关键词： 目标跟踪   异轨多星座   空间侦察   定位   多体制  

摘要： 空间侦察具有覆盖范围广、速度快、效率高等特点,且不受边界和天气条件的限制,可对目标实现长时间、大范围的侦察监视,是远海态势感知的重要手段。异轨多星座侦察卫星具备对目标的持续侦察能力。分析现有目标跟踪手段存在的不足,提出异轨多星座侦察目标跟踪流程,进一步分析异轨多星座侦察目标跟踪面临的问题,提出异轨多星座多体制侦察融合定位方法。仿真结果表明,该方法有效提升定位精度和航迹维持率,可作为工程应用的技术参考。

关键词： 航空发动机紧固件   改进YOLOv5s   CBAM注意力机制   数据增强  

摘要： 为解决传统航空发动机紧固件检测依赖人工目视检查,导致检查效率和准确率低的问题,提出一种基于改进YOLOv5s的航空发动机紧固件检测算法。设计一种传统数据增强和马赛克(Mosaic)数据增强相结合的方法,扩充数据样本,并降低目标样本的误检率和漏检率;应用CBAM注意力模块改进特征融合网络,增强对小目标区域的关注度,并提高检测网络的准确性。实验结果表明,相比于YOLOv5s算法,改进的算法在航空发动机紧固件数据集上平均精度(AP)提高到了91.3%。

关键词： 深度学习   目标检测   YOLOv5   桥梁检测   Transformer   锚框  

摘要： 桥梁对国家发展、百姓生活起着举足轻重的作用,采用高分辨率遥感影像对桥梁目标进行自动检测具有重要意义。但现有基于YOLOv5的检测算法存在水平边界框重叠、包含无关信息、识别精度低等问题。针对这些问题,文章提出了一种改进YOLOv5的桥梁检测方法,通过旋转边界框精确地描述桥梁的形状和姿态,并结合Transformer、BiFPN算法提高网络精度,最终形成一种具有方向性、高精度的遥感影像桥梁自动检测算法。首先,在水平边界框的基础上增加了θ角度参数,得到旋转边界框;然后,在YOLOv5的backbone中添加Transformer模块,通过多头注意力层使得在复杂场景下有效捕捉目标信息;接着,将YOLOv5的特征融合网络修改为BiFPN结构,更好地挖掘影像信息;最后,采用精确度(precision)、召回率(recall)、平均精度值(mean average precision,mAP)、帧率(frames per second,FPS)评估实验结果。该方法实验结果较目前常见深度学习方法表现更为优异,mAP达到了99.47%,较YOLOv5提高了近8%,较YOLOv8提高了近1%;FPS达到了56,较YOLOv8提升了14,证明了所提方法的有效性。

关键词： 图像处理技术   人类智能   人工智能   摄影工作者   AI技术   生产力属性   摄影创作   发展路径  

摘要： 人工智能(以下简称AI)图像处理技术的出现拓展了传统摄影创作的空间,极大地提高了摄影工作者的工作效率,具有新质生产力的本质特征。在此背景下,如何理解人类智能与AI之间的学理逻辑关系,在充分利用其优势的同时防范其潜在风险,让AI技术更好地辅助人类活动,是摄影工作者必须思考的现实课题。一、AI图像处理技术的新质生产力属性及机遇新质生产力是指在创新中起主导作用,突破传统经济增长方式和生产力发展路径,以高科技、高效能、高质量为主要特征,符合新发展理念的一种先进生产力质态。

关键词： 无人机   小目标检测   注意力机制   YOLOv5s   航拍图像  

摘要： 针对无人机视角下目标尺度变化剧烈、背景复杂、目标小且密集而导致漏检率高的问题,提出了一种改进YOLOv5s的实时目标检测模型。首先,提出了全新的混合注意力机制,将其嵌入到主干网络中,增强对目标关键信息的提取能力;其次,创建新的稠密残差金字塔池化,提高了网络信息融合能力,降低计算量;然后,设计了一种基于多头自注意力机制的C3-BoT模块,有效捕获无人机图像全局上下文信息;最后,根据无人机图像特点,在YOLOv5s网络基础上增加一个极小目标检测层,降低小目标的漏检率。在VisDrone2019数据集上进行实验,改进后模型的mAP 0.5达到了40.6%,较YOLOv5s基准模型提高了8.1个百分点,在无人机航拍图像检测任务中取得了更好的检测效果。

关键词： 计算机视觉   课证融通   混合教学模式   教学资源  

摘要： 随着新一代计算机视觉技术加速与各行业深度融合并得到实践应用,社会对人工智能技术应用专业用人需求不断提高,传统的理论课堂教学模式很难适应新时代发展的需求,必须进行教学模式的改革。研究分析了“计算机视觉应用开发”课程“课证融通”教学改革现状,重构了项目化教学整体设计,利用多平台信息化手段,实现线上线下混合教学模式改革与创新。

