关键词： 计算机视觉   结构加固   深度学习  

摘要： 房屋建筑老化与极端气候频发导致建筑结构损伤问题日益加剧,传统的加固与改造方法效率低下且精度欠佳。针对该问题,文章提出了一种基于计算机视觉技术的建筑结构加固与改造方法,通过无人机与高分辨率摄像设备获取建筑物的外观和内部结构图像数据,结合深度学习算法,自动识别结构损伤,并生成精确的三维模型。实验结果表明,该方法显著提升了结构加固设计精度与效率,减少了人工干预,能够有效应对复杂的建筑加固需求。

关键词： 道路限速   道路限高   交通标志牌   目标检测   信息提取   街景影像  

摘要： 针对端到端识别模型对样本稀疏交通标志牌识别效果差的问题,本文构建了一种在街景影像中先检测交通标志牌,再提取限速限高语义信息的方法,以实现对标志牌所在道路限速限高属性的更新。首先,融合公开样本数据集,训练基于4种典型网络的检测模型,对比选用效果最佳的Faster R-CNN作为标志牌检测模型;然后,分割全景街景影像,在子图像中检测限速限高标志牌;最后,引入PP-OCRv3文字识别模型提取限速限高值,并通过语义约束清洗结果。结合交通运输部门公开数据,对本文方法进行测试,并在中国台湾省台南市开展应用试验。结果表明,该方法适用于样本稀疏的限速限高标志牌,能从街景影像中准确提取限速限高信息,对交通标志牌管理和限速限高道路属性校验更新具有应用价值。

关键词： 黄瓜病害   计算机视觉   多模态数据融合   专家知识   智能识别   大模型  

摘要： 利用智能识别技术及时、准确识别黄瓜病害,进而积极防治、合理施药对于保障黄瓜高质量生产及生态环境安全具有重要意义。黄瓜病害智能识别主要采用基于传统专家系统和知识图谱的专家知识,以及基于传统机器学习和深度学习的可见光图像处理、叶绿素荧光和高光谱等光谱分析、多模态数据融合技术。综述了基于上述技术的黄瓜病害智能识别研究进展,以及当前研究中存在的问题与不足,并展望了黄瓜病害智能识别技术的发展趋势,旨在为黄瓜病害智能识别的应用研究提供参考。

关键词： 图像去噪   滤波   轨道图像   峰值信噪比   归一化均方误差  

摘要： 为保证轨道图像的质量和边缘细节信息的完整,对轨道图像进行去噪非常重要,基于此重点讨论和比较了均值滤波、高斯滤波、中值滤波、双边滤波四种去噪方法的去噪效果,通过采用峰值信噪比PSNR、归一化均方误差NMSE进行评价,仿真实验表明,采用双边滤波对轨道图像进行去噪效果相对较好,有利地保护了轨道图像的边缘细节信息。

关键词： 深度学习   YOLOv5   图像处理   火苗识别  

摘要： 随着科技的飞速发展,人们的生活被智能化与电气化不断刷新,现代电炊具,如电饭煲、电磁炉等已成为家庭厨房的标配,天然气更是为千万家庭带来了清洁、高效的能源。然而,在享受科技带来的便捷之余,也面临着潜在的安全隐患,高负荷电器的长时间使用和天然气的无意识泄露,成为火灾事件频发的两大元凶。为有效应对这一现象,研究并应用基于深度学习的目标检测算法,采用先进的网络爬虫技术来搜集大量火灾现场的真实图像作为数据集,并基于Py Torch框架搭建的YOLOv5火灾检测算法对数据集进行严格训练和精细测试,确保其能精准识别各种火灾场景中的火苗特征。通过实际火灾场景的数据图像测试表明,使用这一经过扩充后的新数据集,算法的识别效果显著提高。

