关键词： 交通信号灯   目标检测   SVDD   YOLOv8   EIoU  

摘要： 为提升交通信号灯的检测精度和识别准确率,文章提出基于YOLOv8的SVDD-YOLOv8目标检测方法,该方法通过整合全局注意力机制(GAM)和支持向量数据描述(SVDD)分类模块,强化特征捕捉并二次确认目标,同时引入EIoU损失函数提高定位精度。对SVDD别出的异常区域进行再训练,提升模型性能。实验显示,该方法较YOLOv8在检测精度和mAP@0.5上分别提升7.75%和8.99%,证明了该方法在提高交通信号灯检测精度和抗干扰能力上的有效性。

关键词： 目标检测   焊缝缺陷检测   特征融合   YOLOv8  

摘要： 金属表面焊缝缺陷的准确检测是确保工件安全使用的前提,由于缺陷与母材颜色相近、图像不清晰等情况,使用常规的2DRGB视觉难以完全检测出所有的缺陷类别,需要添加深度信息来辅助检测.试验提出一种基于RGB-D数据特征融合的焊缝表面缺陷检测方法,在YOLOv8网络模型的基础上,利用改进的对称主干网络结构提取RGB和深度特征的有效特征层,引入RGB-D数据特征融合模块,实现了RGB特征和深度特性在空间与通道位置的融合,在YOLOv8模型中加入CIoUNMS(complete intersection over union-non max suppression)非极大值抑制模块,提高了检验框的准确度.针对随机包含有烧穿、飞溅、焊瘤和气孔4个类别焊缝缺陷的图像进行了试验,结果表明,改进的YOLOv8比YOLOv8漏检率下降了17.84%,误检率下降了19.46%,证明了所述方法的有效性与准确性.

关键词： 计算机视觉   深度学习   群体情绪识别   特征提取   情绪模型  

摘要： 群体情绪识别在公众场合、平安城市等场景有着重要的应用。随着人工智能的发展,人们逐渐意识到使用深度学习的方法对群体情绪研究的重要贡献。对近年来国内外相关研究工作进行系统性归纳,详细阐述了群体情绪识别领域的研究现状。着重探讨了群体情绪的特征提取方法和情绪识别研究方法,并对使用相同数据集的相关研究进行了较为全面的比较和评价。在此基础上,梳理了该研究领域的难点和问题,总结了特征提取和研究方法常用的优化方向和手段,这有助于研究者更好地了解不同情绪识别任务的特点,并为未来的研究提供了可行的研究方法和发展方向。

关键词： 深度学习   复制移动篡改检测   条带化自相关计算   目标检测  

摘要： 自相关计算能够获得特征图的相似度信息,是复制移动篡改检测中的重要模块。但是传统自相关方法计算复杂度高,因此,提出条带化自相关计算,通过将特征图分块处理,有效降低了计算复杂度。此外,边缘特征在复制移动篡改检测中具有关键作用,以往的方法往往仅通过卷积神经网络或Sobel算子等通用手段不加以区分地提取所有边缘特征,未能充分考虑非篡改区域的边缘特征对检测精度产生的负面影响,通过引入篡改边缘注意力机制,利用相似度信息对边缘特征进行加权,突出篡改区域的边缘特征,提高了检测的准确性。此外,在特征融合过程中使用下采样卷积模块捕捉丰富的上下文信息,为网络提供了更多有用的信息。实验结果显示,结合条带化自相关、篡改边缘注意力机制和下采样卷积模块的网络模型在复制移动篡改检测和分类精度上表现出色,优于多个现有方法。

关键词： 遥感影像   小目标检测   深度学习   YOLOv3   注意力   特征金字塔  

摘要： 遥感影像由于成像特点和空间分辨率的制约,导致小目标特征提取难度增加,因此遥感影像小目标检测具有较大挑战。现有深度学习目标检测网络架构多基于自然图像而构建,在顾及遥感影像小目标特殊性方面的研究和探索存在不足。为此,本文提出了联合双重注意力机制和双向特征金字塔的遥感影像小目标检测算法。主要创新工作体现在:(1)针对遥感影像中待检测物体所占比例较小导致其特征信息不易提取以及网络参数量大等问题,基于YOLOv3网络模型,引入LKGNet主干网络和GIoU损失函数,提出LKGNet-YOLO网络;(2)针对网络特征提取过程中容易受噪声信息干扰以及网络多层信息融合能力不足的问题,基于YOLOv3网络模型,引入DA-LKGNet主干网络和加权双向特征金字塔结构,提出DA-LKGNet-YOLO网络。为了验证所提方法的在遥感影像小目标检测领域中的有效性,采用2014年中国科学院大学发布的UCAS-AOD v1.0(UA)数据集和2021年武汉大学发布的AI-TOD数据集进行实验。结果表明:本文方法在UA数据集上0.5阈值的均值平均精度mAP_(0.5)为96.21%,在AI-TOD上0.5—0.95阈值的均值平均精度mAP_(0.5—0.95)为9.51%,显著优于YOLOv3、RFBNet、SSD、FSSD、RetinaNet、RefineDet等模型,mAP精度分别高出约3.45%—7.52%、1.36%—4.84%。同时,在小尺度目标上的检测水平优于Faster-RCNN和YOLOv7算法。与原始YOLOv3网络相比,本方法在浮点运算次数上降低了48%,参数量减少了42%。上述实验结果证实了本文提出方法的有效性。

