关键词： 胸椎   腰椎   骨折,压缩性   骨质疏松   图像处理   计算机辅助   间隙连接蛋白43   过氧化物酶体增殖物激活受体γ共激活因子-1α  

摘要： 目的探讨腰椎CT值联合血清间隙连接蛋白43(Cx43)和过氧化物酶体增殖物激活受体γ共激活因子-1α(PGC-1α)对老年骨质疏松性椎体压缩性骨折(OVCF)患者术后再骨折的预测价值。方法纳入2021年5月—2023年8月收治的老年OVCF患者145例,根据术后1年内是否发生再骨折分为再骨折组(n=33)和未再骨折组(n=112)。采用单因素和多因素logistic回归法分析老年OVCF患者术后再骨折的影响因素;采用受试者工作特征(ROC)曲线分析腰椎CT值及血清Cx43、PGC-1α对老年OVCF患者术后再骨折的预测效能。结果与未再骨折组相比,再骨折组骨密度(BMD)较低,而骨水泥注射率、初始骨折椎体数>2个及骨水泥渗漏的患者比例较高,CT值及血清Cx43、PGC-1α水平较低,差异均有统计学意义(P<0.05)。多因素logistic回归分析结果显示,腰椎CT值及血清Cx43、PGC-1α水平与老年OVCF患者术后再骨折呈负相关。ROC曲线显示,腰椎CT值联合血清Cx43、PGC-1α预测老年OVCF患者术后再骨折的ROC曲线下面积(AUC)为0.936,灵敏度为93.94%,特异度为82.14%。结论腰椎CT值及血清Cx43、PGC-1α水平较低是老年OVCF患者术后发生再骨折的危险因素,腰椎CT值联合血清Cx43、PGC-1α对老年OVCF患者术后再骨折具有较高预测效能。

关键词： 小目标检测   无人机   YOLOv8n   轻量化  

摘要： 针对无人机航拍图像在目标检测中存在误检漏检的问题,提出了一种基于YOLOv8n的改进模型—RHDL-YOLO。首先引入RFAConv提高骨干网络的特征提取能力;其次,通过IDConv对C2f模块进行改进,实现了模型参数量的减少;然后为了提高模型的小目标检测能力,增加了小目标检测层并且使用H-RAMI生成新的检测层替换P5目标检测头;最后采用SlideLoss损失函数来解决样本间难易程度的不平衡问题。在VisDrone2019上实验表明,提出改进算法的mAP50值为40.7%,较YOLOv8n提升了6.3%,在新增小目标检测层的情况下,参数量降低了28.9%。改进后的算法显示出更高的鲁棒性,适合于无人机视角下的目标检测任务。

关键词： 垂起无人机   自主降落   帧差法   ViBe   图像处理  

摘要： 针对无人机回收过程因RTK(Real Time Kinematic)偏差或环境风引起的位置偏差问题,基于监控视频流,设计了一种可实时解算降落过程无人机相对位置的方法,用于第一时刻发现降落危险。首先,分析了无人机蜂巢回收流程,以及监控视角静态背景下无人机降落的检测需求;其次,将帧差法与ViBe(Visual Background Extractor)结合,设计了FD VB(Frame Difference Visual Background Extractor)检测方法,利用帧差法的位置信息约束ViBe的背景结果,在有效过滤鬼影、抑制鬼影现象的同时,提高了运动目标轮廓的完成性和准确性;最后,结合不同场景,对实时性较好的几种方法进行了比较测试,实测中的数据分析进一步说明了FD VB方法的可用性,以及监控视角下无人机位置解算的可行性。

关键词： 合成孔径雷达   注意力机制   目标检测   特征金字塔   损失函数  

摘要： 针对合成孔径雷达(synthetic aperture radar,SAR)图像的成像机理导致SAR图像受噪声影响严重且SAR目标类别存在不均衡问题,使得SAR目标特征刻画较困难。针对上述问题,提出一种基于动态聚合网络(dynamic aggregation network,DANet)的SAR目标检测方法。该网络以无锚框全卷积一阶段目标检测(fully convolutional one-stage object detection,FCOS)网络为基础网络框架。DANet在特征金字塔网络中嵌入具有动态坐标注意力的动态聚合模块,以提高噪声影响下SAR目标特征学习能力。为了缓解SAR数据集中不同类别之间数量不平衡的问题,DANet在检测头的回归分支引入类平衡动态交并比(intersection over union,IoU)损失函数,通过动态非单调机制和类平衡因子引导模型参数更新。在MSAR-1.0数据集和SAR-AIRcraft-1.0数据集上的实验结果表明,DANet在上述SAR目标检测数据集上的目标检测准确率分别达到了70.25%和52.36%,相比基准网络FCOS,其平均精度分别提高了2.73%和3.67%。与其他相关算法相比,DANet在SAR图像目标检测精度方面具有明显优势。

关键词： 驾驶员面部检测   轻量级卷积   多尺度特征融合   实时性   目标检测  

摘要： 针对驾驶环境下YOLOv8n检测算法存在计算量、参数量较大的问题,提出一种结构轻量化的驾驶员面部目标检测算法YOLOv8-DF。提出一种轻量级多尺度卷积模块LMCM(lightweight multi-scale convolution module)替换网络中的Conv模块,双通道设计可以降低算法的计算量和参数量,多尺度设计可以丰富网络内部的特征信息;引入轻量级卷积GhostConv、Fasterblock模块与C2f模块融合;提出一种双通道轻量级卷积模块DLCM(dual-channel lightweight convolution module)与SPPF模块融合。实验结果表明:YOLOv8n-DF算法在测试集的平均精确率达到了99.2%,相较YOLOv8n检测算法参数量下降了36.7%,计算量下降了30.9%,帧率达到了282帧/s。

