关键词： 雾天图像   图像语义分割   图像滤波器   卷积神经网络   图像处理  

摘要： 尽管基于深度学习的图像语义分割方法在传统的驾驶数据集上取得了很好的效果,但针对雾天条件下的低质量图像的语义分割仍然具有挑战性。针对此问题,提出了可学习图像滤波器LIF模块,旨在利用不同雾浓度下驾驶场景图像的内在特征,改进雾天驾驶条件下的图像语义分割。LIF模块由超参数预测模块HPM和图像滤波模块IFM组成,IFM中滤波器的超参数由HPM预测得到。以端到端的方式联合学习HPM和语义分割网络,确保了HPM可以学习适当的IFM参数,以弱监督的方式增强图像以进行分割。分别以DeepLabV3+、PSPNet和RefineNet作为基线模型,并在Cityscapes和Foggy Cityscapes的混合数据集上进行实验,基线模型加可学习的图像滤波器模块的MIoU分别为63.14%,60.45%和61.41%,相比基线模型的MIoU分别提升了3.03%,1.52%和1.69%,实验结果表明了该模型的有效性与通用性。

关键词： 卷积神经网络   目标检测   空间注意力   YOLOv7   海参苗计数  

摘要： 针对海参幼苗体型小、出售量大但计数不方便的问题,以大连市鑫玉龙养殖基地为样本采集地,构建了海参幼苗数据集。针对YOLOv7对海参幼苗识别精度不高的问题,对YOLOv7原生网络进行改进,添加了注意力机制;并对卷积神经网络模型进行改进,在卷积的输入特征图中新增对应的通道来表征特征图像素点的坐标,让卷积学习过程中能够一定程度感知坐标来提升检测精度;添加轻量化上采样算子,利用输入特征图来预测上采样核,每个位置具有不同的上采样核,然后基于预测的上采样核进行特征重组;提升小个体海参的识别精度。实验结果显示,基于改进YOLOv7的海参检测平均准确率为90.68%,比YOLOv3提高了9.79百分点,比Mask R-CNN提高了6.48百分点,比SSD提高了5.35百分点,比YOLOv7原模型提高了1.46百分点。结果表明,该方法能用于实现海参计数识别。

关键词： 无人机   目标识别   图像处理   深度学习  

摘要： 随着无人机技术的快速发展,其在农业监测、交通管理、自然灾害监测与救援以及环境保护等领域的广泛应用日益显著。在这些应用中,准确的目标识别技术是无人机执行任务的关键能力之一。本文深入探讨了无人机应用中的目标识别方法,包括传统图像处理和基于深度学习的智能识别技术。通过详细分析不同方法的原理、技术特点以及应用案例,揭示了目标识别在提升无人机自动化水平、支持数据驱动决策方面的重要作用,旨在为无人机目标识别技术的进一步研究和应用提供理论与实践的指导。

关键词： 驾驶员吸烟检测   跨阶段局部网络   特征融合   注意力机制   多尺度检测   目标检测   深度学习  

摘要： 由于香烟目标较小,图像分辨率较低,目前传统的目标检测算法不足以支撑对香烟的检测,为警戒驾驶员在驾驶时吸烟出现的安全问题,提出一种驾驶员吸烟检测算法。结合SSD目标检测模型,在其骨干网络中引入CSP架构;利用反卷积操作,将有效特征层进行融合;在GAM注意力机制上改进其通道子模块,结合最大池化和平均池化,抑制与香烟不相关的特征。模型在自制驾驶员吸烟数据集上的识别mAP达94.93%,具有较好的鲁棒性以及泛化能力。

关键词： 人工智能   配电室   智能运维   边缘计算   目标检测  

摘要： 针对配电室传统人工巡检方式存在效率较低、劳动强度大、检测结果不准确等问题,通过分析配电室智能运维功能要求,提出了一种基于YOLO目标检测算法的智能巡检机器人方案,实现了对配电柜仪表的自动检测与巡检,完成了硬件系统和软件系统设计。采用轨道式布置形式合理利用配电室空间,降低了工人劳动强度,缩短了巡检周期。在山西某煤矿井上配电室应用后表明,配电室智能巡检机器人可代替3~5人完成配电室的巡检任务,降低了工人劳动强度、设备运维成本以及故障发生率。经过3个月的连续运行,提前发现故障15次,验证了方案设计的合理性和可行性。研究结论为后期实现配电室无人化提供了一定参考。

