关键词： 半监督学习   杂波抑制   红外目标检测   二维高斯分布  

摘要： 由于红外成像特性,背景杂波(如云层遮挡、光照变化、烟雾等)的强度往往远大于被检测的红外弱点目标信号,导致目标信号相对微弱。为了提高目标的可见性,确保检测准确性,提出了基于半监督学习的强杂波中红外弱点目标检测方法。将原始图像分割成多个稳定子模块,通过最小二乘准则得到稳定子模块的向量最优解,过滤原始图像的背景强杂波。基于二维高斯分布得到中红外弱点目标的分布模型,通过半监督学习模型弱点目标分布特征,利用无标记的中红外弱点目标特征分布,实现目标检测。通过实验结果可知,所提方法能够很好地抑制杂波干扰,准确识别在强杂波环境下的弱点目标。

关键词： 无人机   目标定位   单目视觉   目标检测   坐标变换  

摘要： 针对传统无人机单目视觉定位对先验背景信息高度依赖的问题,提出一种无需目标先验尺寸信息的无人机单目视觉目标定位方法;基于深度学习目标检测技术锁定目标以实时获取目标在相机画幅中的位置信息;通过综合无人机运动信息和画幅中目标的宽高变化计算目标距离,并用最小二乘拟合进行修正;建立目标定位几何关系及坐标转换模型,根据机载传感器与实际空间的比例对应关系来确定目标在相机坐标系下的位置;结合无人机自身定位将目标位置转换为WGS-84坐标系下的经纬高信息;在ROS框架下进行无人机单目视觉目标定位软件在环仿真,仿真结果表明,所提方法能够在缺乏有源高精度测距的环境下,仅通过视觉对目标进行较高精度的测距定位。

关键词： Faster R-CNN   目标检测   脑肿瘤   特征提取  

摘要： 针对脑肿瘤图像目标检测存在的困难提出一种改进的Faster R-CNN算法。为了克服背景复杂和目标较小的问题,设计一个结合VGG16和ResNet18的特征提取网络,以捕捉不同尺度下的肿瘤特征。对数据集进行了数据增强,调整了锚框尺寸,以增强模型对肿瘤大小变化的检测能力。通过在公开的脑肿瘤MRI数据集上与原始的Faster R-CNN模型进行对比,结果显示,该算法在检测平均精度方面有明显提升,表明改进的目标检测方法在提高脑肿瘤图像识别的准确性和可靠性方面具有较大优势。

关键词： 施工安全监管   施工特征遮挡   amodal特征补全   实例分割   计算机视觉  

摘要： 施工安全巡检易因视野遮挡导致特征缺失,出现危险误判情况。为提升施工风险识别效率,针对特征遮挡问题,以施工围栏检测为例,提出一种基于amodal补全技术的遮挡特征推理方法。首先,利用图像合成技术建立存在视野遮挡的围栏检测数据集。然后,结合YOLOv8实例分割和ASBU(amodal segmenter based on boundary uncertainty estimation)特征补全网络,推测围栏被遮挡部分的视觉特征。遮挡特征补全后的施工围栏可应用于闭合检测等多种施工安全监管任务。研究选择多个施工场地的围栏图像进行案例验证,可实现精准的围栏缺失特征补全(平均交并比mIoU>95.5%)。研究成果为施工场景的遮挡特征推理提供研究范式,有效提升了智能化施工安全监管效率。

关键词： 输电线路   防振锤   缺陷检测   多尺度目标   注意力机制  

摘要： 利用无人机对输电线路进行巡检的过程中,航拍的防振锤图像目标尺度多变且背景复杂,容易导致漏检、误检。为此,针对现有目标检测算法在复杂背景和多尺度目标检测方面的局限性,提出了一种基于改进YOLOv8的防振锤缺陷目标检测算法。首先,提出多尺度特征提取(MSFE)模块,有效扩大模型的感受野,增强模型的多尺度特征提取能力;其次,设计空间金字塔核注意力(SPKA)模块,提升模型对目标的全局感知能力,在多尺度特征融合过程中抑制复杂背景的干扰;最后,由于小尺度目标在图像中易被忽略,在网络中增加丰富小目标语义信息的特征层(STSIL),提高小目标缺陷检测能力。对比实验中,改进算法与基线模型YOLOv8s相比mAP50提升了5.7%,防振锤正常、倾斜、掉落的AP50分别提升了3.4%,4.5%和9.2%,证明了改进算法对防振锤缺陷检测的有效性与先进性,且其应用将有助于保障电力系统的安全可靠运行。

