关键词： 深度学习   目标检测   应用   视觉领域   神经网络  

摘要： 对图像或视频进行目标检测即对图像上的目标进行定位和类别判断,它是计算机视觉领域最基本和重要的任务之一。基于深度学习进行目标检测的方法是当前视觉目标检测领域的主流技术。该文回顾并分析近年来基于深度学习进行目标检测的一些技术成果,总结提高目标检测性能的方法并调研目标检测在各个领域的不同应用,同时提出当前目标检测存在的一些问题和对应的解决方法,最后针对目前存在的挑战讨论目标检测的发展方向。

关键词： 目标检测   杂草检测   精准除草   深度学习   研究进展  

摘要： 杂草不仅会与作物竞争生长资源,还会传播病虫害最终影响作物产量,杂草智能检测技术是田间杂草精准防治的关键环节。本文通过对国内外相关文献进行综述,并结合田间杂草智能检测技术的研究进展,深入分析传统杂草检测算法和深度学习杂草检测算法的特点,并根据算法在杂草检测过程中的实际应用情况,分别对3种常见的传统杂草智能检测算法、深度学习算法的单阶段杂草智能检测算法和两阶段杂草智能检测算法进行系统性分析。在此基础上提出目前田间杂草识别中存在的人工标注数据耗时长、模型泛化能力差、模型轻量化设计等现存挑战,最后针对现状对杂草智能检测技术提出技术发展策略,并对技术发展进行合理化展望,为未来杂草智能检测技术的深入研究提供理论参考。

关键词： 多模态   三维目标检测   自适应信息融合   数据层面融合   特征层面融合   雷达-相机  

摘要： 多模态三维目标检测是计算机视觉的一项重要任务,如何更好地融合不同模态之间的信息一直是该任务的研究重点。现有方法在融合不同模态信息时缺少对信息的筛选,且过多无关与干扰信息会造成模型性能的下降。针对上述问题,提出一种基于多模态信息相互引导补充的雷达-相机三维目标检测模型,以在融合特征时从另一种模态中自适应地挑选信息进行融合。自适应信息融合包括数据层面的相互引导补充和特征层面的相互引导补充。在数据层面的融合中,使用由点云产生的深度图和图像产生的分割掩码作为输入,以分别构建出实例级的深度图与实例级的三维虚拟点用于图像与点云的补充。在特征层面的融合中,使用点云产生的体素特征和图像产生的特征图作为输入,并从另一种模态中为待融合特征选取关键区域并通过注意力机制进行特征融合。实验结果表明,所提模型在nuScenes测试集上取得了良好的效果。相较于BEVFusion和TransFusion等传统非引导的融合模型,所提模型将平均精度均值(mAP)和nuScenes检测分数(NDS)这2个主流评测指标分别提升了0.9~28.9个百分点和0.6~26.1个百分点。以上验证了所提模型可有效提高多模态三维目标检测的准确性。

关键词： 小目标检测   特征金字塔网络   注意力机制   特征融合  

摘要： 小目标在图像中占有很少的像素,导致目标严重缺乏特征信息,小目标检测是目标检测的一大挑战。为解决这一问题,设计一种面向小目标检测的自适应多维度特征融合网络(AMDFF-Net)算法以提高小目标检测的准确率。首先,整合池化层和注意力机制,构建池化注意力模块,使模型获得更大的接受域以实现自我注意中的自适应和长程相关性;其次,设计自适应选择多维度特征融合模块(ASMFF),并基于ASMFF模块设计自适应多维度特征金字塔网络,自适应融合不同尺度的图像特征,强化小目标的信息。为了验证模型的性能和泛用性,分别在VisDrone2019数据集、AI-TOD数据集以及TinyPerson数据集上进行实验,实验结果表明,AMDFF-Net提高了小目标检测的精度,通过与其他主流算法对比,验证了本文模型在小目标检测方面的有效性。

关键词： 玻璃绝缘子   缺陷检测   气泡   特征提取   图像处理  

摘要： 绝缘子是电力系统中一种特殊的绝缘控件,在电力输变电工程的架空输电线路中有重要的作用。玻璃绝缘子的表面质量和缺陷状况,特别是玻璃绝缘子的气泡缺陷,对绝缘性能有很大影响。目前,玻璃绝缘子缺陷大多还是采用人工检测,检测效率和检测质量受人为主观因素影响大。本文通过研究玻璃绝缘子的图像形态学分析,对玻璃绝缘子的有关图像特征进行提取,利用帧间图像差分算法对玻璃绝缘子气泡缺陷区域进行检测和分类,可以实现玻璃绝缘子的气泡缺陷的在线智能检测和判断,对提高玻璃绝缘子的生产效率和保证玻璃绝缘子的产品质量具有重要意义。

