关键词： 图像处理   可调谐半导体激光器吸收光谱学   二次谐波   卷积神经网络   信噪比  

摘要： 针对利用可调谐半导体激光吸收光谱(TDLAS)技术测量气体体积分数的过程中二次谐波谱线受外界噪声干扰的问题,提出一种多层次特征融合的双通道卷积神经网络算法,首先通过主成分分析法降维后的残差网络和格拉姆角和场变换后的残差网络分别进行两路特征提取,进而对信号进行降噪处理。仿真中讨论了不同算法的降噪性能,发现所提出的方法在低信噪比情况下具有显著优势。对实测二氧化碳(CO_(2))信号的降噪结果表明,所提出的方法能够有效抑制噪声干扰,提取光滑的二次谐波信号,同时能够有效减小基线波动,并且较高的峰值和峰谷值拟合度也说明所提方法适用于实际气体体积分数的反演。

关键词： 定向刨花板   计算机视觉   断面密度梯度   三维结构   准确性评价  

摘要： 定向刨花板(oriented strand board,OSB)是一种以长片大刨花为主要原材料的木质结构人造板,其物理力学性能与内部结构密切相关。为了深入解析OSB构效关系,研究提出一种基于计算机视觉重构OSB内部三维结构的方法。选用旋切单板裁切刨花制备1.2 cm厚OSB,拍摄记录铺装过程,利用计算机视觉技术捕捉刨花铺装的位置,并对铺装后层叠刨花进行单片刨花轮廓提取,再结合断面密度梯度(vertical density profile,VDP)数据计算板坯厚度方向的压缩率,使用Python软件重构OSB内部三维结构。制备5 cm×5 cm(长×宽)的试件并记录质量,检测VDP、内部三维结构和孔隙率。结果表明,制备OSB用刨花总数为2299片,计算机正确识别所有刨花,其中2232片刨花完整分割(占比97.1%)。试件实测预测质量、孔隙率、VDP的决定系数R2分别为0.976、0.951、0.812。对比X射线断层扫描(X-ray CT)结果和计算机视觉重构结果发现,三维可视化结构一致性好。基于重构结果,可进一步量化所有刨花的定向角度、面积和施胶效果。计算机视觉方法能够准确可视化和量化OSB试件内部三维结构,为OSB构效关系研究提供可靠基础数据。

关键词： 半监督   作物   图像处理   目标检测   图像分割   图像分类  

摘要： 半监督学习通过结合少量标注数据和大量未标注数据,显著减少数据标注需求和成本,同时提高模型的泛化能力和性能,为深度学习和机器学习在资源受限环境中的发展提供了新的路线。随着半监督学习在图像处理领域取得突破性进展,以现代农业为调查对象,探讨半监督学习方法在农业生产中的作用。根据半监督基础定义和假设提出半监督概念模型,同时按照利用监督信号的差异将半监督学习分为伪标签和无监督正则化。从目标检测、图像分割、图像分类和多任务联合学习出发,对农业作物管理、杂草管理、水果检测、植物健康、植物表型和叶片分类等具体任务进行全面回顾。分析并讨论了半监督学习在农业图像处理领域的未来研究方向。

关键词： 计算机视觉   背景模型   特征提取   径向基核函数   LSSVM模型  

摘要： 针对监控视频识别突发事件效率低,导致识别系统无法及时检测并响应突发事件,增加潜在危险的问题,提出应用计算机视觉的监控图像异常行为识别算法。以监控图像的初始背景为基础,利用差分运算获取背景与监控图像差分后的差分图像,并利用背景减除法对组合排序后的新监控图像实施二值化处理,完成目标区域识别;然后利用矩形遍历目标区域,采集目标区域的有效运动块,提取运动块的特征向量,完成监控图像异常行为特征提取;最后通过库恩塔克条件,完成监控图像异常行为识别。实验结果表明,所提方法的异常行为识别时间在1.0 s以内,识别准确率保持在94%以上,可准确识别监控图像异常行为,有效提高识别效率与识别率。

关键词： 图像处理   焊缝定位   三维视觉传感器   机器人焊接   激光传感器手眼标定  

摘要： 随着智能制造技术的持续发展,工业机器人与机器视觉技术的深度融合已成为工业生产中的关键趋势。机器视觉技术在多个制造领域展现出广泛的应用潜力,并取得显著成果。焊接作为工业生产中的核心环节,传统焊接机器人由于缺乏自适应能力,难以满足智能制造对于高效率和高质量的要求。该研究以3D机器视觉技术为基础,开发一种集成于工业机器人的自动焊缝追踪激光系统,该系统融合3D视觉技术、深度学习、光源技术、激光原理及机器人技术。该文的研究重点包括:首先,在硬件配置完备的前提下,建立图像与机器人坐标之间的映射关系;其次,进行视觉系统的标定;接着,制定数据收发协议;然后,探讨图像处理技术;最后,基于神经网络技术实现焊缝轨迹的自动获取。通过在实际应用场景中的测试,验证该系统能够满足自动焊缝跟踪焊接的实际需求。

