关键词： 图像处理   图像质量评估   特征提取   特征融合  

摘要： 针对弗雷歇初始距离(Fréchet Inception Distance,FID)指标在跨域图像生成评估时约束力低的问题,提出了一种基于多层次特征对齐距离(Multi-Level Feature Alignment Distance,MLFAD)的域差计算方法。通过引入多层次特征提取与特征对齐机制,实现生成图像与真实图像在不同层次特征尺度分布差异的全面度量,更加精确地反映图像的细节和全局信息,大幅度增强了对生成图像的约束力。试验结果表明,MLFAD的表现显著优于FID,在图像翻译、风格迁移、图像修复和图像增强等跨域图像生成任务中,域差计算值分别降低了31.7%、26.8%、41.1%和34.6%。因此,MLFAD在跨域图像生成任务的评估中具有良好的准确性和稳定性,显著提升了生成图像的清晰度、细节还原度及色彩精准度。

关键词： 鱿鱼   分级   机器视觉   目标检测   特征融合   分拣  

摘要： 目前远洋鱿钓中鱿鱼分拣环节以人工作业为主,缺少鱿鱼机械化自动分级能力。鱿鱼冷冻前直接进行分级分拣能够提高其经济价值和市场竞争力。为实现快速无接触式分级,提出一种基于视觉识别的鱿鱼智能分级方案。通过实际验证确定以胴长作为鱿鱼等级判断标准,并选用视觉识别作为测量方案。视觉识别的目标检测模型基于YOLO v5并对其特征融合部分进行改进,收集整理鱿鱼图像进行胴体标定后用于模型训练,得到一种可用于测量鱿鱼胴体长度并进行分级的目标检测识别模型,其检测速度可达69.52 f/s,可满足实时性要求。在人工测量和模型检测对比试验中,该模型在鱿鱼检测上平均误差值为0.297 cm,平均误差率为1.55%。试验结果表明,该模型准确性高,能实现鱿鱼测量和分级的目标,满足船载鱿钓工作对鱿鱼分拣的基本需要。

关键词： 图像处理   Edge-NCC算法   模板匹配   工件定位  

摘要： 传统的归一化互相关(NCC)匹配算法基于灰度实现,存在运算量大,忽略图像特征信息、无法匹配旋转图像等问题,因此研究了一种基于OpenCV实现的结合图像特征和灰度信息的Edge-NCC模板匹配算法。该算法在图像金字塔顶层利用边缘点进行相似度计算,计算量可减少(1-z/(m*n)),同时降低噪声、光照等对匹配结果的影响,提高相似度得分;在非顶层利用优化后的NCC公式结合积分图像进行相似度计算,计算量可减少约2/3。实验结果显示Edge-NCC算法在图像存在光照变化、噪声以及模糊的鲁棒性上相较于原有的NCC算法有了一定的改善,在这些不同条件下的匹配成功率能够达到约95%,验证了算法的有效性。在视觉点胶机的工件定位应用过程中,使用该算法能够有效地增加定位的准确度和降低企业的生产成本。

关键词： 深度学习   自监督学习   小样本目标检测   广义小样本目标检测  

摘要： 深度学习技术在目标检测领域取得了巨大进展,但其优异的性能建立在大量精确标注的数据集之上。在样本稀缺的特定领域,如国防海上安全和医学等领域,获取具有标注的数据尤为困难。因此,小样本目标检测领域因其能够应对样本稀疏性所带来的挑战而得到学术界的广泛研究。该领域的研究目标是得到能够从极其有限的样本中提取知识并实现高效目标检测的算法框架。然而,由于新类样本的稀缺性,其与基类之间存在着显著的分布差异,导致了小样本目标检测任务的准确度受限。此外,在对模型应用新类进行微调的过程中,由于新类与基类的不重叠性,模型学习新类的特征知识的过程中会存在大量的梯度更新,导致基类的特征知识被遗忘的问题,从而降低模型的整体性能。针对新类别样本稀缺的问题,本研究采用自监督学习策略。自监督学习,无须依赖标注信息,便于构建代理任务以进行模型训练,是缓解小样本目标检测样本稀缺问题的有效方案。为了避免模型在学习新类特征知识后出现基类灾难性遗忘的问题,本文将自监督学习与两阶段的目标检测器相结合。通过在类别域应用潜在特征来表示各个类别的特征信息,通过动态更新策略在学习新类别的过程中进一步优化特征,并借助检测框域构建良好的代理任务提升回归框的精准度。本研究在PASCAL VOC数据集和MS COCO数据集上进行大量的实验验证,实验结果表明,无论是在新类性能方面还是总体性能方面,本研究所提出的方法相较于其他多个小样本目标检测模型均展现出更加优越的性能表现。

关键词： SEM   CoreDRAW   ArcGIS   微观  

摘要： 文中旨在探索一种较为客观、便捷的扫描电子显微镜图像处理方法,以减少人为干预的主观性。通过使用CoreDRAW以及ArcGIS中相关的空间分析工具,对SEM图像进行处理,并利用导出的数据证明黄土颗粒的一些微观特性:土颗粒的数量随深度的增加而逐步增多,颗粒的椭圆率和离散系数越来越小,圆形度和分形维数则具有增加的趋势,方向角变化不大。此方法不仅提高处理SEM图像的速度和便捷性,且增强分析的客观性,有效揭示黄土颗粒的微观结构特性,为黄土微观结构研究提供了新的技术手段。

