关键词： 玉米病虫害检测   深度学习   计算机视觉   PWM变量控制   YOLO   精准变量喷药  

摘要： 针对传统无差别连续式喷药存在农药浪费、喷施低效的问题,以玉米为研究对象,设计一套基于视觉识别的病虫害检测及精准变量喷药系统。结合图像处理和机器视觉技术,对玉米田间病虫害自动、快速和准确识别,并根据识别的病虫害种类及严重程度,自动调整喷药剂量,实现精准农业管理。将自主设计的变量喷药系统集成并部署于计算机控制系统中,并对其检测性能进行验证,试验结果表明,相较于基准模型YOLO v5s,改进后模型精确率(P)、召回率(R)、mAP值分别提升1.6、1.3、0.7个百分点,降低了病虫害误检,避免对非病虫害区域的误喷,同时减少漏检确保了病虫害区域得到及时有效处理,综合反映了系统在不同病虫害类别上的整体识别能力;对于玉米螟、黏虫、灰斑病、叶斑病和锈病,模型识别准确率稳定在60%以上,而对于红蜘蛛、蚜虫识别准确率则在40%以上。于田间进行喷药性能试验,并对雾滴沉积、雾滴漂移及省药率等关键指标进行测试与分析,结果表明,最低雾滴覆盖率为52%,最低平均沉积密度为71.3滴/cm2,均达到病虫害防治要求;省药率与地面流失率最低值分别为32.1%和22%,显著降低了农药总体消耗量和地面流失率。本文设计的玉米病虫害检测及精准变量喷药系统,显著提升了病虫害识别准确性,提高了农药利用率并降低环境污染,为病虫害防控提供科学高效的解决方案。

关键词： 航空影像   深度学习   智能处理   数据特性   目标检测   环境监测   遥感图像   自动驾驶  

摘要： 航空影像人工目标检测是遥感图像智能处理的热点问题。论文基于航空影像大数据特性,考虑航空影像与自然影像差异,优化已有深度学习目标检测框架,按照“阴影处理-多类型目标检测-精细类型目标检测”的研究路线,开展航空影像人工目标深度学习检测方法研究,快速并准确地获取航空影像人工目标检测结果,为智慧城市建设、环境监测、自动驾驶等领域提供帮助。论文主要创新点如下。

关键词： 无人机视角   小目标检测层   损失函数   注意力机制   YOLOv5  

摘要： 为了解决传统目标检测算法对无人机(UAV)航拍小目标存在错漏检严重的问题,提出基于YOLOv5的无人机小目标检测算法FDB-YOLO.在YOLOv5的基础上增加小目标检测层,优化特征融合网络,充分利用网络浅层小目标细粒信息,提升网络感知能力;提出损失函数FPIoU,通过充分利用锚框的几何性质,采用四点位置偏置约束函数,优化锚框定位,加快损失函数收敛速度;采用结合注意力机制的动态目标检测头(DyHead),通过增加尺度、空间、任务感知提升算法检测能力;在特征提取部分引入双级路由注意力机制(BRA),通过有选择性地对相关区域进行计算,过滤无关区域,提升模型的检测精确度.实验证明,在VisDrone2019数据集上,本算法与YOLOv5s目标检测算法相比,精确率提升了3.7个百分点,召回率提升了5.1个百分点,mAP50增加了5.8个百分点,mAP_(50∶95)增加3.4个百分点,并且相比当前主流算法而言都有更加优秀的表现.

关键词： 投影机   单目摄像头   几何光学建模   图像处理  

摘要： 现有投影仪在梯形校正技术中,同时实现翻滚角、俯仰角以及偏航角三个方向下梯形校正需要使用双目摄像头或单目摄像头配合距离传感器以及陀螺仪传感器实现,且产生了成本上升、使用复杂性提升、可靠性降低等问题。现研究一种基于单目摄像头自动梯形矫正方法,实现无须人工干预的全自动图像梯形校正。通过引入几何光学建模,辅助计算投影面上的真实形变四边形投影图像以供投影仪图像校正。实验结果表明,该方法能以低廉的硬件成本,简单的计算方法完成投影仪的自动校正。

关键词： 滤波器   目标跟踪   算法  

摘要： 针对目标跟踪中的目标运动模糊、光照变化、尺度变化等多种因素影响所造成的跟踪目标丢失的问题,采用复合相关滤波器实现目标跟踪.利用位置相关滤波器估计目标位置;利用尺度相关滤波器估计目标尺度;在线更新两种滤波器以适应跟踪中的目标位置、表征变化.通过OTB2015数据集对算法进行验证,该算法准确度达到74.5%,成功率达到63%,跟踪速度达到165fps.实验表明,该算法可对目标运动模糊、光照变化、尺度变化序列中的目标进行有效跟踪,在多个指标上优于其他多个比较算法.