关键词： 点云   目标检测   小样本   投票网络   意图注意力  

摘要： 现有的点云目标检测方法往往要求严苛的监督式数据集,这带来了人力、物力等方面的挑战。因此提出一种创新性的解决方案,即采用元学习框架来克服大量标注数据的困扰。对小样本学习技术在3D点云目标检测中的应用进行研究。这一方法能够基于有限的新类别标注样本,预测未标注样本的分类,从而在有限数据条件下仍能取得良好效果。引入原型投票网络来学习类别的几何原型以及支持集的类别原型。此外,为了学习点云上下文信息,引入意图注意力机制,以实现更加精准的信息融合。在原型生成方面,为避免点云原型过度依赖最大池化而丧失大量信息,采用平均池化方法来生成原型。与基准数据集上的基线模型相比,该方法呈现出显著且一致的提升效果,为点云目标检测领域的研究和应用提供了有力支持。

关键词： 水下图像增强   无监督学习   多尺度残差连接   图像处理   概率模型  

摘要： 为解决水下图像常见的颜色失真、对比度降低以及有监督方法在缺乏大规模成对的高质量水下图像数据集支持时效果一般等问题,提出了一种无监督水下图像增强方法,该方法利用条件变分自动编码器(cVAE)结合概率自适应实例归一化(PAdaIN)以及多色空间拉伸技术,旨在提高生成图像的视觉质量,确保生成图像与原始输入图像在视觉上具有一致性。此外,多尺度残差连接模块有效减少了非关键信息的传递,进一步提升了模型的性能。该方法提供了一个以依赖参考图像作为训练数据的替代方案。结果显示,该方法在测试集上的峰值信噪比(PSNR)和结构相似性指数(SSIM)分别比FunieGAN和Water-Net提升12%和3%,显著改善了增强后图像的视觉效果,同时,该方法在不同测试集上的优异表现也验证了其良好的泛化能力。研究表明,该方法在无需参考图像的情况下,显著改善了水下图像的质量,有效提升了图像的细节和色彩校正,为水产养殖和海洋监测提供了一个有效的解决方案。

关键词： 目标检测   多目标跟踪   除雾  

摘要： 针对水面无人船在复杂环境中的目标检测和跟踪问题,探索了基于光视觉的检测跟踪方法。利用改进的暗通道去雾方法和引导滤波进行图像预处理,以提高后续图像处理的准确性和效率。在目标检测方面,采用了YOLOv7算法,该算法通过对损失函数的优化,有效提高了目标检测的精度和召回率。为实现精准多目标跟踪,结合自训练模型权重和Sort算法,成功实施了目标持续追踪和中心点轨迹的精确标注。此外,通过无人船平台搭建双目相机系统进行目标测距,实验结果表明,该方法可以实现测距功能,平均相对误差为6.46%,这一成果不仅提升了无人船的导航与定位能力,还为水面安全监控提供了技术支持。研究结果显示,在水面无人船领域,通过融合先进的图像处理技术和机器学习算法,能够有效地解决目标检测和跟踪问题。

关键词： 带式输送机   图像处理   图像检测   去运动模糊   深度学习  

摘要： 针对煤矿井下相机与带式输送机带面物体相对运动而造成监测图像上物体产生拖影与轮廓不清晰的问题,提出一种基于改进DeblurGAN-v2的图像去运动模糊方法。首先采用WGAN-GP替换DeblurGAN-v2鉴别器的损失函数,抑制了原模型生成图像轮廓不清晰和纹理细节丢失问题;然后为了获取更深层次的图像信息并使鉴别器的损失计算更加精确,以便更好地捕捉生成图像与清晰图像之间的局部细节和2者之间差异,设计了三尺度鉴别器结构并将3个鉴别器计算所得损失赋予不同权值计算加权和,所得生成图像中物体的轮廓清晰且表面细节丰富,但是部分区域出现了与图像无关的彩色斑块,造成了有效信息的丢失;为解决彩色斑块问题,将结构相似性损失和梯度损失引入生成器的损失函数中并在VGG19的Conv4-1层进行生成器感知损失的计算,生成图像消除了局部彩色斑块且图像中物体的轮廓更清晰,表面细节更丰富,去运动模糊效果最优,梯度标准差较运动模糊图像提升了68.38%,为所对比2种方法的6倍和17倍;最后将去运动模糊前后图像中异物进行标注并使用YOLOv5模型进行样本训练,结果表明在不同交并比下异物的检测精度均上升,分别提升了3.9%和7.9%,模糊图像和对比方法的漏检、误检和检测置信度低等问题大幅改善,验证了所提图像去运动模糊方法的有效性。