关键词： 智能交通   小目标检测   YOLOv5   EIoU   GAM  

摘要： 针对现有道路目标检测技术在小目标识别方面的挑战,如精度低、误检率高和漏检问题,提出一种基于YOLOv5的目标检测改进方法(GCE-YOLOv5),旨在提高小目标检测能力。首先,在主干网络上集成全局注意力机制;其次,在头部网络中增加小目标检测层;最后,将原来的损失函数改为高效交并比损失函数。在KITTI数据集上评估了GCE-YOLOv5算法,并将性能与YOLOv5算法进行了比较。结果表明,GCE-YOLOv5将检测mAP@0.5提高了1.6%,P提高了1.5%。与YOLOv5算法相比,GCE-YOLOv5模型检测道路小目标的精度更高,有效改善了小目标漏检问题,具有更好的检测效果。模型检测速度满足实时性的要求,适合集成到自动驾驶系统中,用于提升车辆在复杂道路环境中的感知能力。

关键词： 卫星遥感   深度学习   目标跟踪   YOLOv8  

摘要： 针对卫星遥感图像舰船目标追踪和轨迹绘制,提出了一种全局注意力(global attention mechanism,GAM)模块改进YOLO(you only look once)v8算法(GAM-YOLOv8)与DeepSORT算法相结合的方法。在YOLOv8网络结构中加入GAM模块,以提升模型提取卫星遥感图像特征的能力,提高舰船目标追踪的精度和稳定性;实施基于RGB(red,green,blue)-HSV(hue,saturation,value)融合颜色空间转换卷积模块的数据增强技术扩充数据集,帮助模型捕捉更多维度的特征信息,进一步提升识别准确度;利用DeepSORT算法通过结合目标的特征外观和运动信息,增强追踪过程中的稳定性与精度,有效减少身份切换和目标丢失。实验结果表明,本文提出的GAM-YOLOv8与DeepSORT相结合的方法,相较于原始YOLOv8模型,在遥感图像舰船目标检测与跟踪任务中均表现出了显著的性能提升,在准确度、召回率和平均准确率精度上分别提高了7.6%、7.9%和6.0%,在帧率、多目标跟踪准确度和多目标跟踪精确度上分别提升了17.7%、6.9%、1.9%,身份切换次数降低了10.0%。

关键词： 城市排水管网   缺陷检测   YOLOv8   目标检测   特征融合  

摘要： 针对城市排水管道缺陷易受背景干扰、特征尺度多变以及现有检测模型存在检测准确率低、误检率高等问题,提出了一种基于改进YOLOv8的缺陷检测算法。首先,设计DSK模块并嵌入主干网络的C2f模块中以扩大感受野,提高模型对多尺度缺陷特征的提取能力;其次,引入Slim-neck网络结构对颈部网络进行改进,对缺陷特征信息进行有效利用和融合,并有助于实现模型的轻量化;最后,采用FocalEIOU损失函数以更好地提高对较小缺陷目标的检测性能和模型的收敛速度。在管道缺陷数据集上的实验结果表明,本研究改进的算法在70.4 fps的检测速率下,mAP达到了67.5%,相比于原始YOLOv8算法,mAP值和检测速率分别提升了3.8%和1.7 fps,表现出了良好的检测性能。针对实际应用目的,基于改进算法开发了一款能够实时检测管道缺陷的系统软件,通过实际项目检测,验证了本文改进的算法能够满足城市排水管道缺陷检测任务中高精度、实时检测的需求。

关键词： 电路板   贴片电阻   图像处理   自适应分区策略  

摘要： 在图像处理的基础上,针对贴片电阻缺件、偏移、歪斜和翻转等常见故障,提出了一种贴片电阻故障智能诊断方法,并应用于某企业的电路板元器件故障诊断系统。根据故障特点、图像相似度等因素确定了故障诊断时几种故障的优先级,并提出一种改进的自适应分区策略进行图像的特征提取。对缺件故障,根据故障特点选取判断指标;对偏移和翻转故障,采用自适应分区策略来提取特征并诊断;对歪斜故障,在改进的自适应分区策略基础上对其进行进一步改进来提取特征并诊断。实践应用表明此诊断流程具有较高的故障诊断准确率,而且整个流程故障诊断速度快,平均速度达到0.032 s/张。因此,实际工作中使用该诊断流程可保障贴片电阻质量,进而提升电子产品质量。

关键词： 室内场景   三维点云   目标检测   特征补偿   交互查询   残差   自注意力机制   特征映射  

摘要： 在复杂室内场景下的3D点云目标检测中,点云规模大且目标密集细节多。针对现有检测算法处理点云数据时会丢失大量局部特征且不能提取足够的空间信息与语义信息,致使检测精度低的问题,提出了一种基于改进VoteNet的点云特征增强的复杂室内场景3D目标检测(PFE)算法。首先,利用动态特征补偿模块模拟种子点集与分组集点云特征的交互查询过程,逐步恢复丢失的特征来进行特征补偿;其次,在特征提取部分引入残差MLP模块,通过残差结构搭建更深层的特征学习网络以挖掘更细节的点云特征;最后,在目标提案生成阶段引入特征自注意力机制对一组独立的目标点进行语义关系建模,生成新的特征映射。在公开数据集SUN RGB-D和ScanNet V2上进行实验,实验证明改进后的模型对室内目标的检测精度相较于基准模型在mAP@0.25上分别提升了5.0%和11.5%,大量的消融实验证明了每个改进模块的有效性。