关键词： 自动驾驶   多传感器融合   3D目标检测   点云编码   自注意力机制  

摘要： 为了进一步解决3D目标图像与雷达信息异构特征难以匹配的问题,设计了一种面向自动驾驶模态融合的相机-激光雷达3D目标(3DMMF)检测方法。将约束条件引入到多维空间中,根据稀疏张量用于概率信息融合,利用最大池化方法与概率得分的预期目标对应,获得最终融合效果。研究结果表明,与纯点云相比,所提方法在各项指标上实现了很大程度的改进,MAP平均提高6.23%,在简化效果方面达到了最优状态。所提方法增强后的预传输延迟降低95.35%,在两级融合网络中具备最优探测性能,不需要占用过长的前置和后置时间。3DMMF可以有效提高三维目标控制性能,多层次融合方式有效解决视角错位和特征失配等问题。该研究有助于提高汽车自动驾驶能力,具有很高的科技推动价值。

关键词： 大规模多输入多输出雷达   扩展目标检测   目标物体反射系数   目标波束   能量检测器  

摘要： 大规模多输入多输出(multiple-input multiple-output,MIMO)雷达系统的大量天线为其在检测和估计任务上带来了性能增益。本文考虑一个大规模天线MIMO雷达系统中的扩展目标检测问题。假设存在一个包含大量散射体的扩展目标,本文建立了针对扩展目标的大规模MIMO雷达接收信号模型。分析了目标物体反射系数的空间相关性,目标物体反射系数相关的任意两个天线被视为落入同一个目标波束中,反之则视为落入不同的目标波束中。将落入同一个目标波束的天线视为一个天线组。执行检测时,每个天线组先对接收信号执行匹配滤波,并将匹配滤波的结果分别通过白化滤波器和归一化滤波器。基于上述两个滤波器的输出,分别对组内所有天线的能量求和,并求解散度,进而构建能量检测器。虽然散度分布的闭式解难以求得,本文证明了当天线数目足够大时,可利用大规模天线带来的统计效应推导出该散度的分布。在此基础上,进一步推导了大规模MIMO雷达扩展目标检测概率的闭式表达式。此外,证明了上述能量检测器能够达到奈曼-皮尔逊准则下的最优检测性能。通过仿真,验证了理论结果的正确性,进一步分析了不同系统参数对大规模MIMO雷达系统检测性能的影响。

关键词： 质量检测   啤酒瓶盖   图像处理   SVM分类器   机器视觉  

摘要： 传统的质量检测方式存在效率低下、速度慢、劳动强度大且检测精度不稳定等问题,难以满足现代啤酒生产对高速、高效、高质量的需求,因此,现提出基于机器视觉与SVM分类器的啤酒瓶盖质量检测。首先,基于机器视觉采集图像,并运用图像处理技术来减少或控制图像中的噪声。其次,根据面积、周长、填充率及圆形度等特征提取啤酒瓶盖表面特征信息。最后,基于SVM分类器识别瓶盖缺陷,实现对瓶盖质量的有效检测。实验结果表明,基于机器视觉与SVM分类器的啤酒瓶盖质量检测方法具有较高的质量检测准确率和较快的检测速度,能够有效地识别出瓶盖上的各种缺陷。

关键词： 计算机图像处理技术   纺织工业   数据安全  

摘要： 文章阐述了计算机图像处理技术在纺织面料检测、图案设计与印花、纺织生产过程监控和产品展示与营销等方面的应用,针对应用过程中存在的技术精度提升、数据安全保障、专业人才培养等问题提出相应改进策略,并通过具体案例详细阐述策略的实施过程,旨在为纺织工业的智能化发展提供有力支持,提升纺织企业的生产效率和产品质量。

关键词： 半监督学习   目标检测   对比学习   重利用不可靠伪标签   端到端训练  

摘要： 半监督目标检测方法的关键是为无标签数据中的目标分配伪标签。为了确保伪标签的质量,半监督目标检测方法通常利用置信度阈值过滤不可靠伪标签,这会导致大量的伪标签因为置信度低而被滤除。本文提出改进后的半监督学习方法使用对比学习来重利用大量置信度低的不可靠伪标签,提升半监督目标检测方法的性能。具体来说,根据预测置信度将无标签数据的伪标签分为可靠与不可靠伪标签。除了利用可靠伪标签,还利用不可靠伪标签作为对比学习中的负样本训练模型。为了平衡类别间不可靠伪标签的数量,设计一个记忆模块用于保存训练过程中不同批次的不可靠伪标签。实验结果表明,在COCO数据集上,对训练数据进行1%、5%和10%的标注情况下,改进后的半监督学习方法的平均准确率达到13.6%、23.0%和27.5%,优于已有半监督学习方法;在COCO-additional数据集上,改进后的半监督学习方法的平均准确率达到44.7%,相较于监督学习,性能提高4.5个百分点。