关键词： 医院建设工程   智能化监控系统   图像处理   目标检测   行为分析  

摘要： 随着医疗卫生事业的发展,医院建设工程规模不断扩大,施工环节日趋复杂,对监控系统提出了更高要求。传统人工监控和简单监控设备已难以满足需求。本文针对医院建设工程智能化监控系统展开深入研究,介绍了系统整体设计框架,重点论述了图像采集与处理、目标检测与跟踪、行为分析等关键技术,并通过实际案例分析了系统在医院建设工程中的应用效果。研究表明,智能化监控系统能够全方位高效监控,提高管理水平,确保工程质量和施工安全。

关键词： 人工智能   深度学习   目标检测   自动驾驶  

摘要： 随着计算机技术和人工智能技术的飞速发展,目标检测在智能交通体系、工业检测、智能监控等领域发挥着重要作用,并得到了广泛而有效的应用。在自动驾驶领域,目标检测技术是实现安全驾驶的关键技术,以实时识别和检测道路上的行人、车辆、交通标志等对象,为自动驾驶系统提供决策支持。本研究首先介绍自动驾驶在计算机视觉的研究现状、检测任务,重点分析了目标检测任务的不同类型。目标检测算法通常分为两类:两阶段方法(two-stage)和单阶段方法(one-stage)。两阶段方法中讲述了RCNN、SPP-Net、FastRCNN、Faster R-CNN算法都具有较高的检测精度,但计算复杂度较高,实时性不足;单阶段方法如YOLO和SSD,通过直接在特征图上进行目标检测,速度更快,适合实时应用,但在复杂场景下可能面临精确率下降的问题。最后讨论车辆检测算法检测精度存在的一些问题。虽然深度卷积神经网络在目标检测中表现出色,但在光照变化、复杂背景、密集交通等情况下,仍然会影响检测精度,因此提升检测精度依然是目标检测领域需要持续研究的关键问题。

关键词： 图像处理   时间序列   目标去重   废钢智能定级  

摘要： 基于分层场景识别框架,提出了一种多维度废钢时序去重算法,旨在有效解决背景干扰、实现精确去重并保持帧间一致性。具体而言,该算法引入感兴趣注意力模块以抑制背景干扰,并结合互补的前向与后向关联策略执行细粒度时序去重,以确保每个废钢实例在视频序列中被唯一且准确计数。实验结果表明,相较于所选的基线方法,所提方法在去重细粒度、鲁棒性及准确性方面表现出显著优势,实现了5%的相对误差。本研究为高精度自动化废钢定级提供了关键技术支撑,有望应用于废钢全生命周期的智能化管理,助力废钢回收行业实现数智化转型。

关键词： 图像融合   遥感   图像处理   深度学习   卷积神经网络   机器学习   特征提取   图像重构  

摘要： 多光谱图像全色锐化是遥感影像处理与解译领域的热点问题。相较于传统全色锐化方法,基于深度学习的全色锐化方法聚焦于图像深层次特征的提取,大幅提升了融合图像的质量。本文提出一种基于混合双分支卷积神经网络和图卷积神经网络的全色锐化方法,旨在同时挖掘图像的光谱、空间与非几何结构信息,以提升融合图像空间分辨率和光谱分辨率。本方法建立在多分辨率分析融合框架的基础上,利用深度神经网络构建了特征提取、特征融合和图像重构模块。混合双分支网络模块是由2D和3D卷积神经网络构建,其中,2D卷积神经网络负责挖掘多光谱图像与全色图像的空间特征,3D卷积神经网络负责挖掘图像的光谱特征。引入了图卷积神经网络以捕捉图像图结构中节点的空间关系,从而整合非局部信息。将多光谱图像与全色图像的空间、光谱和非几何特征通过特征融合模块进行融合。将融合特征输入图像重构网络重建高质量多光谱图像。本文算法在GeoEye-1和IKONOS遥感数据上进行了实验验证,实验结果表明:与其他方法相比,本文算法在主观视觉和客观评价指标上均表现出优秀性能。

关键词： 新能源充电站   智能监控   目标检测   卡尔曼滤波  

摘要： 随着新能源汽车保有量的持续增长,充电基础设施的智能化管理需求日益突出。本文针对充电场站管理中两大痛点:燃油车违规占位和新能源车充电完成后长时间占位,提出了一种基于智能监控的充电场站管理系统。该系统集成了非新能源车辆检测与驻车超时检测两项核心算法,通过分别引入目标关联校验机制与自适应卡尔曼滤波方法,实现了对违规行为的准确识别。实地部署测试表明,非新能源车辆检测准确率达96.9%,驻车超时检测在不同超时阈值下均实现97%以上召回,验证了系统的实用性与有效性。此外,系统支持多渠道联动告警,具备部署便捷、成本低、适应性强等优势,适用于多种充电场景。