关键词： 遥感目标检测数据集   数据集保护   版权保护   感兴趣区加密   目标生成水印  

摘要： 遥感目标检测数据集的样本收集、清洗及标注过程通常需投入巨大成本,可被视为高价值的知识产权,而未授权使用或数据泄露会造成数据集拥有者的版权被侵权。为保护数据集版权,本文提出了一种基于后门水印和感兴趣区加密的遥感目标检测数据集版权保护算法。该算法通过将目标生成水印触发器嵌入原始数据集,并利用感兴趣区范围的置乱和添加扰动对数据集进行加密。在水印嵌入阶段,从原始数据集中随机选择任意样本,并将触发器嵌入样本的随机位置。数据集加密阶段分为3步,对标注文件中的感兴趣区范围进行初次加密,在加密的感兴趣区范围内添加扰动,以及基于用户独立密钥对感兴趣区进行二次加密。通过对关键信息感兴趣区进行加密而非全文加密提高算法效率,使用独立密钥降低密钥泄露风险提高安全性。在数据集分发使用阶段,授权用户可以将密文恢复为正确的感兴趣区;未授权用户若直接使用密文数据集则无法训练一个有效的模型。若发生数据泄密,恶意用户使用该数据集在训练模型时,后门水印信息会被植入模型。因此,在版权验证阶段,通过调用该模型的接口进行后门水印的验证,实现版权申明。大量试验证明,本文算法在不影响数据集质量的情况下,有效地保护了数据集版权,水印算法对微调攻击和剪枝攻击均具有较强的稳健性。

关键词： 机器视觉   图像处理   位姿检测   目标检测   缺陷检测  

摘要： 针对医用透明方杯人工检测效率与精确率低、对产品有磨损的问题,引入视觉检测技术,结合图像处理与深度学习,设计开发一种医用透明方杯位姿与缺陷检测系统。针对方杯位姿检测,首先,通过基于改进动态阈值准确分割方杯图像边缘区域。然后,改进Canny算法的高低阈值设计,检测出更多细微幅值差别的边缘,设定共线边缘合并的阈值条件,进而拟合得到两边缘直线,基于两边缘计算出虚拟中轴线。最后,通过最小外接矩形粗定位中心,粗定位点到轴线的垂足作为方杯精定位坐标,根据仿射变换将方杯图像矫正到参考位姿。缺陷检测方面,对图像局部缺陷进行灰度拼接,构建3种缺陷类间均衡的图像数据集。基于SqueezeNet、Inception-V3与ResNet-50三种神经网络迁移学习训练后,综合评估发现SqueezeNet模型的性能表现最优,在测试集平均精度达98.6%,识别精确率和召回率分别达99.8%与98.8%。实验验证结果表明对单张图像位姿与缺陷检测速度分别为770.5 ms与553.1 ms,改进后位姿检测精度更高,检测缺陷准确率达到94%,具有良好的实时性与稳定性,可满足检测要求。该研究可为医用透明方杯的位姿与缺陷检测提供技术支持。