关键词： 目标检测   航空遥感图像   旋转目标检测   卷积神经网络   旋转边界框  

摘要： 目标检测是计算机视觉领域中一项核心且具有挑战性的任务。近年来,目标检测在自然图像上取得了巨大成功,针对航空遥感图像目标检测的研究也取得了显著进展。与自然图像中水平目标不同,航空遥感图像中的目标往往以任意方向密集分布于复杂多变的背景之中。为精确高效定位方向目标并识别其类别,以水平检测为基础的旋转目标检测任务被提出。基于深度学习尤其是卷积神经网络CNNs(Convolutional Neural Network)的旋转目标检测虽然受到越来越多的关注,但当前对其存在的挑战缺乏系统性研究。本文重点阐述了航空遥感图像目标检测的研究现状,系统性地剖析了旋转目标检测存在的挑战性难题,目标在于推动相关检测技术的发展。首先,梳理归纳了水平目标检测的通用框架,它们也是旋转目标检测框架的设计基础;其次,重点剖析了旋转目标检测任务面临的主要挑战,总结了应对每项挑战而产生的主要研究成果及其优势和局限性;第三,简要介绍了常用的遥感图像目标检测数据集,并在DOTA、HRSC2016、DIOR-R、STAR等公开遥感图像基准数据集上对当前先进的旋转目标检测器进行了评估对比,在验证当前研究成果显著成效的同时,也初步揭示了它们在处理极端几何形状与复杂场景下存在的局限性;最后,对航空遥感图像旋转目标检测任务的发展趋势与进一步研究方向进行了展望。

关键词： 沥青混合料   图像处理   细观结构   优化设计   骨架  

摘要： 本文以图像处理识别技术与集料骨架状态分析为基础,提出分级掺配与细观指标相结合的方法优化沥青混合料细观结构,通过工程实例对设计方法进行验证.结果表明:分级掺配与细观指标相结合的方法,可确保粗集料嵌挤构成主骨架,图像处理与设计过程直观、可视化和操作性强.平均配位数c、骨架率S值和自由粗集料含量C值可定量评价主骨架结构的嵌挤特性,细观参数标准为c≥1.40,C≤24.5%,S≥28.0%.提升沥青混合料的路用性能,主要措施包括粗集料嵌挤构成主骨架,细集料不对主骨架形成干涉,采用良好性能沥青胶结料对主骨架进行约束.

关键词： 桥梁裂缝   改进YOLOX-S模型   裂缝识别   图像处理   无标签识别  

摘要： 为解决桥梁裂缝智能识别场域下的裂缝图像条件复杂、对智能算法的识别效果产生严重干扰等问题,研究一种基于改进YOLOX-S模型的桥梁裂缝图像无标签自动识别算法。将采集的桥梁表面裂缝图像构建数据集并进行预处理,通过尺寸动态调整裂缝边缘特征子组的大小并识别分类,将桥梁裂缝图像传输到ECANet模块(Efficient Channel Attention Network),获得图像裂缝边缘特征像素向量,实现对桥梁裂缝图像的无标签自动识别,提高了对桥梁裂缝图像检测的准确性和效率。

关键词： 局部精细拼接算法   无人机   图像处理   卷积神经网络  

摘要： 文章提出了一种基于局部精细拼接算法(Local Fine Stitching Algorithm,LFSA)的无人机图像处理新框架,通过自适应网格化分区、自监督卷积神经网络(Convolutional Neural Network,CNN)匹配与最小二乘法优化,实现了对多视角影像的高精度局部校正;随后结合图割算法(Graph-cut)无缝融合与多项式色彩校正,有效抑制了光照与几何畸变对拼接质量的影响。该框架在高分辨率正射影像重建、多源异构数据融合与像素级语义分割,以及计算流体力学(Computational Fluid Dynamics,CFD)与有限元分析(Finite Element Analysis,FEA)辅助的动态优化过程中,均表现出兼顾精度与实时性的良好性能,为复杂地形下的实时无人机航测与应用场景提供了可扩展且稳定可靠的技术支撑。

关键词： 计算机视觉   卷积神经网络   动力学参数辨识   轻量化神经网络   在轨图像处理  

摘要： 卫星柔性太阳翼在轨动力学参数测量与辨识已广泛采用非接触式的视觉测量方法。卫星长时间在轨运行,星载相机采集大量的图像数据;这些图像受光照条件等因素影响,存在诸多过曝、过暗的失效情况。针对失效图像的剔除和有效图像的参数辨识问题,提出多深度并行卷积模块。此模块可以同时保留卷积前期和后期特征图的信息,实现多维度同步提取特征。基于该模块搭建超轻量化卷积神经网络,大幅降低了网络参数量。利用标定的训练数据集训练网络,通过测试数据集对网络效果进行评价,并利用网络反馈的图像进行航天器动力学参数辨识。试验表明,此轻量化卷积神经网络可以凭借不足10万的参数量实现99.60%的辨识准确度,利用其输出的图像可以实现太阳翼动力学参数计算。