关键词： 图像处理技术   智能控制器   背景差分法   积分滑模控制  

摘要： 为了提高船舶的自主控制能力和运行效率,研究图像处理技术在船舶智能控制器中的应用。利用摄像机采集船舶图像,获取持续更新的船舶序列图像。采用大津法确定船舶目标提取阈值,利用背景差分法提取船舶图像目标。从船舶图像目标中,提取船舶位置、船舶尺寸、船舶航向角、船舶航行速度,作为船舶智能控制的运动态势参数。利用船舶运动态势参数中的位置矢量与速度矢量,构建船舶的动力学模型、船舶的积分滑模控制面,设计船舶智能控制器,实现船舶航行的智能控制。实验结果表明,采用该方法控制船舶,船舶的实际舵角与期望舵角相差较小,可有效提升船舶的自主控制能力。

关键词： 事件相机   目标检测   神经网络  

摘要： 事件相机是模仿生物视网膜的成像方式,具有高动态、低延迟、高时间分辨率以及低功耗的特性。其突破传统相机难以捕捉在高动态范围情况下的物体并进行目标识别的困境,事件相机的特性对于研究基于事件相机的目标检测问题具有实验意义。简要叙述事件相机的现状、发展过程、优势与挑战,介绍了各种类型事件相机的工作原理和一些基于事件相机的目标检测算法,阐述了基于事件相机的目标检测算法面对的挑战和未来趋势,并进行了总结。

关键词： 下咽癌   磁共振成像(MRI)   目标检测   语义分割   深度学习   检测病灶  

摘要： 相比于肺癌、肝癌等常见的癌症,下咽癌是一种罕见的疾病。由于下咽癌的磁共振影像往往亮度不均、模糊、噪声重,因此如何从这些磁共振图像中获取有用信息是一个难题,如何使用深度学习通过磁共振图像来检测下咽癌的病灶是一项重大挑战。首先,综述了下咽癌的磁共振图像特点及成因,概括了Faster-RCNN、RetinaNet、FCOS、Cascade-RCNN等常见目标检测网络的特点和应用领域,并且分析了目标检测网络应用在下咽癌病灶定位上所面临的挑战,介绍了行之有效的解决方法:可变形卷积和应用定制的锚框。然后,介绍了常见的语义分割网络,并分析了把这些语义分割网络应用在下咽癌病灶分割上所面临的挑战。最后,对上述提到的目标检测网络和语义分割网络进行了总结,并对未来下咽癌医学影像的目标检测和语义分割工作进行了展望。

关键词： PCB缺陷检测   膨胀挤压卷积   空间向通道集中卷积   细微特征增强   目标检测  

摘要： 为了解决现阶段的印刷电路板(Printed Circuit Board,PCB)缺陷检测方法没有同时关注缺陷的细节信息以及全局信息,跨像素卷积或池化的降采样操作更是造成了PCB表面缺陷全局信息与细节信息的丢失。虽然部分方法使用注意力进行层内信息的关注,但是对普通卷积提取特征后造成的权重偏差问题缺乏关注的问题。本文提出了PCB表面缺陷检测网络(PCB defect detection Network,PCBNet),该方法通过设计膨胀挤压卷积(Dilation and extrusion Convolution,DeConv)提取PCB表面缺陷全局信息与细节信息,使用空间向通道集中卷积(Spatial to Passage Directed Focused Con⁃volution,SPD-Conv)进行降采样以减少信息丢失,设计细微特征增强模块(Subtle Feature Enhancement Module,SFEM)调节PCB表面缺陷特征的层内关系以及减少权重偏差的同时增强算法对细微特征的感知能力。在现场采集的PCB表面焊接缺陷数据集以及PCB Defect-Augmented数据集上与多种先进方法进行的对比的实验结果表明,PCBNet不仅在PCB表面焊接缺陷数据集上能够以每秒83帧的速度进行准确识别,还在PCB Defect-Augmented数据集上取得了COCO数据集评价指标mAP0.5的最佳精度。表明本文的方法拥有可部署在嵌入式设备上运行的潜力。

关键词： 目标检测   SIFT算法   特征描述符   KPCA降维  

摘要： 针对基于SIFT算法的图像识别中存在着识别准确度不高,匹配速度慢问题。提出了一种快速获取特征点和匹配特征点方法。首先基于图像边缘的特征点获取方法,对图像边缘进行扩展,只在扩展区域内判断特征点。然后在特征点描述符中增加特征点周围16个子区域归一化后的灰度差分值信息,增强特征点描述能力。通过KPCA降维方法对描述符降维,最后在特征点匹配阶段使用余弦相似度预处理噪声特征点,加快匹配速度。在实际测试中,相对于SIFT算法图像识别率提升了8%左右,识别速度提高了50%左右。

关键词： 无人机   目标检测   可变形卷积   YOLOv8s   注意力机制  

摘要： 针对目前无人机航拍图像目标尺寸较小,图像背景复杂,导致现有的无人机目标检测算法检测精度较低的问题,提出一种改进YOLOv8s的无人机目标检测算法。首先使用可变形卷积替换标准卷积,以增强网络对不规则形状目标的特征提取能力;然后使用可分离大核注意力机制(LSKA)改进快速空间金字塔池化(SPPF)模块,改善因目标尺度差异较大导致检测精度较低的问题。在网络颈部结合双向特征金字塔网络(Bi-FPN)实现多尺度特征融合,改善网络对小目标的漏检和错检问题。在网络头部,使用自注意力机制动态检测头(DyHead)替换原检测头,增强对遮挡物体和小目标的检测能力。最后,针对数据集中存在大量低质量样本对训练过程产生负面影响的问题,使用Wise-IOU损失函数,提升模型收敛速度和检测精度。实验结果表明,改进后的方法在VisDrone2019数据集上获得了41.7%的平均精度均值(mAP),与原YOLOv8s算法相比,mAP@0.5提升了3.0%,mAP@0.5∶0.95提升了1.9%,参数量下降了17.5%,计算量下降了12.63%。实现了模型轻量化和检测精度双重提升。

