关键词： 无人机   目标检测   YOLOv7-tiny  

摘要： 针对无人机在进行目标检测任务时存在背景复杂、小目标多且密集以及无人机的硬件条件有限等问题,基于YOLOv7-tiny,提出一种改进的无人机视角目标检测算法。首先,将原主干网络结合MobileNetV3进行轻量化改进,引入深度可分离卷积结构,减少网络的参数量;其次,在颈部网络添加GAM全局注意力机制,使网络能够聚焦目标特征,提升检测性能;最后,将定位损失函数改进为SIoU函数,提高网络训练的收敛速度及精度。在VisDrone2019数据集上进行的消融实验及对比实验显示,本文改进后的算法平均检测精度达到45.5%,mAP50达到37.6%,浮点运算量GFLOPS为10.2 G/S,与原算法相比,精度提高了1.7%,mAP50提高了4.2%,GFLOPS减小23%,每一个改进模块都有效提升了无人机检测复杂背景中小目标的能力。

关键词： 地铁隧道   裂缝识别   目标检测   动态卷积   注意力机制  

摘要： 为解决地铁隧道裂缝智能识别困难,尤其针对地铁隧道裂缝检测天窗时间短、人工检测效率低、裂缝识别特征不明显、隧道内干扰物较多等问题,提出一种基于YOLOv8的改进算法——M-YOLO(Modified-YOLO),高效智能识别隧道裂缝。M-YOLO算法运用全维度动态卷积取代传统卷积模块,能显著提高检测的准确性,避免模型参数膨胀的问题;引入C2fGC模块对网络结构进行改进,构建新的特征提取与降维机制,增强高层次特征表示;整合CBAM注意力机制模块,强化对裂缝区域图像的特征学习与提取,减弱背景干扰,进而有效提升检测精度;引入WIOU损失函数来调节几何因素的惩罚程度,提高模型的泛化能力,在低质量数据样本下的表现更为出色。试验结果表明,在地铁隧道裂缝识别的真实样本中,M-YOLO算法的P mAP(平均精度均值)高达83.0%,较原模型提高了15.7%。

关键词： Res2Net-RetinaNet   污水处理   微生物   目标检测   Res2Net模块   CBAM注意力机制   深度超参数化卷积  

摘要： 活性污泥中原生动物、后生动物等指示性微生物是污水处理运行调控的重要指标。针对活性污泥微生物不同种类之间,小目标类微生物体型较小、微生物个体颜色背景和图像颜色背景相似的现象,提出基于Res2Net-RetinaNet的活性污泥指示性微生物检测方法。Res2Net-RetinaNet模型采用精度更高的新维度残差块Res2Net模块捕获原有特征的丰富信息。在主干网络输出的第1层引入通道和空间注意力机制CBAM,进一步帮助浅层特征信息在网络中流动。最后,在特征融合模块中引入深度超参数化卷积(Do-Conv),在不增加计算量的前提下持续加快模型的收敛。将所提方法应用于某污水厂采集数据中进行实验,结果表明:所提方法与Fast R-CNN、SSD、YOLOv3、YOLOv4、FCOS、CenterNet及RetinaNet等目标检测模型相比,检测精度最高(92.8%),相对于原始RetinaNet目标检测算法精度提升4.97%。

关键词： 图像处理   低光图像   图像增强   Transformer理论   引导滤波   像素滤波   注意力查询   图像去噪  

摘要： 现实世界中低光图像不仅会造成不好的视觉观感,还会对后续的计算机视觉任务产生影响。当前的低光图像增强算法存在一些问题,包括图像亮度不均、对比度偏低、色彩畸变和噪声很大等。为解决上述问题,提出一种基于Transformer的网络框架,能够自适应地对低光图像进行增强。该网络包含一个图像处理模块,该模块内部包含一个引导滤波器和一个像素滤波器,分别实现对低光图像的去噪和增强。Transformer参数预测网络使用注意力查询机制来调整图像处理模块的参数,通过Transformer参数预测网络对图像处理模块的参数进行预测。经过实验验证,该方法可以有效地对低光图像进行增强,在抑制图像噪声的同时能够保留图像的细节。

关键词： 图像处理   仿造数码迷彩   直方图统计   颜色量化   现场可编程门阵列  

摘要： 为了解决传统仿造数码迷彩生成算法开发平台灵活性不足的问题,提出了一种基于现场可编程门阵列(FPGA)的仿造数码迷彩生成算法。采用直方图统计提取主要颜色信息,将背景图像马赛克化获得颜色分布信息,依据色差进行主色替换得到仿造数码迷彩的方法,取得了不同主色数量、色差计算权重、颜色量化数量下的数据。结果表明,颜色量化为3600种后,提取出4种主色作为仿造数码迷彩主色,根据色差主色替换时色彩权重3∶6∶1,生成的仿造数码迷彩具有良好的伪装效果,且基于FPGA实现该算法时系统占用资源少,处理800 pixels×480 pixels分辨率的单帧彩色图像所需时间仅为22.21 ms,满足动态场景下生成仿造数码迷彩的实时性需求。该研究为主动伪装技术提供了参考。

