关键词： 视觉大模型   ViT   目标检测   图像分割   船舶特征   卷积神经网络  

摘要： 本文针对内河流域船舶监管中船舶识别准确性低的问题,提出了识别船舶身份的方法,并通过大量真实数据开展针对性训练,通过目标识别小模型与视觉大模型分析的有效结合,大幅提升了视频处理效率和大语言模型分析效率,节约了网络带宽与AI算力资源.研究结果表明,本文提出的方法在提高船舶身份识别准确性和效率方面具有显著优势,可以为内河船舶监管提供有效技术支持.

关键词： 弱目标检测   高速高机动目标   混合积累   马尔可夫模型   动态规划   关联约束规则  

摘要： 为获取高速、高机动、非合作、弱小目标的稳健检测能力，本文提出了一种基于动态规划的快速混合积累检测算法Keystone-FDP。算法采用马尔可夫运动模型，允许目标在给定加速度范围内做任意形式的机动。首先，通过Keystone算法实现段内相参积累。随后，通过动态规划实现段间非相参积累。在动态规划的实现过程中，对原有算法进行了改进，引入了关联规则，在确保“速度—距离”状态序列一致性的同时，将运算量控制在合理范围。通过雷达回波仿真数据对本文算法和其他典型算法进行对比分析。在检测性能方面，对于高速高机动目标（超声速飞行、在积累时间段内发生多次加速度突变），本文算法较常用的相参、非相参和混合积累检测算法（MTD、RFT、GRFT、Radon-MTD……）具有明显优势，仅稍弱于基于严格动态规划求解的RFT-DP-BI算法。在运算量方面，本文算法较基于RFT-DP-BI算法具有显著优势，且在积累时间较长时，优于RFT、GRFT、Radon-MTD等相参积累及混合积累算法。测试结果表明，该方法实现了检测性能和运算量的有效平衡，能够较好地适用高速高机动微弱目标检测。

关键词： 视频小卫星   势函数   拟欧拉旋转   视觉跟踪   防脱靶  

摘要： 针对视频小卫星与观测目标存在较大初始相对姿态偏差和角速度，目标容易偏离相机视场造成脱靶的问题，设计了一种视频小卫星目标跟踪视野分区防脱靶控制方法，该方法将星载相机矩形成像视野按照内切圆划分为内外两部分，内切圆内部和外部分别基于势函数和拟欧拉旋转法设计跟踪控制器，并利用Barbalat引理证明两个区域控制律的渐近稳定性，同时在理论上证明了目标进入视野内切圆区域后，在基于势函数的控制器作用下可以确保不脱靶。通过控制器对比仿真，结果表明拟欧拉旋转法相比于PD控制具有更强的抑制目标偏离视场能力，结合拟欧拉旋转法和势函数法的视野分区控制与全视场的拟欧拉旋转法相比，能够有效实现对较快速机动目标的防脱靶控制，从而实现连续跟踪观测。

关键词： 交通标志识别   目标检测   卷积神经网络   坐标注意力机制   颜色衰减先验   伽马变换   深度学习  

摘要： 针对现有交通标志检测模型在雾霾环境下出现漏检、错检以及参数较大等问题,设计一种基于YOLOv5s改进的CF-YOLO检测模型。为加强在雾霾环境中对交通标志的检测能力,提出一种基于颜色衰减先验的自适应伽马变换图像预处理算法;为增强对目标的定位能力及检测精度,将坐标注意力机制融合到网络中;为实现模型轻量化,引入FasterNetBlock构建网络。实验结果表明,改进算法在雾霾环境下交通标志检测相比原YOLOv5模型权重减少了2.3 MB,精度提高了8.5个百分点。

关键词： 机器视觉   数字图像处理系统   系统设计   精度   摄像机  

摘要： 图像技术在计算机技术的发展推动下,被广泛应用于各个领域,且呈现出良好的应用效果。基于机器视觉的数字图像处理系统,已经成为现代科学和技术中不可缺少的工具。该文以此为出发点,探究基于机器视觉的数字图像处理系统设计方案,并思考系统的实际应用价值。

