关键词： 视频识别技术   电气火灾   自动报警   信息融合   目标检测  

摘要： 为了提高电气火灾自动报警准确性和实时性,设计基于视频识别技术的电气火灾自动报警系统。首先通过火灾探测器采集电气火灾视频数据,采用D-S证据理论算法对数据进行融合处理,然后采集盒式滤波器对电气火灾视频进行去噪处理,从电气火灾视频序列提取闪烁和色彩特征,神经网络根据电气火灾特征建立电气火灾检测模型,根据检测结果进行电气火灾自动报警,测试结果表明:所提系统减少了电气火灾自动报警响应时间,提高了电气火灾识别准确性,可以满足电气火灾自动报警实际应用要求。

关键词： 无人机检测   浅层特征融合   ASPPF   YOLOv8n   中尺度特征融合  

摘要： 针对无人机航拍检测任务中小目标检测精度低的问题,提出一种基于YOLOv8n的目标检测算法(SFEYOLO).首先,嵌入浅层特征增强模块,将输入特征的浅层空间信息与颈部获取的深层语义信息融合,以增强小目标特征表示能力,并使用全局上下文块(GC-Block)对融合信息进行重校准,抑制背景噪声.其次,引入可变形卷积来代替C2F中的部分标准卷积,提高网络对几何变化的适应性.再次,引入ASPPF模块,融合平均池化技术,增强模型对多尺度特征的表达并降低漏检率.最后,在颈部网络的基础上嵌入中尺度特征合成层,融合主干网络中更多的中间特征,使不同尺度的特征过渡更平滑,并通过跳跃连接增强特征重用性.该模型在数据集VisDrone2019和VOC2012上进行验证,mAP@0.5值达到30.5%和67.3%,相较于基线算法YOLOv8n提升了3.6%和0.8%,能够提升无人机图像目标检测性能,同时具有较好的泛化性.

关键词： 伪装目标检测   边界先验   前景引导   边界特征   边界掩码   空间交互  

摘要： 伪装目标检测旨在检测隐藏在复杂环境中的高度隐蔽物体,在医学、农业等多个领域有重要应用价值.现有方法结合边界先验过分强调边界区域,对伪装目标内部信息的表征不足,导致模型对伪装目标的内部区域检测不准确.同时,已有方法缺乏对伪装目标前景特征的有效挖掘,使背景区域被误检为伪装目标.为解决上述问题,本文提出一种基于边界特征融合和前景引导的伪装目标检测方法,该方法由特征提取、边界特征融合、主干特征增强和预测等若干个阶段构成.在边界特征融合阶段,首先,通过边界特征提取模块获得边界特征并预测边界掩码;然后,边界特征融合模块将边界特征和边界掩码与最低层次的主干特征有效融合;同时,加强伪装目标边界位置及内部区域特征.此外,设计前景引导模块,利用预测的伪装目标掩码增强主干特征,即将前一层特征预测的伪装目标掩码作为当前层特征的前景注意力,并对特征执行空间交互,提升网络对空间关系的识别能力,使网络关注精细而完整的伪装目标区域.本文在4个广泛使用的基准数据集上的实验结果表明,提出的方法优于对比的19个主流方法,对伪装目标检测任务具有更强鲁棒性和泛化能力.

关键词： 自动驾驶   目标检测   YOLOv8n   上采样   注意力机制  

摘要： 针对当前自动驾驶场景下道路目标检测算法对远距离小目标、遮挡目标容易出现漏检和误检的问题,提出一种基于改进YOLOv8n的道路目标检测算法。在特征提取方面,对感受野注意力卷积进行轻量化改进,重新构造C2f模块,以解决卷积计算中参数无法共享问题,使网络有效捕捉关键信息;然后引入轻量化点采样算子,以减少上采样过程中特征细节损失,更好保留图像的细节信息;在特征融合方面,设计多尺度特征融合网络,以增强小目标特征信息,丰富不同尺度特征的双向融合;同时使用归一化注意力机制,以抑制无关背景信息干扰,提高模型抗干扰能力。实验结果表明,提出的改进算法在KITTI数据集和Udacity数据集上的检测精度分别达到了92.8%和78.7%,相比原始算法分别提高了2.2%和1.6%,模型依然满足轻量化要求,在一定程度上提高了对复杂道路场景的适应能力。

关键词： 图像处理   微光图像增强   图像去噪   盲点网络   直方图均衡化  

摘要： 针对现有的低照度图像增强算法在增强的同时其图像中仍含有残留噪声、网络训练中将产生恒等映射以及成对数据集获取困难的问题,本文提出了一种基于盲点网络的自监督微光增强网络。首先,采用双边多尺度融合直方图均衡化的方法对图像亮度进行调整,以此来克服传统直方图增强方法中的信息颜色损失;其次,所设计的去噪网络可以自适应地从原始图像中进行学习,同时采用像素混洗下采样解耦相邻像素空间中的相关性;最后,为保持图像空间和颜色的一致性设计了相关的损失函数。实验证明,本文算法克服了现有算法存在残留噪声、网络训练中产生恒等映射的问题,有效地提高了低照度图像质量。

