关键词： 图像处理   建筑风格   显著区域抑制   多尺度特征融合(MSFF)   大边距度量损失函数(L-Softmax)  

摘要： 针对建筑元素特征提取不全、相似建筑风格识别困难等问题,提出一种显著区域抑制与多尺度特征融合(salient region suppression and multi-scale feature fusion,SRSMSFF)的建筑风格识别方法。首先,采用改进的Resnet18提取初始建筑特征。然后,设计显著区域抑制模块(salient region suppression module,SRSM),通过隐藏最具判别性区域,引导网络学习潜在区域的特征,并设计多尺度特征融合网络(multi-scale feature fusion,MSFF),将多尺度结构与显著区域抑制相结合,以获取更完整的建筑元素特征。接着,利用通道注意力赋予各通道相应的权重,以突出重要的通道信息。最后,大边距度量损失函数(large-margin Softmax loss function,L-Softmax)通过最大化特征嵌入空间的决策边界,改善相似建筑风格的识别。在公共建筑数据集10类、25类及自建中国古建筑数据集上的实验结果表明,本文方法的准确率分别达到80.21%、64.4%和88.21%,其性能优于目前的先进方法。

关键词： 目标跟踪   孪生网络   图网络   IoU感知   通道自适应调整   CIoU  

摘要： 传统孪生网络目标跟踪算法采用互相关或者深度互相关的方式对模板帧与检测帧进行相似性度量,无法有效适应极端的目标形变.以无锚点框的目标跟踪算法为基础,设计一种基于图网络的IoU感知目标跟踪算法.首先,以Resnet50为基础,在每个残差结构后引入通道自适应调整模块NCAM,构造轻量高效且具有通道自适应的特征提取网络.其次,基于图网络设计一种新的模板帧与检测帧的相似性计算方式,将特征图像素点视为图网络的节点,对模板特征与检测特征的图网络节点进行相似性计算以有效应对目标极端形变.最后,在分类部分采用IoU感知的分类损失函数在分类分支与回归分支之间建立联系,改变以往孪生网络目标跟踪算法训练与测试不一致的情况;在回归部分选用CIoU损失计算离线训练阶段的回归损失,得到更加精准的边界框.OTB2015、UAV123、VOT2018与VOT2019数据集上的实验结果验证了所提算法的有效性.

关键词： 炭疽病   深度学习   目标检测   分类识别   病害诊断   SVM  

摘要： 炭疽病在柑橘园普遍发生、危害严重,为提高果园环境条件下病害识别的及时性和准确率,保障果品产量和品质,对果园环境条件下病害图像的ROI融合特征进行识别。收集果树不同发病部位、病害不同发病阶段的9种类型的柑橘炭疽病害图像作为模型训练的数据集;在病害ROI特征提取检测模块中对图像颜色、纹理特征及其融合特征进行提取,以获得更多的病害特征信息,并形成SVM分类器;使用训练好的SVM分类器进行待测病害图片的检测识别。将光谱特征与纹理特征融合送入训练好的SVM分类器,病害识别准确率平均可达94%,病害识别平均用时0.005 s。该方法对复杂自然环境下柑橘炭疽病的检测识别具有较高的精准度和较强的鲁棒性,对柑橘疾病的防控具有重要意义。

关键词： 西红柿   YOLOv8   CSPDarknet结构   注意力机制   混合损失函数  

摘要： 针对当前复杂环境下基于YOLO系列西红柿目标检测算法识别精确率不高、错检和漏检情况较多等问题,提出了一种基于YOLOv8单阶段西红柿目标检测识别方法.该方法以YOLOv8单阶段目标检测算法为主体,结合CSPDarknet结构改进、引入注意力机制、使用自适应锚框和混合损失函数等,提高算法检测精确率和效率.实验结果表明,YOLOv8模型在复杂环境下依然能够高效、准确地识别西红柿目标,展现出良好的鲁棒性,为农业自动化中的目标检测提供了可靠的技术支持.

关键词： 图像处理   水下图像增强   Transformer   生成对抗网络   多项损失函数  

摘要： 由于水下环境的多样性和光在水中受到的散射及选择性吸收作用,采集到的水下图像通常会产生严重的质量退化问题,如颜色偏差、清晰度低和亮度低等,为解决以上问题,本文提出了一种基于Transformer和生成对抗网络的水下图像增强算法。以生成对抗网络为基础架构,结合编码解码结构、基于空间自注意力机制的全局特征建模Transformer模块和通道级多尺度特征融合Transformer模块构建了TGAN(generative adversarial network with transformer)网络增强模型,重点关注水下图像衰减更严重的颜色通道和空间区域,有效增强了图像细节并解决了颜色偏差问题。此外,设计了一种结合RGB和LAB颜色空间的多项损失函数,约束网络增强模型的对抗训练。实验结果表明,与CLAHE(contrast limited adaptive histogram equalization)、UDCP(underwater dark channel prior)、UWCNN(underwater based on convolutional neural network)、FUnIE-GAN(fast underwater image enhancement for improved visual perception)等典型水下图像增强算法相比,所提算法增强后的水下图像在清晰度、细节纹理和色彩表现等方面都有所提升,客观评价指标如峰值信噪比、结构相似性和水下图像质量度量的平均值分别提升了5.8%、1.8%和3.6%,有效地提升了水下图像的视觉感知效果。