关键词： 图像处理   图像去雾   大气散射模型   颜色校正   灰色世界假设   细节增强   光照补偿   对比度增强  

摘要： 由于雨雾天气的影响,清晰图像的获得较为困难,通常存在能见度低、对比度差、细节信息缺失等问题。针对上述问题,文中提出一种鲁棒性高的图像去雾算法。首先,将输入图像转换为细节图像,衰减图像并重新定义三个颜色通道,根据最小颜色损失原则对颜色进行补偿并平衡三个颜色通道的差异;其次,通过改进的大气散射模型EASM和暗通道先验算法解决图像发暗的问题,去雾结果明显、颜色鲜艳、细节清晰。在自然图像和合成图像数据集上进行对比实验并设计消融实验,结果表明,所提算法在信息熵、FADE、自然图像质量评估器(NIQE)、结构相似性(SSIM)等方面表现优于最新的去雾算法,具有较高的鲁棒性和应用前景。

关键词： 人工智能   电力输电设备   自动识别   机器学习   图像处理  

摘要： 电力传输设备的安全运行和维护已成为电力行业面临的重要挑战,因为电力系统的规模越来越大,操作的复杂性也越来越高。展开了电力传输设备自动识别技术的研究,提出了电力传输设备自动识别的一种方法,其基础是人工智能。这种方法将能够对电力传输设备中的异常情况进行实时监测和识别的机器学习和图像处理技术相结合。实现了自动识别和故障诊断传输设备的图像数据的预处理、特征提取和模型训练。实验结果显示,该方法对电力传输设备的安全运行和维护有很强的支撑,识别精确度和实时性都很高。

关键词： 数据处理效率   图形图像处理软件   计算机技术   化学反应器   化工计算   化学化工   应用化学   生产调度  

摘要： 化学工程领域涉及面广泛,20世纪50年代以来,以计算机技术为代表的先进信息技术在化工领域的应用拓宽了人类认识化学、应用化学的深度、广度。其中以化工数据为基础的图形与图像处理技术的成熟,使得复杂的化工计算、实验数据处理效率大大提升,在解决化工过程设计、化工生产调度、化学反应器设计、产品设计、配方设计等系列问题上发挥了重要作用,对我国的化工产业发展也起到了巨大的推动作用。正是由于化工涉及领域广泛,如何巧妙应用相关图形图像处理软件是研究人员及相关从业者必然面临的问题。

关键词： 人参   外观质量   YOLOv8   目标检测   注意力机制   深度学习   图像识别  

摘要： 针对人参分级特征微小差异对专业人员依赖性强的问题,同时为了降低人工劳动强度,提高人参外观质量检测精度,实现将模型方便快速部署到移动端,该研究提出了一种基于改进YOLOv8n的轻量级方法。该模型(简称为CGC-YOLOv8模型)首先将YOLOv8n的骨干网络的卷积替换为条件参数化卷积(conditional convolutional networks),这使模型能够根据输入数据的特征进行调整;其次,在颈部网络,引入一种细颈组合(GSconv+VoVGSCSP)降低模型的参数量和模型尺寸的同时,进一步提升模型检测性能;最后,加入坐标注意力机制(coordinate attention)模块,有效地整合了空间坐标信息到生成的注意力图中,使模型细化特征更加关注人参外观特征,从而提高了特征提取的能力。试验证明,在使用分级良好的人参批次采集的数据集上,该研究的CGC-YOLOv8模型在关键评价指标上,精确度、召回率和平均精度均值(mAP50、mAP50-95),分别达到85.70%、91.23%、94.69%、72.43%,与原模型YOLOv8n相比较分别提升了2.74、4.64、3.71和4.9个百分点,与原YOLOv8n模型相比有显著提高,而且在模型大小和计算浮点数明显减少。研究结果可为人参等药材外观质量精准识别提供参考。

关键词： 目标检测   YOLOv5s   深度学习   手机行为检测   信息安全  

摘要： 针对工作场所电脑显示屏正对120°广角区域范围内不法分子持手机窃拍行为,文章提出了一种基于YOLOv5s+ReClassify的广角区域手机检测算法。在YOLOv5s检测器的基础上于目标高置信度IOU区域进行局部强相关图像特征提取,获得更加丰富的特征信息,并导入二级分类器得到高可靠性分类结果,与检测器输出进行加权融合,提高检测精度。构建由43476个样本组成的cellphone检测数据集以及由51448个样本组成的cellphone-others分类数据集,在自制数据集上实验结果表明,所提算法检测率达到98.19%,相较YOLOv5s提高17.79%,误检率降低至1.7%,平均单帧推理时间为31.21 ms。改进的算法能够满足对不法分子持手机对显示屏实施窃拍行为的实时准确识别。