关键词： HSV色彩空间   感兴趣区域   目标检测   色彩阈值  

摘要： 嵌入式设备中部署深度学习检测模型往往面临算力不足的问题,而感兴趣区域(ROI)提取可作为一种高效的性能优化手段。文章提出一种基于HSV(Hue,Saturation,Value)色彩空间模型的ROI提取的方法,将检测目标的像素信息转化到HSV色彩空间,在色相-饱和度(H-S)平面引入DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法,精确定位目标的主色彩像素在H-S平面上的分布位置,同时过滤杂乱色彩,然后通过Quickhull(快壳)凸包算法,从散点数据中拟合出主色彩的精确分布范围。根据获取的主色彩范围对像素进行遍历,可以根据色彩信息有效地提取ROI。实验结果表明,经过该方法优化后的Faster R-CNN(Faster Regions with Convolutional Neural Networks)算法,较原模型减少了57.08%的平均推理耗时,同时精确率提升了0.9百分点。这对于嵌入式设备中进行实时目标检测具有重要的现实意义。

关键词： YOLOv5   注意力机制   目标检测  

摘要： 为提高交通背景下车辆、行人等交通目标检测识别精度低的问题,文章提出了一种基于改进YOLOv5的交通目标检测方法。在YOLOv5骨干网络引入了全局注意力机制模块,增强模型对交通小目标特征提取的能力,并在YOLOv5模型上增加了一个小目标检测头,以提升模型对交通小目标的检测能力。验证结果表明所提算法的识别精度优于原始的YOLOv5算法,平均精度提升1.4%,检测速度为74帧/秒。

关键词： 目标检测   雷视融合   SAF-FCOS网络   多尺度融合   LNblock_GAM  

摘要： 针对雷视特征融合目标检测网络难以有效利用雷达点云信息和图像特征,在恶劣天气环境下,仍然容易出现误检、漏检的问题,提出了一种改进SAF-FCOS雷视融合目标检测网络。对SAF-FCOS的骨干网络结构进行改进,在C3、C4特征层进行雷达特征信息的多尺度融合,使网络模型更充分地利用雷达信息;在检测层前使用改进的LNblock模块——LNblcok_GAM,能够以较低的计算成本提取图像特征的同时提高网络的检测性能;在回归损失方面,使用基于EIOU与GIOU改进的CEIOU替换原网络中的GIOU,提高了网络的检测精度,提升了模型的鲁棒性。在NuScenes数据集上,改进网络的mAP_(0.5:0.95)达到了70.7%,AP_(50)达到了90.5%,比原网络SAF-FCOS分别提高了1.7个百分点和0.9个百分点,漏检、误检的情况得到了有效改善,同时,该改进网络的总体检测效果要优于其他经典的纯视觉目标检测算法。

关键词： 目标检测   建筑护栏   改进YOLOv5s   Biformer注意力机制   CBAMC3   CLAHE算法  

摘要： 目前,建筑场所上仍存在因建筑护栏缺失或建筑护栏安全性降低而导致的建筑工人高空坠亡事件。针对该问题,提出一种基于改进YOLOv5s的建筑护栏检测算法。首先,针对建筑护栏普遍存在的安全隐患,收集影响护栏安全性较大的情况的图像,例如:建筑护栏栏板的存在图像、建筑护栏栏板的缺失图像、护栏网图像、护栏栏板衔接错位图像和护栏栏板衔接正确图像等,并且制作成训练数据集。为提升YOLOv5s在复杂环境下多目标检测任务和区分任务结果的准确率,将新型的Biformer注意力机制与SE注意力机制相结合,嵌入到原模型的特征提取网络中,并利用CBAMC3取代原特征提取网络的C3模块。最后,使用CLAHE算法较大程度地解决部分图像亮度偏暗,影响检测精度的问题。实验结果表明,所提检测算法的mAP50值和召回率分别达到了79.6%和83%,相比于原YOLOv5s算法分别提高了3.7%和6.8%。

关键词： 图像处理   病害   缩叶病   目标检测   YOLOv5su   可变形自注意力   大核卷积   轻量化  

摘要： 为实现自然环境下桃树缩叶病的检测,该研究提出了一种基于YOLOv5su的桃树缩叶病识别改进模型DLLYOLOv5su。首先,针对桃树缩叶病目标特征变化较大的问题,在骨干网络最后一层C3模块中加入可变形自注意力模块(deformable attention,DA),使模型更加关注目标区域,降低背景对模型的影响,提高模型在复杂背景下的拟合能力。其次在SPPF(fast spatial pyramid pooling)模块中引入LSKA(large separable kernel attention)结构,大核卷积增大了模型的感受野,使模型能够关注更多信息。最后,提出了LAWD(lightweight adaptive weighted downsampling)模块,使用轻量化的下采样结构替换卷积模块,减少计算开销。在桃树缩叶病数据集上进行试验,结果显示,DLL-YOLOv5su模型权重大小为17.6 MB,检测速度为83帧/s。识别准确率P、召回率R和平均精度均值mAP_(50)分别达到了80.7%、73.1%和80.4%,相较于原始YOLOv5su分别提高了4.2、2.4和4.3个百分点。与YOLOv3-tiny、Faster R-CNN、YOLOv7和YOLOv8相比mAP_(50)分别高出了28.5、11.8、2.1和4.1个百分点。改进模型识别精度高,误检、漏检率低,检测速度满足实时检测的要求,可以为桃树缩叶病的实时监测和预警提供参考。