关键词： 人工智能   景观设计   图像处理   设计辅助  

摘要： 随着2023年年初,CHATGPT在国内逐渐掀起一股人工智能(AI)热潮,似乎标志着人类科技发展出现了一个新的转折点,日常生活即将面临着翻天覆地的变革,也开始席卷到景观设计等行业当中。文中简要概述了目前景观行业可以运用的人工智能技术及其操作方法,着重介绍了Stable Diffusion和CHATGPT两种不同类型平台分别在景观项目图像处理和文字处理方面的利与弊,并展望了人工智能技术在设计行业的巨大潜能。

关键词： 去雾增强   暗通道模型   颜色通道   自适应天空   CLAHE   无人机视角目标检测  

摘要： 图像去雾是图像处理领域的一个重要研究热点。为了解决雾霾天气下图像的去雾与增强问题,提出了一种基于改进暗通道的去雾算法。首先为了使雾霾图像更接近无雾图像,提高图像的清晰度,该算法分别减少雾图像的RGB通道值,并结合每个减少的通道和其他两个先前未减少的通道,使用该图像去雾算法后再对三个新图像加权来恢复图像;为了解决图像天空区域出现颜色失真的问题,设置了一个参数K来分别计算天空区域和非天空区域的透射率;为了解决图像中亮度过暗和增加目标对比度,本文引入CLAHE的方法对图像进行增强处理。实验结果表明:本算法在5张图像的对比度值分别是MDCP和RSD算法的2倍多和3倍多,在5张图像中的信息熵均值为7.5589,均明显优于其余2种算法,并且该算法在雾霾天气下目标检测的平均精度可达73%,相比于未经处理图像前提升了15%,具有一定的可行性。

关键词： 图像处理   多聚焦图像   图像融合   多尺度   空洞卷积  

摘要： 针对目前多聚焦融合算法仅采用单一的图像特征提取尺度,从而导致成像中细节边缘丢失和局部模糊等的问题,提出一种基于多尺度空洞U-Net的多聚焦图像融合算法。首先,在U-Net的编码器部分,引入多尺度空洞模块替代传统的卷积模块,充分利用不同尺度的感受野,更全面地捕捉局部和全局信息。此外,为了进一步增强图像特征的表征能力,在U-Net的中间层采用了RFB-s模块,以优化多尺度特征的定位能力。所提融合算法采用深度学习中端到端的有监督学习方法,分为特征提取、特征融合和图像重建3个模块,其中特征提取部分使用了包含多尺度空洞模块的U-Net。实验结果表明,所提算法得到的融合图像细节纹理清晰,且无重叠伪影。在所有用于对比的多聚焦图像融合算法中,所提算法的平均梯度、视觉信息保真度和互信息评价指标均最优,并且边缘信息保持度指标取得了接近最优结果的次优结果。同时,消融实验的结果进一步验证了所提多尺度空洞模块能显著增强网络的特征提取能力,从而提高图像融合质量。

关键词： 雾天场景   目标检测   图像去雾   深度可分离卷积   注意力机制  

摘要： 文中提出了一个基于深度可分离卷积和注意力机制的雾天目标检测模型,旨在实现在雾天场景中对目标的快速、准确检测。该模型由去雾模块和检测模块组成,并在训练过程中共同训练。为确保模型在雾天场景中检测的准确性和实时性,在去雾模块方面,采用AODNet对输入图像进行去雾处理,以降低雾对图像中待检测目标的干扰,在检测模块中使用改进后的YOLOX_s模型,输出目标的分类置信度和位置坐标。为提升网络的检测性能,在YOLOX_s基础上采用深度可分离卷积和注意力机制来提高特征提取能力,扩大特征图感受野。所提模型能提高有雾场景中模型的检测精度,且不增加模型参数量和计算量。实验结果表明,所提模型在RTTS数据集和合成有雾目标检测数据集上均表现出色,有效提高了模型在雾天场景中的检测精度。与基准模型相比,平均精度(mAP@50_95)分别提升了1.9%和2.37%。

关键词： 碳纤维   气流展纤   正交实验   图像处理   均匀性  

摘要： 为研究碳纤维在气流作用下的展纤过程,研制了一套气流展纤装置。通过多因素正交实验研究了气流流速、支撑辊跨距和纤维悬垂量对展纤宽度的影响,并对实验结果进行了分析。采取MATLAB数字图像处理技术,对展纤后的碳纤维图像进行了缩小、灰度化和增强等预处理,引入了变异系数与概率分布,对碳纤维横、纵向分布均匀性进行表征。结果表明:气流展纤宽度与纤维悬垂量在一定范围内呈线性正相关,选取最优工艺参数,即气流流速为4 m/s,支撑辊跨距为140 mm,有着较好的展纤效果;采用数字图像分析法能够较好地表征碳纤维气流展纤均匀性,并与实验结果相一致,具有较好的工业应用前景。