关键词： 图像处理   图像识别   小白菜虫害   YOLOPC模型   注意力机制   目标检测   损失函数   空洞卷积  

摘要： 小白菜是中国种植面积较广、深受大众喜爱的蔬菜,真实菜地环境中虫害往往出现在叶片的特定区域,且受环境因素如光照和背景干扰较大,影响对其的智能检测。为提高小白菜虫害的检测效率和准确率,该研究提出一种基于YOLOv5s网络框架改进的YOLOPC(YOLO for Pak Choi)小白菜虫害识别模型。首先,引入CBAM(convolutional block attention module)注意力机制,将其放在CBS(卷积层Convolution+归一化层Batch normalization+激活函数层SILU)的输入端构成CBAM-CBS的结构,动态调整特征图中各个通道和空间位置的权重;使用上采样和1×1卷积操作来调整特征图的尺寸和通道数,实现不同层次特征的融合,增强模型的特征表示能力。同时,改进损失函数,使其更适合边界框回归的准确性需求;利用空洞卷积的优势提高网络的感受野范围,使模型能够更好地理解图像的上下文信息。试验结果表明,与改进前的YOLOv5s模型相比,YOLOPC模型对小白菜小菜蛾和潜叶蝇虫害检测的平均精度均值(mean average precision, mAP)达到91.4%,提高了12.9%;每秒传输帧数(Frame Per Second, FPS)为58.82帧/s,增加了11.2帧/s,增加幅度达23.53%;参数量仅为14.4 M,降低了25.78%。与经典的目标检测算法SSD、Faster R-CNN、YOLOv3、YOLOv7和YOLOv8相比,YOLOPC模型的平均精度均值分别高出20.1%、24.6%、14%、13.4%和13.3%,此外,其准确率、召回率、帧速率和参数量均展现出显著优势。该模型可为复杂背景下小白菜虫害的快速准确检测提供技术支持。

关键词： MATLAB   茅型瓶   裂纹缺陷   Hough变换  

摘要： 茅型瓶是一种乳白色仿瓷玻璃瓶,具有较好的热稳定性、密闭性和遮光性,是茅台酒常用的包装材料,存在缺陷的酒瓶会出现酒渗漏、酒体挥发、酒体变质等。裂纹缺陷是常见的茅型瓶缺陷,利用MATLAB图像处理技术对茅型瓶裂纹缺陷进行识别,首先对缺陷图像进行灰度化、去噪、边缘检测等预处理,然后使用Hough变换法对预处理的缺陷图像进行识别,采用不同的裂纹缺陷图像进行验证。结果表明,霍夫变换能够检测不同形状和位置的茅型瓶裂纹缺陷,识别效果较好。

关键词： 无人机航拍   小目标检测   空间池化金字塔   解耦检测头  

摘要： 目前,无人机航拍目标检测技术在军事和民用领域得到广泛的应用,但复杂场景中小目标密集,易出现误检和漏检的情况。为此,文章提出一种基于改进YOLOv5s的无人机航拍小目标检测算法,用分组卷积取代两个普通卷积,用解耦检测头取代耦合检测头,去除了原始算法中的P5检测头,在PANet结构中增加一层新的P2检测头。仿真结果表明,改进算法具有较好的检测效果,mAP50较原始算法提高了9.3%,同时能够满足无人机实时性检测需求。

关键词： 深度学习   目标检测   红外小目标检测   注意力机制   YOLOv5  

摘要： 随着图像中显著目标检测准确率的提高,如何提升小目标的检测精度逐渐成为人们关注的重点。现有的目标检测方法主要研究以可见光图像作为输入的通用目标检测问题,小目标检测领域的大部分方法主要针对可见光图像,面向红外图像的较少。红外小目标不含颜色信息,与常规目标尺度差别大,更加依赖上下文信息。针对这些问题,提出一种基于YOLOv5的红外小目标检测模型。在标准的YOLOv5模型基础上,为了有效结合目标周围的局部信息和整体特征中的全局信息,同时适应红外小目标的细微形态变化,提出了动态上下文信息提取模块,引入通道-细节注意力模块汇聚红外小目标的通道信息和细节信息,提高回归精度。考虑到网络卷积过程中细节特征丢失的问题,在保证模型特征尺度相对应的情况下,上采样新的特征尺度与浅层特征融合,以捕捉更多红外小目标细节信息,避免特征混叠。为了证明方法的有效性,在公开的红外数据集ITTD、IRSTD-1k和NUAA-SIRST上进行验证。实验结果表明:在ITTD数据集中所提方法的mAP值超过对比方法5.1%。对比YOLOv5s基准模型,mAP值提高了3.7%,在IRSTD-1k和NUAA-SIRST数据集中也展示出良好的检测效果,并对自身模型进行了消融实验。本文所提出的红外小目标检测模型对复杂场景下的红外小目标鲁棒性很好,有效地提高了小目标检测的精度,降低了小目标的漏检率。

关键词： 图像处理   蜂窝肺   病变信号   多尺度信息增强   交叉注意力  

摘要： 蜂窝肺是多种肺部疾病晚期的CT影像表现,其影像特征表现为多样化的囊状病变,呈现蜂窝样外观。现有的计算机辅助诊断方法,难以有效解决蜂窝肺病灶形态不一、位置不同所导致的识别准确率不高的问题。因此,提出一种结合CNN和Transformer病变信号引导下的蜂窝肺CT影像识别模型。采用多尺度信息增强模块丰富CNN获取的不同尺度下特征的空间信息与通道信息,同时使用病变信号生成模块以强化病变特征表达;利用Transformer获取特征的长距离依赖信息以弥补CNN在提取全局信息方面的缺陷;引入多头交叉注意力机制融合特征信息获得分类结果。实验结果表明,该模型在蜂窝肺和COVID-CT数据集中分别取得了99.67%、97.08%的精确度,对比其他模型具有更加精准的识别结果,验证了模型的有效性和泛化性。