关键词： 背景减法   图像处理   目标检测   背景更新   高斯模型  

摘要： 人体在高速运动过程中,由于运动模糊效应和拍摄设备的限制,导致捕获的图像质量下降,难以准确识别运动目标。针对上述问题,提出改进背景减法的人体高速运动模糊图像检测。首先,通过对图像进行3*3分块处理,有效减少了计算复杂度并提升了算法效率。然后,基于混合高斯函数进行分块图像的背景模型的重建,突出了运动目标背景。接着,引入学习效率因子实现背景模型的自适应更新,避免动态背景干扰。最后,通过帧间差分法精确去除背景,分离出运动目标前景,并利用梯度相似度理论去除前景图像中的细微噪声,进一步增强了运动模糊图像前景目标清晰度。实验结果表明,所提方法在人体高速运动模糊图像检测中具有较高的准确性和鲁棒性,为实际应用提供了有力支持。

关键词： 多模态融合   三维目标检测   柱体化编码   PointPillars  

摘要： 点云数据的稀疏性和无序性会导致相关检测算法在远小目标检测中容易出现漏检和误检的问题。因此,文章基于PointPillars算法提出了一种多模态融合的三维目标检测算法。该算法设计了一种多模态特征融合柱体化编码模块,能够融合点云特征和图像特征,从而增强特征的语义信息,提高远小目标的检测精度。在KITTI数据集上的实验结果显示,与基线模型相比,汽车、行人和骑行者类别的三维平均检测精度分别提高了3.28%、2.88%和1.62%。结果表明,所提出的基于PointPillars的多模态融合三维目标检测方法能够有效减少远小目标的误检和漏检。

关键词： YOLOv8算法   藏式壁画   佛脸   目标检测   PyQt5图形界面框架  

摘要： 壁画和佛像常常位于难以到达或脆弱的环境中,其保护与研究工作至关重要。YOLO目标检测可以高效地记录这些艺术品的详细信息,生成数字化档案,以便于长期保存和研究。研究提出了一种基于YOLOv8目标检测网络模型的壁画佛像目标检测系统,旨在利用先进的计算机视觉技术,实现对壁画佛脸的快速、准确检测,同时结合了PyQt5图形界面框架具有检测图片文件、视频文件及检测结果统计等功能。

关键词： 地方元素   数字图像处理   课程教学  

摘要： 分析数字图像处理课程教学中存在的问题,提出融入地方元素的数字图像处理课程教学思路,从教学目标制订、教学内容设计、课堂教学实施、课程考核几方面探讨如何在课程教学中融入地方元素,最后说明教学效果。

关键词： 线激光   图像处理   中心线提取   海森矩阵   感兴趣区域  

摘要： 提出一种基于海森矩阵的改进了Steger算法流程的线激光中心线提取方法。首先,采用高斯滤波、图像锐化等方法对图像进行预处理,去除噪声,加强灰度差别。其次,采用迭代式的全局阈值分割方法,将图像中的图像分割,得到图像中的感兴趣区域。最后,改进海森矩阵的计算原理,对Steger算法进行了优化,以求出亚像素点的位置,并采用非极大值抑制去除噪声点。计算结果表明,相较于传统的Steger算法,这一改进型算法能将中心线的提取速度提高4倍以上,而且能去除传统Steger算法上提取中心线会出现的冗余点,提取精度相比传统的灰度重心法和Steger算法分别提高了28%和19%。

关键词： 目标检测   YOLOv11n   激活函数   自注意力机制   C3k2   自适应平均池化  

摘要： 针对目前人工巡视导致的变电站设备及生产行为异常检测效率低、人工风险高等问题,提出改进你只看一次11纳米版(you only look once version 11 nano, YOLOv11n)模型。首先,通过设计基于自注意力机制的3尺度卷积双路径可变核(convolutional three-scale kernel-adaptive dual-path self-attention mechanism, C3k2-SA)模块在较小特征图衔接特征融合部分,优化了网络结构,增强了全局特征提取能力。然后,在主干网络末层引入了基于注意力机制的特征增强(feature enhancement, FEN)模块,动态调整不同区域的特征权重,实现自适应的特征增强,缓解深层网络中的梯度消失问题。最后,对拼接(concatenate, Concat)模块进行优化,通过卷积层调整通道数,采用池化和sigmoid激活函数进行特征的精细处理,提高了模型对不同类型特征的自适应,增强了特征融合效果,同时抑制了无关或冗余特征,防止过拟合。结果表明,与原始YOLOv11n模型相比,改进YOLOv11n模型的精确率、召回率、平均精确率均值分别上升了1.7、6.6、3.6个百分点。改进YOLOv11n模型能够提高变电站异常状态检测的准确性,为智能变电站的异常检测工作提供一定参考。