关键词： 计算机视觉   海上漂浮式光伏   运动响应   实时监测   误差分析  

摘要： 近年来国内外建成了多个海上漂浮式光伏电站实证项目,但相关结构的破坏事故屡屡发生.动位移作为反映结构运行状态和系统性能的重要指标,对其进行有效监测具有重要意义.为了克服传统监测手段在海上环境中的局限性,提出了基于计算机视觉的浮岛运动位移监测方法.该方法采用长焦摄像设备进行视频采集,利用自然标志物进行目标追踪,运用尺度因子法进行位移计算,并根据工程特点提出了一种基于三次样条曲线插值的亚像素级位移计算方法.为了对该方法的准确性和实用性进行检验,设计实施了简单标定试验、漂浮式光伏浮岛水力学模型试验和天津某海域实际光伏浮岛原型监测试验,并进行了详细的误差分析.结果表明:基于三次样条曲线插值的亚像素级位移计算方法在精度和计算速度上都比高斯曲面拟合等方法更具优势,可以更好地缓解整像素模板匹配方法随拍摄距离增大而导致的误差显著增长问题;当拍摄距离大于等于100倍的物距变化时,可以基本消除浮岛沿光轴方向运动对成像平面内位移的影响;所提方法在试验室内20 m拍摄距离下的归一化均方根误差为1.78%,具有较好的精度;原型监测得到的竖向运动位移的双幅值与波浪高度相近,归一化相关匹配系数矩阵的峰值十分明显,亚像素计算拟合效果较好.综合分析认为,监测结果合理有效,所提方法在海上漂浮式光伏浮岛运动响应监测方面具有较好的应用价值.

关键词： 图像处理   糖尿病视网膜病变分割   深度语义   边缘信息   动态注意力   渐进特征融合  

摘要： 利用深度学习技术分割糖尿病视网膜病变(DR)图像可以有效辅助眼科医生进行DR筛查、分级和治疗进展的监测。然而,不同的DR病变在尺度、形状、位置、颜色和纹理等方面存在较高的类间相似性,给DR图像的自动分割任务带来了较大挑战。为此,本课题组提出了一种新颖的基于深度语义和边缘信息的渐进多特征融合网络(PMFF-Net),以同时分割多类DR病灶。该网络主要包括混合Transformer模块(HT模块)、选择性边缘聚合模块(SEA模块)、渐进特征融合模块(GCF模块)和动态注意力模块(DA模块),其中:HT模块集成了卷积神经网络(CNN)、多尺度通道注意力和Transformer,以增强对DR病变特征的表示能力;GCF模块借助高等级语义特征的引导实现了相邻编码层特征之间的渐进融合,有效弥补了不同等级特征之间的语义偏差;DA模块采用自适应学习策略从融合的特征中进行动态特征推理和选择,提高了多尺度特征之间的一致性;SEA模块通过有选择性地聚合DR边缘特征和语义信息,细化了病变的边缘轮廓并重新校准了病变位置。所提PMFF-Net在IDRiD数据集上的mDice和mIoU分别为45.11%和33.39%,在DDR数据集上的mDice和mIoU分别为36.64%和35.04%,优于当前先进的DR分割方法。进一步,通过跨数据集交叉测试验证了模型良好的泛化能力。最后,通过消融实验验证了所提模型中各模块的有效性。出色的分割结果表明所设计的PMFF-Net在DR筛查和检测临床实践中具有很大的应用潜力。

关键词： 多目标跟踪   运动线索   判别性外观特征   噪声补偿   数据关联  

摘要： 在多目标跟踪任务中,外界噪声的干扰会导致传统方法的系统建模不可靠,从而降低目标位置预测的准确性;而密集人群引起的拥挤和遮挡问题则会严重影响目标外观的可靠性,导致错误的身份关联.为了解决这些问题,本文提出一种多目标跟踪算法Ecsort.该算法在传统运动预测的基础上,引入噪声补偿模块,降低噪声干扰引起的误差,提高位置预测的准确性.其次,引入特征相似度匹配模块,通过学习目标的判别性外观特征,并结合运动线索和判别性外观特征的优势,从而实现精确的身份关联.通过在多目标跟踪基准数据集上进行的大量实验结果表明,与基线模型相比,该方法在MOT17测试集上的IDF1 (ID F1 score)、HOTA (higher order tracking accuracy)、AssA(association accuracy)、DetA (detection accuracy)分别提高了1.1%、0.5%、0.6%、0.3%,在MOT20测试集上的IDF1、HOTA、AssA、DetA分别提高了2.3%、1.9%、3.4%、0.2%.