关键词： 板栗栗蓬   YOLOv8   目标检测   CBAM   检测头  

摘要： 针对人工敲打式收获板栗带来高成本和安全风险问题,研究无人机板栗采摘方法至关重要。为达到在自然光照条件下迅速且精确地识别板栗栗蓬目标,提出一种基于YOLOv8的改进卷积网络模型板栗栗蓬检测方法。对YOLOv8主干网络的C2f模块添加CBAM注意力机制,增强卷积网络模型对板栗栗蓬特征提取能力。在YOLOv8的头部增加一个微小栗蓬目标检测头,与YOLOv8原有的3个检测头共同组成检测模块,使网络模型更好地捕捉小板栗栗蓬目标特征。经自建数据集上的训练和验证试验,改进后卷积网络YOLOv8-Vcj板栗栗蓬检测精确率比YOLOv8高1.3%,mAP@0.5和mAP@0.5∶0.95值比YOLOv8分别提高4.6%和3.4%。改进卷积网络板栗栗蓬检测误差主要来自光照条件和图像中板栗栗蓬目标的密集程度。研究结果表明:融合CBAM注意力机制和增加微小目标检测头的改进卷积神经网络YOLOv8-Vcj能够有效实现树上板栗栗蓬的检测。

关键词： Transformer   特征融合   SAR   目标检测  

摘要： 目前深度学习技术已经广泛应用于合成孔径雷达(SAR)目标检测和识别相关任务中,但是由于SAR图像成像噪点较多,物体边缘轮廓不够清楚,对检测造成了一定的困难。鉴于此,提出了一种基于Transformer的SAR飞机目标检测模型。首先,根据SAR图像的特征采用Swin-Transformer作为基准网络,该网络不仅可以增强网络的全局特征提取能力,且相比于Vison-Transformer有更低的复杂度。其次,为增强模型的边缘特征提取能力,提出了一种边缘检测模块。最后,为增强模型的多尺度特征提取能力,同时保证模型不会出现过拟合问题,提出了GFPN结构来实现特征融合。

关键词： 无人机   复杂战场环境   低质量图像   深度学习   可见光目标检测  

摘要： 随着人工智能的飞速发展,可见光目标检测作为计算机视觉技术的重要组成部分,已经被广泛应用于无人机侦察领域。利用深度学习技术深入挖掘复杂战场环境和低质量图像中的目标特征,可以有效解决无人机侦察场景中可见光目标检测遇到的困难挑战,进一步提高可见光目标检测的准确性。因此,对基于深度学习的无人机可见光目标检测方法进行了全面综述。首先,介绍了无人机可见光目标检测面临的目标小尺度、任意方向、高度伪装以及运动模糊等诸多挑战。其次,描述了用于可见光目标检测和图像恢复的主要公开数据集。然后,结合无人机可见光目标检测面临的诸多挑战总结了深度学习方法在无人机可见光目标检测中的应用以及优缺点。最后,展望了无人机可见光目标检测未来可能的研究方向。

关键词： 低照度图像增强   HSV颜色空间   卷积神经网络   计算机视觉   正则化  

摘要： 为改善恶劣情况下低照度图像亮度不均匀、细节信息丢失等问题,将传统的红、绿、蓝(RGB)颜色空间转换到色调、饱和度、亮度(HSV)颜色空间,通过HSV颜色空间进行分量提取和图像增强。利用特征提取网络和纹理细化网络构建级联卷积神经网络,并与视觉感官色彩空间相结合,进行低照度图像的增强。采用正则化缓解模型的过拟合现象,并通过仿真实验对比验证了该模型在低照度图像上的增强效果,亮度、对比度、饱和度以及色调方面均表现出良好的增强效果。模型在RELLISUR数据集和Exclusive-Dark数据集上的峰值信噪比分别为24.32和26.70,结构相似度分别为0.97和0.96,对比度分别为9.12和8.89,在两个数据集上的运算时间分别为1.33 s和1.38 s。除运算时间方面较为落后外,其余指标均为最优值,并且结构相似度最接近于1,表明该模型能够有效还原图像细节信息,具有良好的科学性与实用性。

关键词： 数字图像处理   教学案例   零水印  

摘要： 数字图像处理课程涉及较多的数学推导,理论难度大。为降低学生学习难度,提高学生学习兴趣,在成果导向教育(Outcome-Based Education,OBE)理念指导下,将项目案例引入教学过程中。文章以图像零水印项目为例,对零水印的生成过程和检测过程进行介绍,并进行了案例分析。通过项目式训练,以提高学生综合运用所学知识的能力,同时增强学生对版权保护方面的认知。