关键词： 目标跟踪   孪生网络   拆分注意力   像素级互相关   多通道特征聚合  

摘要： 目前以孪生网络为基础的目标跟踪算法,仍然存在网络浅层的特征中有价值的上下文信息无法合理利用的问题。针对这一问题,提出一种融合拆分注意力机制(split-attention,SA)的目标跟踪算法SiamMCFA(siamese multi-channel feature aggregation module)。在骨干网络中引入拆分注意力机制,用来提取浅层特征中有价值的上下文信息,通过像素级互相关模块(pixel-wise cross correlation,PWCC)融合模板区域和搜索区域浅层和深层特征中的上下文信息,以增强模板区域和搜索区域的特征图之间的联系,从而提高跟踪器的鲁棒性。针对因尺度变化而容易导致目标丢失的问题,设计了一个多通道特征聚合模块(multi-channel feature aggregation module,MCFA),用于聚合目标不同区域的特征信息,使跟踪器尽可能地区分目标和语义背景,进一步提升跟踪准确性。最后,在OTB100、VOT2019、GOT10K和LaSOT四个数据集上进行了详尽的实验评估,结果显示,SiamMCFA与当前基于孪生网络的先进的跟踪器SiamCAR相比,其成功率(success rate)与精准度(precision)分别提高了2.26和2.83个百分点。与SiamIRCA相比成功率与精准度提高了0.3和0.9个百分点。

关键词： 超声心动视频分割   半监督学习   目标检测  

摘要： 在超声心动视频中,复杂的解剖结构和心跳周期内的形变伪影常导致分割区域混淆和错误,因此提出一种基于自约束多尺度记忆网络(self constrained multi-scale memory network,CSTM)的半监督超声心动视频分割算法。该算法采用目标检测网络SAM-DETR定位超声心动视频中每帧的左心室区域,并利用该网络有效地提取左心室及其周围组织的特征,这些特征作为约束信息被输入到多尺度记忆网络中,指导有对象掩码的帧进行左心室分割并更新记忆信息,对于没有对象掩码的帧,通过查询记忆信息进行分割。将多尺度编码器与多层次细化解码器相结合构成多尺度记忆网络用于解决约束信息带来的边缘信息丢失问题,使CSTM能得到精确的分割效果。在公开数据集EchoNet-Dynamic上的实验结果显示,所提算法在Dice系数上达到90.5,Hausdorff距离为4.11,分割结果优于现有方法,验证了算法在超声心动图分割任务中的有效性和正确性。

关键词： 红外小目标   目标检测   采样定理  

摘要： 为提高复杂背景下红外小目标检测能力,提出基于采样定理的检测算法。预处理用高斯滤波增强局部对比度与降噪,经图像上下采样与原图像差分分离小目标区域,再用自适应阈值分割筛选目标。实验表明,该算法对不同场景适应能力好,处理质量和效率显著提升。

关键词： 深度学习   轨迹参数   目标检测   YOLOv3   无人机识别  

摘要： 本文提出一种融合深度学习与目标运动轨迹的无人机识别方法,旨在提高对无人机的识别准确性和效率。该方法通过获取摄像机或其他视觉传感器拍摄无人机的视频数据,首先,根据YOLOv3目标检测网络初步识别潜在的无人机候选目标;其次,分析目标检测网络获取的候选框,并计算每一个候选框在该时间点前的一系列目标检测框生成的轨迹参数,主要包括速度、方向、加速度;最后,将候选框与其对应的轨迹参数一同纳入目标重检测网络,基于目标重检测网络的输出结果,获取最终识别出的无人机位置。

关键词： 遥感图像   目标检测算法   特征增强   多尺度池化算法   极端长宽比目标  

摘要： 目标检测是分析与处理遥感图像的基本任务之一,其目的在于识别遥感图像中物体的类别和位置信息.极端目标是指图像中拥有极小尺度和极大长宽比的物体,这些物体在遥感图像中广泛存在且难以被现有的目标检测算法检测,如何检测这些物体是一项有挑战性的任务.针对这一问题,本文提出一种基于特征增强的极端目标检测网络(FEEODNet).该网络包含一个双分支融合网络,一个分支利用浅层特征提取细节信息用于检测小目标,另一分支利用深层特征提取语义信息用于检测大目标.两分支融合后,通过注意力机制模块增强特征,从而提升目标检测性能.此外,为了提取目标的全局信息,本文对语义信息特征图通过串联的非对称卷积块生成不同形状的感受野,以适应极端目标的多样性和复杂性,并利用多尺度最大池化算法筛选热图中的关键点,从而更准确地确定不同尺度目标的中心点.最后,在NWPU VHR-10和RSOD数据集上进行测试,结果表明,本文提出的方法在两个数据集上的mAP分别为96.92%和96.43%,优于目前主流的目标检测算法,说明本文所提方法能有效检测遥感图像中的极端目标.