关键词： YOLOv8s   C2f-BE模块   小目标   多尺度  

摘要： 针对目前无人机航拍图中的小目标检测性能低、漏检、遮挡以及模型参数量大的问题,提出了AEM-YOLOv8s算法。在C2f模块中结合AKConv(alterable kernel convolution)和EMA(efficient multi-scale attention)的优点,设计了C2f-BE模块,更好地提高了算法处理特征的能力,同时也降低了模型参数量。引入小目标检测层和BiFPN结构,通过跨尺度连接方式和加权特征融合,能够保留更多的浅层特征,并且减少了算法参数量。设计多尺度特征融合分支,将浅层特征与深层特征进行融合,减少了遮挡情况下的漏检,提高了算法对小目标检测性能。在VisDrone2019公开数据集上的实验表明,AEM-YOLOv8s算法的mAP50为50.1%,mAP50:95为31.1%,较YOLOv8s分别提高了10.8和7.6个百分点,同时参数量较YOLOv8s降低了32.2%。

关键词： 车流量检测   FairMOT算法   智能交通   红绿灯管理   计算机视觉  

摘要： 随着私家车数量的不断增加,大城市普遍面临日益严重的交通拥堵问题.传统的交通信号灯控制系统难以应对复杂的交通需求,因此研发一种智能车流量检测系统尤为重要.文中利用基于计算机视觉技术的智能红绿灯管理系统来精确感知车流量,实现智能调度,缓解交通拥堵.FairMOT模型采用高效且稳健的多目标识别跟踪技术,能有效跟踪和识别道路上的车辆,为红绿灯控制系统的决策提供数据支持.

关键词： 三维目标检测   误检漏检   Transformer   注意力机制   残差结构  

摘要： 为解决路侧点云目标检测任务中复杂场景下远距离车辆漏检率高和道路行人误检率高等问题,提出一种改进PointPillars和Transformer的路侧两阶段三维目标检测算法。算法的第一阶段基于PointPillars设计:骨干网络嵌入SimAM注意力机制学习相似性信息以关注重要特征,替换下采样部分的普通卷积块为带有残差结构的卷积块以提高网络性能。第二阶段基于Transformer对第一阶段生成的候选框进行细化:编码器构建原始点特征进行编码,解码器利用通道加权增强通道信息,提高检测精度,改善误检问题。为验证所提算法的性能,在路侧数据集DAIR-V2X-I和车端数据集KITTI上进行实验。实验结果表明,所提算法相比其他公开算法检测准确率明显提升,同基准算法PointPillars相比,在moderate检测难度下,对DAIR-V2X-I数据集中汽车、行人、骑行者的检测准确率分别提高1.9百分点、10.5百分点、2.11百分点,KITTI数据集中汽车、行人、骑行者的检测准确率分别提高2.34百分点、4.73百分点、8.17百分点。

关键词： CT图像   图像处理   砂土颗粒   细观特性   孔隙分布  

摘要： 针对砂土各向异性的量化这一关键问题,以CT技术获取的砂土试样断面图为研究对象,首先采用直方图均衡化和中值滤波法对图像预处理,降低图像噪声、提高分辨率,其次运用数学形态学改进的OTSU算法有效克服了非均匀光照的影响,最后利用分水岭算法优化重叠颗粒之间的粘连情况,从而提高分割性能,得到清晰的二值化图像。结合环形测试线法对砂土颗粒内部孔隙的定向分布进行量化,并判断其宏观力学性。结果表明,经该方法处理后,提取的细观参数准确,能够清晰地展现砂土颗粒细观组构。验证了砂土颗粒确有典型的各向异性,证明了该方法的有效性和可靠性。

关键词： 目标检测   目标跟踪算法   数据处理   YOLO模型   车流量   实时采集  

摘要： 对于一座现代化城市来说,合理的交通规划是一个城市高效运行的关键,作为交通规划的关键信息的城市车流量信息,原本需要人工进行识别、获取、验证的提取方式,随着计算机视觉技术的蓬勃发展弊端尽显,终将退出历史的舞台。为了提高城市车流量信息的准确性和及时性,利用现有的计算机技术设计一种基于YOLO模型的车流量实时采集系统。该系统基于YOLO视觉检测模型,采用DeepSORT算法对检测到的目标车辆进行跟踪识别、判断车辆的运行状态、实现当前路段的车流量统计、对已记录车流量信息进行可视化展示以及数据输出等。该系统可以有效地代替传统消耗人力的死板工作,实现自动化数据收集以及道路交通情况的快速监测。该系统操作简单,交互性强,为城市的交通管理和交通规划提供准确实时的信息数据。