关键词： 多模态识别网络   毫米波雷达   目标检测   YOLOv5s   微光场景  

摘要： 近些年来,在目标检测以及图像分割等领域涌现了许多先进的算法。在能见度较差的微光场景下如夜晚、大雾天气等场景中,视频图像具有像素声高、对比度低、无彩色信息等特点,算法的检测性能受到明显限制。与目前主流的RGB相机相比,毫米波雷达对上述复杂环境具有一定的免疫能力,可以在不利条件下辅助RGB相机进行目标检测工作。以单阶段目标检测器中实时性较高的YOLOv5s为基础,结合毫米波雷达的特性,提出了用于微光环境下目标检测的多模态识别网络。与现有的传感器融合方法相比,多模态识别网络有几个关键优势。系统以基于学习的方式融合了2种模态,只需要少量新场景的标记图像和雷达数据,因为其可以充分利用已经开源的大型图像数据集进行大批量的训练。这一突出特性使新系统能够适应高度复杂的现实环境。由于使用了高度计算效率的融合方法,系统是非常轻量级的,因此适用于各个复杂场景下的实时应用。为了评估系统的性能,制作了一个小批量的雷达和摄像机融合数据集,包含普通光照和不同强度微光光照条件下的多模态数据。实验结果表明,微光场景下多模态识别网络的平均精度达到76.6%,相比Faster R-CNN算法和YOLOv7算法,全类平均精度(mean Average Precision,mAP)提高了16.8%和9.3%,且误检、漏检率低,达到了在微光环境下完成目标检测任务的要求。

关键词： 发作性睡病   猝倒   人工智能   图像处理   横断面研究  

摘要： 目的应用深度学习图像识别网络ResNet-18,基于临床拍摄视频,建立猝倒面容预测模型。方法本研究为横断面研究,收集2020至2023年在南昌大学第二附属医院首诊未经治疗的1型发作性睡病患者25例及健康对照25名,采集的图像预处理后,共获得1180张图片,其中583张猝倒面容,597张正常面容。从中抽取90%作为训练集与验证集,随后数据扩增5倍,扩充后的数据集抽取80%作为训练集,20%作为验证集,即训练集数量为(583+597)×0.9×0.8×5=4248,验证集数量为(583+597)×0.9×0.2×5=1062,训练集与验证集用于训练参数建立模型,并通过五折交叉验证法进行训练,构建采用迁移学习方式的ResNet-18猝倒面容识别模型。原未扩增前图像抽取10%(118张)作为测试集,测试集数据不参与数据增强和模型训练,仅用于测试模型最终效果。最后将ResNet-18与VGG-16、ResNet-34和Inception V3深度学习模型进行比较,用受试者工作特征曲线评估ResNet-18图像识别网络在猝倒面容识别中的价值。结果25例1型发作性睡病患者中,男15例,女10例,年龄[M(Q_(1),Q_(3))]为14.0(11.0,20.5)岁;25名健康对照者中,男14名,女11名,年龄16.0(14.4,23.0)岁。ResNet-18图像识别网络在测试集中的总体准确率为90.9%,灵敏度为96.4%,特异度为85.2%,受试者工作特征曲线下面积为0.99(95%CI:0.96~1.00)。ResNet-18模型参数量为11.69 M,浮点运算量为1824.03 M,单张图片识别时间为5.9 ms。结论基于深度学习图像识别网络ResNet-18构建的猝倒面容预测模型在猝倒面容的识别上有较高的准确率。

关键词： 多传感器融合   目标跟踪   特征编码器网络   二维卷积网络  

摘要： 针对自动驾驶车辆自动跟踪人员及车辆行驶过程中的目标检测和跟踪问题,提出基于多传感器融合的目标信息检测及信息融合处理方案。利用车辆内置的三种类型的传感器,相互弥补不同工况下识别性能不足的同时,通过二维卷积网络等方法识别不同传感器获取的信息,采用关联方法将不同传感器信息进行融合识别,确保在不同工况下均可识别目标物。通过提出的多传感器融合方法,车辆在结构化道路以及越野道路工况下,可以通过不同传感器的优势互补,实现不同目标的检测和跟踪功能。

关键词： 目标检测   鱼眼图像   多头注意力   可变形卷积   YOLO算法  

摘要： 鱼眼相机捕获的图像具有宽视场、几何失真和尺度差异大等特点,这给基于标准卷积网络的目标检测器带来了巨大的挑战。现有的目标检测算法可以在网络结构设计、特征学习等方面进一步改进以适用于鱼眼图像上的失真目标检测任务。为减轻鱼眼图像上径向畸变的影响,研究在YOLOv7主干引入多分支堆叠结构的多头注意力模块以捕获全局上下文信息,提高检测准确性。同时,在YOLOv7的Neck侧,使用简单高效的融合可变形卷积的层聚合结构以实现有效的多尺度特征融合,提高模型对失真目标的特征提取能力。提出的检测模型直接在鱼眼图像上执行,无须指定先验信息和校准。在公开的综合鱼眼图像数据集VOC_360上进行实验,结果表明,改进后的YOLOv7鱼眼图像目标检测器有效地提高了检测精度,mAP50、mAP50:95分别达到84.3%、70.4%,相比基准模型YOLOv7分别提升3.1个百分点、6.4个百分点。