人员施工数据集上进行训练验证。实验结果表明,与原网络相比所提出的优化YOLOv5结构在验证数据集上的准确率显著提高,平均识别准确率能达到95%。

关键词： 处理   计算机   图形图像   应用  

摘要： 从学科分类角度来分析,计算机图形学与计算机图形图像处理分别属于不同方向的研究学科,无论是从概念上还是从所涉及的理论、知识领域来比较,两者有着截然不同的特点及研究方向。在信息技术突飞猛进发展的时代,计算机图形学与图形图像处理技术在应用领域的界限越来越模糊,两者相互补充、相辅相成的趋势愈发明显。该文以计算机图形学以及图形图像处理技术为基础,对二者的概念以及联系与区别进行了具体的分析,并且对这两门学科技术在实际生活中的应用进行了多个维度的研究。

关键词： 图像扩增   肺结节检测   医学图像处理   生成对抗网络   目标检测  

摘要： 随着计算机视觉和医学影像处理技术的发展,肺结节图像的分析和处理变得越来越重要。然而,由于肺结节图像的样本和质量有限,如何增加图像样本并保持其真实性成为一个关键问题。为增加肺结节图像样本数量并保持其真实性,研究提出了一种基于生成对抗网络的肺结节图像扩增方法,并使用均方误差(MSE)、结构相似度(SSIM)和峰值信噪比(PSNR)3个参数作为指标,对3种不同的生成对抗网络结构的应用效果进行对比,发现StyleGAN模型最佳。为验证所提出方法的有效性,设计了一个基于YOLO-V5的优化模型结构。实验结果表明,经过扩增的图像在肺结节检测任务中的精度从78.2%提高到了86.3%。

关键词： 深度学习   变电站   仪表   YOLOv5  

摘要： 在建设智能化变电站中,高效准确的测量仪表是必不可少的一环。在变电站内,由于工作环境的复杂性,使得移动侧设备难以实现对多类小目标的快速准确检测。针对仪表对象高度相似性的问题,本文研究提出了一种利用轻型SS-YOLOv5型网络进行功率仪表探测的新方法。该方法基于YOLOv5,利用轻量化的ShuffleNetV2对其进行结构优化,并运用可分割的深层卷积来抽取仪表的数据减少在融合过程中的运算复杂性,从而加快识别的速度。采用移动窗模型与Swin Transformer相结合的方法,使整体与局部的信息相互融合,提高了图像的特征抽取性能。在此基础上,通过自行搭建的变电站仪表影像库,对模型进行测试与验证。试验证明,该方法在检测压力计、电流表、电压表等仪表图象时,其所需的模型参量可降低92.1%,而对物体探测的速率提高44.1%,从而形成1套实用方法,促进我国电力系统的信息化和智能化建设。

关键词： 视觉识别   样本统计   实时识别   聚类算法   回归算法   深度学习   损失函数   自主导航  

摘要： 针对传统的目标检测算法实时性低的问题,本文基于深度学习YOLOv5s算法进行路标实时识别的应用研究,实现了视觉导航小车在沙盘上的自主导航。首先,对先验锚盒回归算法进行了优化,通过在回归算法中增加聚类算法的随机校正处理,减小聚类结果与样本统计结果之间的偏差。其次,优化损失函数,自适应地平衡前景和背景的损失,避免前景损失被淹没在背景损失中。最后,结果表明YOLOv5s算法视觉识别程序对路标的平均识别率达到了94.5%,能够提升视觉导航小车自主导航的精确度。

关键词： 船舶通航   目标检测   注意力机制   空洞卷积  

摘要： 为提升船舶在通航场景下对海上目标的识别效果,保障其航行安全性,针对传统目标检测算法存在的漏检和误检问题,提出一种改进的海上目标检测算法。基于主流的目标检测算法YOLOv5,通过引入有效挤压激励(EffectiveSE)注意力机制、多尺度上下文增强模块和多梯度路径卷积结构等3种手段对该算法进行改进。采用通航船舶采集的海上目标图像数据集进行消融试验,结果表明,3种改进手段均能有效提高模型的识别精确率和召回率,明显改善原算法存在的漏检和误检问题。对该改进算法与其他常用的海上目标检测算法进行对比试验,结果显示,改进后的算法对海上目标的平均识别准确率可提升至89.6%,单帧图片检测时间为8.6ms,相比其他算法检测效果明显提升。改进算法提高微小目标识别精度,实现对通航环境下海上目标的实时高精度检测,满足实时目标检测需求。

关键词： 深度学习   图像处理   改进的YOLOv5s   交通标志   小目标检测  

摘要： 针对复杂道路交通场景中交通标志检测识别精度低的问题,提出了一种改进YOLOv5s算法的目标检测识别方法。采用迭代自组织数据分析算法对TT100K数据集进行聚类分析选择更适合的先验框,新先验框能够更加全面地覆盖交通标志的尺寸,提高模型的检测精度;对特征图进行上采样操作,获得更大尺度的特征图后与主干网络特征图融合,得到特征信息更加丰富的新特征图用来小目标的检测识别,提高了小目标检测识别的精度;用真实框和先验框宽比和高比的差值替代真实框和先验框宽高比的差值对定位损失函数进行改进,解决了宽高比相同但实际尺寸不同时惩罚消失问题。实验结果表明改进算法与YOLOv5s算法相比,提高了9.55%的平均精度均值,对小目标的检测识别具有更好的效果。

关键词： 深度学习   目标检测   YOLOv5   道路场景   自动驾驶  

摘要： 自动驾驶中的目标检测作为现今计算机视觉的基础任务之一,近年来受到了人们的广泛关注,而道路场景的目标检测与识别又是自动驾驶中最核心的模块之一.YOLOv5(YOLO-YouOnly Look Once)目标检测算法常用于对车辆行驶过程中的道路场景目标进行检测和识别,该算法通常可以获得优异的检测速度,但在检测精度上却差强人意.基于YOLOv5模型进行改进,针对损失函数CIoU可能会导致梯度爆炸的问题,将损失函数由CIoU改为EIoU,使得检测准确性有所提高;运用多尺度特征融合的方法加入超小检测头模块,将原始网络模型从3检测头变为4检测头,并通过K-means聚类方法,选取了三个最适合数据集的候选框大小,解决了原始模型对微小目标检测不准确的问题.在VisDrone2019数据集上进行训练,最终模型网络的mAP-50可以达到42.8%,相比于原始模型提升了7.6%,实验结果表明提出的方法相较于YOLOv5原始模型更适用于道路场景的目标检测与识别任务.