关键词： 目标检测   YOLOv5   小目标   特征增强   坐标卷积  

摘要： 为解决无人机高空拍摄面临的小目标聚集不易识别、可提取特征少的问题,提出一种特征空间与坐标卷积结合的小目标检测算法。在YOLOv5网络架构中加入特征空间模块(feature spatial model,FSM),利用卷积为不同特征的感受野分配自适应权重,增强主干网络特征提取能力;将坐标卷积模块(coordinate convolution model,CCM)嵌入模型颈部,精准定位目标所在位置,提高密集场景下小目标检测精度;删减原始层并添加小目标检测层,减少语义损失,充分提取浅层特征图中信息,强化高空图像中微小目标检测性能。实验结果表明,在VisDrone2019数据集上,改进后模型的精确率较YOLOv5提高4.1个百分点,mAP@0.5和mAP@0.5:0.95分别提高4.6个百分点和3.2个百分点,从而验证了提出模型在无人机检测小目标场景中具备有效性。

关键词： 图像增强   计算机视觉   深度神经网络   多粒度建模  

摘要： 在夜间低照度光照条件下,火箭发射初期的箭体表面细节难以得到有效呈现,而现有基于红外、激光雷达的成像手段存在作用距离受限、纹理细节信息缺乏等不足,严重影响火箭运行状态的有效观测。本文从光学相机拍摄的低照度图像出发,利用人工智能算法重构具有清晰细节和自然色彩分布的正常图像,针对低照度图像具有的信噪比低、色彩偏差、噪声严重等问题,受多粒度建模思想的启发,提出多粒度信息融合卷积块,进而构建多粒度信息融合卷积网络。该网络能够在受限的特征中提取更丰富的多粒度特征信息,以提高增强图像的视觉质量。通过与现有图像增强算法的对比实验,证明所提算法在低光照条件下能够获得更好的图像增强效果,在评价指标上优于现有增强方法;在夜间火箭发射场景下,所提算法能够有效增强箭体表面细节信息。

关键词： 行人检测   YOLOv7   注意力机制   ASPP   损失函数  

摘要： 目的:针对当前行人目标检测算法中存在的一些产生误检和漏检的情况,提出基于YOLOv7改进的目标检测算法。方法:首先,采用通道注意力机制与YOLOv7中的聚合网络(Efficient Layer Aggregation Networks,ELAN)模块融合,改进成S-ELAN(Squeeze-ELAN)模块,用于强调检测目标的特征重要性;然后,采用空洞空间卷积池化金字塔(Atrous Spatial Pyramid Pooling,ASPP)替换掉原始算法主干网络中的SPPCSPC(Spatial Pyramid Pooling and Cross Stage Partial Connections)模块,用于增强感受野;最后,使用WIoU(Wise Intersection over Union)损失函数对训练模型进行优化。结果:改进后的YOLOv7算法对行人目标识别准确率达到90.26%,相较于普通YOLOv7算法提高1.64%,平均精确度达到61.3%,相较于YOLOv7算法提高2.06%,检测速度相较于原模型提升2.86 f/s。结论:改进后的算法模型,整体泛化能力和性能得到了较大提升,可以较好地在行人检测场景中使用。

关键词： 图形图像处理软件   Web前端设计   Photoshop软件   网站   应用  

摘要： 在5G网络时代背景下,网站成为人们获取信息、进行交流的重要平台,人们在使用网站的过程中,不仅重视其使用质量还关注网站的界面美观度,为了满足人们对网站的审美要求,需要将图形图像处理技术应用到Web前端设计中,为用户提供优质的视觉体验。该文章简单介绍图形图像处理软件和Web前端开发技术,分析图形图像处理软件在Web前端设计中的应用价值,从页面布局设计制作方法、Logo的设计制作方法、视频设计制作方法和图像融合处理方法等方面探讨图形图像处理软件在Web前端设计中的有效应用,旨在为相关研究提供参考。

关键词： 深度学习   目标检测   树木检测   林业调查  

摘要： 随着计算机视觉技术和深度学习领域的爆发式进步,在遥感影像上进行树木检测已成为深度学习模型的应用领域之一。为揭示基于深度学习的树木检测给林业调查与监测带来的机遇和挑战,本文通过对比分析经典的SSD、RetinaNet、YOLOv3、FasterRCNN深度学习模型在模型大小、训练效率和平均精度得分等维度的实际应用表现,给相关领域的进一步研究与应用提供参考。研究表明,4种模型随着骨干网络结构的逐渐加深,平均精度得分显著提高,但训练时长和模型大小也成倍增长,其中,SSD模型在本文数据集中的速度与性能之间的平衡性表现最好,采用ResNet-101骨干网络的平均精度得分为0.817,其验证和损失函数趋势相近,是一个功能强大的目标检测模型。文章总结并讨论了当前深度学习与目标检测所面临的问题。