关键词： 目标检测   多尺度特征融合   特征解耦   注意力   可变形卷积  

摘要： 针对目标检测中特征金字塔网络(FPN)造成的大尺度目标检测精度下降及目标检测2个子任务所需语义特征不一致问题,提出一种基于相邻特征融合(AFF)与特征解耦的网络(AFFDN)模型。该模型中的AFF模块通过多对一连接引入更短的梯度回传路径,缓解了大尺度目标梯度消失的问题;AFF模块通过共享参数和偏移量,有效减小了模型参数量,并增强了多尺度特征语义一致性;相比于基于神经架构搜索的FPN(NAS-FPN),AFF参数量更小、性能增益更显著。AFFDN模型中的特征解耦模块(FDM)通过动态感受野和全局注意力,在感受野-通道-空间3个维度上进行细粒度特征解耦,为不同分支生成特有的任务相关特征,进而提高目标检测精度。将AFFDN模型应用到不同的一阶段目标检测模型时,在PASCAL VOC和MS COCO2017数据集上与基线模型相比,检测精度分别提升了至少0.9%和2.3%。

关键词： 阵列雷达   自适应目标检测   协方差结构   目标信息   全增量线性化模型  

摘要： 针对多通道阵列雷达探测目标时有限训练样本与目标信息不准确等敏感因素导致检测性能急剧下降的问题,提出了协方差结构辅助的全增量线性化模型自适应目标检测方法。该方法采取联合处理思想,将目标不准确信息通过阵列导向矢量建模为全增量线性化模型,然后利用酉矩阵变换设计协方差结构辅助的检测,并将该检测问题转化为分数优化问题,再通过白化处理并优化求解推导出最终检测统计量。数值仿真结果表明,通过辅助利用协方差结构信息优化全增量线性化模型,有效改善了目标在复杂敏感环境下的检测性能,相比传统检测方法,在特定参数条件下自适应样本量减少时检测性能仍然保持最优。

关键词： 钢缆缺陷   注意力机制   目标检测   SSD算法   特征融合  

摘要： 针对在框绞过程中钢缆表面会产生缺陷的问题,采用了改进型SSD算法的方法。具体措施为:使用ResNet18作为SSD的骨干算法来提取特征信息;通过萤火虫优化算法和K-Means算法优化先验框,提高匹配精度;引入单向特征融合模块和改进的CBAM注意力模块,提高了检测的精度;将Focalloss作为损失函数,减少训练过程中负样本的权值。结合钢缆缺陷数据集进行训练实验,得出改进型SSD算法平均精度为80.3%,相对于传统的SSD-VGG模型提升9%,FPS保持在63.3。在检测精度和检测速度方面上,改进型SSD算法能满足实际需求。

关键词： 无人机红外影像   目标检测   YOLOv8算法   小目标   自适应空间特征融合策略   轻量化  

摘要： 无人机红外影像目标检测在农业、商业等领域都有广泛的研究需求和应用场景。针对当前无人机红外影像中目标检测精度低,特别是小目标难以有效检测的问题,并为了便于模型部署,基于YOLOv8算法,提出了一种红外目标轻量化高精度检测算法(YOLOv8-PFAF)。该算法在YOLOv8的基础上,增加一个针对小目标的额外检测头,同时引入自适应空间特征融合策略(ASFF)改进检测头,显著提升了红外目标检测精度。平均精度均值(交并比阈值为50%)提高1.2%,综合平均精度均值(交并比阈值为50%~95%)提高2%。设计并融入了C2f_PConv模块,有效减少特征图冗余,降低模型尺寸,更好地满足后期实时检测中模型部署的需要。

关键词： 计算机视觉   多目标跟踪   特征增强   通道注意力机制   空间注意力机制   卷积混合注意力机制  

摘要： 基于检测的多目标跟踪方法在复杂场景问题上达到了较好的效果,但已有研究大多关注于时空特征关联而忽视了提高检测性能所能带来的全局跟踪收益.据此,提出一种卷积混合注意力机制,该模块结合动态稀疏通道注意力和空间位置注意力:在处理通道注意力时,整合空间上下文信息,动态调整通道权重;在处理空间注意力时,结合不同通道特征评估空间区域的重要性,旨在优化注意力分配并提升检测精度.进一步地,提出一种两阶段多目标跟踪方法——CHAMTrack,通过在运动目标检测阶段使用该注意力机制,增强算法在复杂场景中对关键信息的捕捉能力,提升不同尺度目标的跟踪效果,降低跟踪过程中漏检和ID切换的发生率.在MOT17和MOT20数据集上的实验结果表明,CHAMTrack在MOTA指标上分别提升28%和20.5%,显著提升了多目标跟踪算法在复杂场景中的效果和鲁棒性.