关键词： 物理对抗攻击   一般性设计流程   对抗样本实用性   深度学习   计算机视觉  

摘要： 基于深度学习模型的计算机视觉技术经过十余年的研究,目前已经取得较大的进步,大量成熟的深度学习模型因其领先于传统模型的高精度、快速性特点,广泛用于计算机视觉相关的各类关键领域。然而,研究者发现,向原始图像样本中添加精心设计的微小扰动可显著地干扰深度学习模型的决策结果。这种精心设计的对抗攻击引发了人们对于深度学习模型鲁棒性和可信赖程度的担忧。值得注意的是,一些研究者以日常生活中常见的实体或自然现象为载体,设计了可于实际应用场景中实施的物理对抗攻击。这种具备较高实用性的对抗攻击不仅能够较好地欺骗人类观察者,同时对深度学习模型产生显著的干扰作用,因而具备更实际的威胁性。为充分认识物理对抗攻击对基于深度学习模型的计算机视觉技术的实际应用带来的挑战,本文依据物理对抗攻击设计的一般性流程,对所整理的114篇论文设计的物理对抗攻击方法进行了归纳总结。本文首先依据物理对抗攻击的建模方法对现有工作进行归纳总结,随后对物理对抗攻击优化约束和增强方法进行概述,并对现有工作的物理对抗攻击实施与评估方案进行总结,最后对现有物理对抗攻击所面临的挑战和具备较大潜力的研究方向进行分析与展望,希望能为高质量的物理对抗样本生成方法设计和可信赖的深度学习模型研究提供有参考意义的启发。本综述主页将展示在https://***/Arknightpzb/Survey-of-Physical-adversarial-attack。

关键词： 数据生成   Pybullet   物理仿真环境   目标检测   实例分割  

摘要： 针对智能工厂的无序分拣物流工艺流程中图像数据集采用传统的人工“拍摄-标注”方法存在标注成本高、标注准确率波动性大的问题,提出了一种自动化的数据生成方法。以图像数据集自动生成算法为研究对象,搭建了基于Pybullet开源物理仿真引擎的仿真环境,并通过设定虚拟环境渲染参数和处理虚拟相机拍摄的分割图,实现了生成高质量图像数据集及标注文件的目标。使用虚拟环境生成的数据集对YOLO v5m目标检测网络进行训练,并将训练结果应用于Kinect v2相机拍摄的真实场景图片,实验结果表明,工件检出率为92.1%,两类工件的分类正确率为98.2%,平均识别精度为97.6%;生成单张图片及标签文件的时间小于1 s,相较于人工方法更能够满足高效率生成标准化图像数据集的任务需求。

关键词： 遥感图像检测   YOLOv8   多维协作注意力机制   大核分离卷积   WIOU  

摘要： 遥感图像中需要识别的目标种类繁多,尺寸微小,而且图像背景模糊,导致检测精度不佳。为了应对这一挑战,本文提出基于YOLOv8单阶段网络的改进方法。在YOLOv8的骨干网络中引入多维协作注意力机制,通过对特征图的宽、高和通道方向分别进行不同的注意力加权,提高模型对关键特征的提取能力;在骨干网络与颈部网络连接处引入大核分离卷积,扩大模型的感受野,增强对目标特征的全局捕获能力;通过损失函数WIOU调整梯度增益分配,减少负样本带来的影响,更好地适应不同形状和大小的目标检测任务。实验表明,改进后的YOLOv8模型平均检测精度达到85.9%,相比YOLOv8模型提升1.3%,且优于其他对比检测算法。

关键词： 相控阵超声   焊缝缺陷   智能测评   图像处理  

摘要： 本文阐述了管道焊缝相控阵超声检测图谱智能测评系统的设计与实现过程。该系统参照了中华人民共和国能源行业标准《承压设备无损检测第15部分:相控阵超声检测》^([1])对管道焊缝相控阵超声检测缺陷评定和质量分级的具体要求,通过运用多种图像处理算法,实现了对管道焊缝缺陷的甄别、长度和高度的测量、方位的确定以及质量评级等功能。智能、准确、高效地实现相控阵超声检测图谱的测评,为管道焊缝的相控阵超声检测提供了有效的技术支持。

关键词： 脐橙采摘   YOLOv7-tiny   目标检测   视觉识别系统  

摘要： 为提高脐橙采摘作业的智能化水平,解决复杂果园环境中果实识别困难和操作精度不足的问题,设计基于改进YOLOv7-tiny的视觉识别系统,融合图像增强、三维定位及柔性抓取技术,开展多模型对比与实地测试。结果表明,设计的系统具备较高的识别准确率、较低的响应时延和良好的果实保护性能,具有工程实用价值和推广前景。