关键词： 计算机视觉   橡胶衬套   缺陷检测   YOLOX   多注意力机制  

摘要： 针对橡胶衬套表面微小气泡和中片压伤缺陷检测中存在漏检率高、深度学习模型特征融合不足等问题,提出了基于多注意力特征融合的YOLOX-A模型。搭建橡胶衬套表面缺陷检测试验台并制作数据集,在骨干网络中添加Res2NetBlock和CoT注意力模块,在特征融合层内置坐标注意力模块。试验结果显示:YOLOX-A模型在测试集上的平均精度达到86.68%,较YOLOX提高了11.91%,其中气泡缺陷的F1值为0.99,中片压伤缺陷F1值为0.75,FPS为42.5。

关键词： YOLOv5s   细粒化卷积模块   C3TR   损失函数   软非极大值抑制算法   解耦合头  

摘要： 航拍图像中普遍存在目标尺寸微小、尺度多变以及背景繁杂等问题,从而导致YOLO系列算法的检测精度较低。为此,基于YOLOv5s提出YOLO-SC2算法。首先,在YOLOv5s的网络结构基础上添加细粒化卷积模块、融合基于Transformer架构的C3TR层,并采用C2F模块替换C3模块以增强目标特征信息提取能力;其次,通过替换Focal-EIoU损失函数,使用软非极大值抑制算法增强小目标检测准确性;最后,融合解耦合头,提高多目标下的检测精度。实验数据表明,在VisDrone2019公开数据集上进行实验,相较于原始模型,改进后的模型在P、mAP_0.5、mAP_0.5:0.95指标上分别实现了6.2%、8.2%和8.4%的提升。通过与其他算法对比,验证了该改进算法的有效性。

关键词： 煤矿机器人   图像处理   自主移动   激光雷达点云建图   巷道点云   上采样算法   深度学习  

摘要： 受限于井下防爆要求,目前可以应用于煤矿井下的激光雷达线束多为少线束的小功率激光雷达,其形成的点云较为稀疏,缺乏对环境的细节描述,导致机器人建图性能不佳。提出了一种基于复合残差自注意力网络(Composite residual self-attention network,CRSA-Net)的巷道点云上采样技术,旨在通过端到端的方式实现点云特征增稠,在一定程度上弥补传感器精度低下的问题。首先,对点云中的粉尘、水雾噪声进行离群点去除,并根据现场特点采用法向量聚类方式分割不同退化程度的点云区域;其次,为提高训练数据局部细节质量,基于KD树结构提取点云片,针对稀疏点云内部数据相关性不强的问题,提出了采用特征计算及特征维度扩展的方法,加强对网络训练结果的约束,采用了级联渐进式的复合残差自注意力方法,保证网络对结构退化点云的全局和局部特征学习;最后,利用密集的点特征,使用多个独立的MLP进行特征扩展,通过基于点特征的全连接层输出稠密点云。采用国家能源集团寸草塔煤矿井下某巷的数据及WHU-LTS开源数据构建了1组稠密点云数据集用于训练和测试,在上采样试验中,提出的方法CD指标达到11.35×10^(-3),EMD指标达到5.52×10^(-3),HD达到112.31×10^(-3)。

关键词： 自动目标识别   卷积神经网络   小目标检测   数据增强   特征增强   特征金字塔网络  

摘要： 低空慢速小目标的监视一直是预警探测领域的重点和难点。目前主流的基于卷积神经网络的目标检测算法主要设计应用于VOC数据集或COCO数据集,在特定场景下检测精度并不理想。YOLO是目前应用最广泛的单阶段目标检测算法之一,在检测速度方面具有独特的优势。利用可见光成像手段获取小型无人机目标图片,基于YOLOv7算法改进了其特征增强网络,提出一种三分支并行特征金字塔网络,以获得更多的小目标上下文语义特征;将改进后的算法与生成对抗网络进行级联,旨在生成更真实的超分辨率图像,从而提高检测精度。与目前最先进的目标检测方法相比,该方法在满足检测实时性要求的前提下,使得检测精度有了显著的提升。由于训练集有限,为了提高泛化能力,还提出了SOD-Mosaic数据增强方法,该方法提高了检测器的鲁棒性和泛化能力。