关键词： 传感器管理   扩展目标跟踪   深度强化学习   双延迟深度确定性策略梯度   信息增益  

摘要： 针对扩展目标跟踪(Extended target tracking,ETT)优化中的传感器管理问题,基于随机矩阵模型(Random matrices model,RMM)建模扩展目标,提出一种基于深度强化学习(Deep reinforcement learning,DRL)的传感器管理方法.首先,在部分可观测马尔科夫决策过程(Partially observed Markov decision process,POMDP)理论框架下,给出基于双延迟深度确定性策略梯度(Twin delayed deep deterministic policy gradient,TD3)算法的扩展目标跟踪传感器管理的基本方法;其次,利用高斯瓦瑟斯坦距离(Gaussian Wasserstein distance,GWD)求解扩展目标先验概率密度与后验概率密度之间的信息增益,对扩展目标多特征估计信息进行综合评价,进而以信息增益作为TD3算法奖励函数的构建;然后,通过推导出的奖励函数,进行基于深度强化学习的传感器管理方法的最优决策;最后,通过构造扩展目标跟踪优化仿真实验,验证了所提方法的有效性.

关键词： 计算机视觉   图像增强   非均匀光照   引导滤波   伽马校正  

摘要： 针对非均匀光照图像在被增强处理中的过度增强问题,提出一种将光照分量和目标均值结合的自适应二维伽马函数的图像增强算法。首先,将图像转到HSV空间并提取V通道分量;对V通道分量进行并行的两种处理,一种是基于光照-反射模型,利用边缘保持性好的引导滤波器估计光照分量,另一种是将V通道分量IV的区域划分为亮区和暗区,并建立不同调整系数的目标均值函数;然后,再将光照分量和目标均值共同作为二维伽马函数的参数,对图像进行自适应伽马校正;再利用自适应直方图均衡对校正后图像进行进一步调整;最后,将调整后的V通道分量与原图像的H、S通道分量合并后转换回RGB色彩空间并输出。对DICM、LIME两个数据集中的非均匀光照图像进行增强处理的实验结果表明:相比其他4种典型增强算法,所提算法可以将原图像的信息熵(entropy)、平均梯度(MG)、信噪比(SNR)分别平均提高10.6%、97.5%、77.8%,平均运行时间为0.32 s;经所提算法增强处理后,图像中光照更自然、细节更清晰、色彩保持性更好。所提图像增强算法可以将非均匀光照图像处理为色彩真实自然、亮度均匀、细节清晰的图像,视觉效果好,并有效避免图像过度增强问题。且所提算法处理快速,有利于机器视觉等研究工作的开展。

关键词： Photoshop图形图像处理   课程思政   实践教学  

摘要： Photoshop作为一款强大的图像处理软件,已经成了设计师、摄影师、艺术家和其他数字创意人员必备的工具之一。在此背景下,图像处理学科已经成了计算机领域中的一个重要分支,同时也是信息技术、图形设计、摄影、艺术等领域的重要基础。但是,现实中存在一些问题,即Photoshop的大多数使用者主要关注技术和技能的学习,缺乏对思想道德素质的培养和重视。这就需要我们在课程设计过程中,加强对课程思政实践内容的重视,引导学生健康成长。本文基于对Photoshop图形图像处理课程思政实践教学路径的探索,详细阐述了如何设计和实施思政实践教学内容,以培养学生的思想道德素质和职业道德意识。

关键词： 机器视觉   缺陷检测   图像处理   深度学习  

摘要： 随着技术发展,缺陷检测技术逐渐由基于传统图像处理技术演化成基于深度学习的缺陷检测技术,两种方法各有优缺点,也都有值得借鉴的地方。文章调研机器视觉发展相关文献,列举不同时期机器视觉研究者的检测方法,并进行综述。通过列举国外机器视觉发展路程与国内视觉检测应用实例,对今后缺陷检测领域发展提出展望,希望为后续研究提供一定参考。

关键词： 遥感图像   目标检测   边界框   群目标   自动化标注   DOTA   目标感知   多目标  

摘要： 光学遥感是航天侦察和地质勘测中的常用技术,拍摄得到的可见光图像能够提供非常丰富的信息,在目标监视、态势预判等方面都具有重要应用。近年来以轮船、飞机等物体检测为代表的光学遥感图像目标感知取得了显著进展,但对于目标尺度变化大,目标数量多而小的遥感图像目标感知场景中还存在巨大技术挑战,也就是在当前的光学遥感图像目标感知场景存在很多目标小并且多目标集中的情况,容易导致误检和漏检。为了解决现有遥感图像目标检测算法不同目标独立检测的内在低效性,本文提出了一种新的检测框架,即群目标检测,以期通过检测群目标的状态信息来缓解单一目标感知信息不足、可靠性差等问题,进而得到更为可靠的多目标检测结果。本文首先对群目标的概念进行定义,然后基于该定义提出了一种群目标自动化标注方案,在公开数据集上对原有标签进行分析,无需任何手动标注,就能得到含有群目标标注的注释信息。基于群目标自动化标注,本文提出了群目标检测算法,即在检测群目标的同时,利用群目标的空间约束提升单一目标检测结果。实验证明,与近年来的遥感图像检测算法相比,本文提出的群目标检测在最热门的大型遥感目标检测数据集DOTA上验证时,性能最佳。