关键词： 安全标志检测   计算机视觉   YOLOv4-tiny   注意力机制   Soft-NMS算法  

摘要： 为有效实现高效安全标志检测和对不安全行为预警,基于深度学习YOLOv4-tiny模型引入ECANet注意力机制,结合Soft-NMS算法提出1种用于检测安全标志的模型。模型中数据集包含2000个安全标志,其中训练集1620张、验证集180张和测试集200张。研究结果表明:该模型的检测精度达到97.76%,比YOLOv4-tiny和Faster RCNN卷积神经网络算法分别提高了7.55百分点和9.23百分点;改进的模型可避免YOLOv4-tiny和Faster RCNN卷积神经网络算法中出现的过拟合现象,泛化性能更好,在检测小目标区域和弱光条件下目标时,改进模型优势更加突出。研究结果可为施工场地安全标志的智能化监控与风险预警提供技术参考。

关键词： 电解槽   图像处理   故障检测   YOLO v5  

摘要： 采用一种基于改进YOLO v5神经网络模型的铜电解槽短路电极智能诊断方法,通过对原始图像进行桶形畸变矫正和几何角度畸变矫正,再运用滤波处理和Canny边缘检测到电解槽注液口位置,实现对电解槽极板精确分割,并利用优化后的红外图像来训练YOLO v5神经网络模型,最终实现铜电解槽短路极板的智能诊断。

关键词： X射线   缺陷识别   图像处理   图像变换   图像分割  

摘要： 【目的】传统的X射线检测方法存在评片结果容易受到人为因素影响的问题,评片人员在长时间进行评片工作后可能产生疲劳,该文意在解决背景复杂的焊缝图像容易漏检小缺陷目标的问题。【方法】选用中值滤波进行图像去噪。利用图像的灰度值在焊缝起始和终止位置的灰度变化剧烈的特性,进行了基于灰度变化率的焊缝区域提取工作。对图像进行灰度增强,对每一行的灰度值进行变换,通过对灰度值区间的线性拉伸使缺陷与背景的灰度差增大;提出一种窗口累计式S-T灰度变换,将缺陷的“灰度劣势”进一步拉大,将变换后的缺陷灰度值置于低值水平,将变换后的处于灰度起伏区域的背景像素点灰度值置于中值水平。【结果】结合图像去噪、图像分割、形态学处理等技术,成功提取出焊缝X射线图像中大灰度起伏背景下的缺陷弱目标。实际检测图像应用该文算法进行检测,检测结果与原图像对比显示,该算法能较准确地提取出缺陷,证明了其有效性。【结论】基于数字图像处理算法,提出的窗口累计式的S-T变换方法,结合图像去噪、图像分割、形态学处理等技术成功提取出焊缝X射线图像中大灰度起伏背景下的缺陷弱目标。

关键词： 侧扫声纳   YOLOv8模块   特征融合   目标检测   CMUNeXt模块   MDFM模块  

摘要： 受测量机制和海洋环境因素影响,侧扫声纳沉船目标存在多尺度、多畸变、分辨率低的问题,严重影响了SSS沉船目标检测精度。为此,提出一种基于改进YOLOv8的侧扫声纳沉船目标检测方法。首先,为了优化网络的特征提取能力,在YOLOv8主干网络中引人CMUNeXt模块,增强了网络对不同尺度、形状和背景噪声的侧扫声纳目标的适应能力。之后,在网络中引人多尺度特征融合模块,并行处理不同尺度的沉船目标特征,并采用加权融合的机制实现差异化特征融合,增强网络的特征表达能力。实验表明,本文所提出方法在各项定量和定性评价中均超越了同系列的YOLO网络。相较于YOLOv8网络,精确率、召回率和mAP分别提升了5.0%,13.0%和7.8%。

关键词： 低空经济   eVTOL   人工智能   计算机视觉   飞行安全  

摘要： 随着低空经济的兴起,电动垂直起降飞行器(eVTOL)的应用更加广泛,其飞行安全保障至关重要,有待加强相关应用研究。通过分析大量相关文献,从eVTOL本身的效能可靠性、应用规程的安全性和飞行数据传输的安全这3方面进行深入剖析,梳理了可能面临的数据安全、复杂环境感知决策、计算资源限制和多智能体协同挑战等问题。最后对人工智能在eVTOL安全应用的未来发展趋势进行预测,为后续研究与实践提出技术研发重点、标准法规完善及行业合作等建议,旨在全面展现人工智能保障eVTOL运用安全的应用全景,为其进一步发展提供参考。