关键词： 峰值旁瓣比   多搜索区   核相关滤波   目标跟踪   粒子滤波  

摘要： 在目标因快速运动或遮挡造成观测不连续的情况下,由于核相关滤波(Kernel Correlation Filter,KCF)算法采用固定大小搜索区,容易导致跟踪精度下降甚至目标漂移。针对这一问题,本研究提出了一种基于峰值旁瓣比扰动的多搜索区核相关滤波跟踪方法。该方法首先在核相关滤波跟踪框架中融入跟踪质量感知机制;然后在特殊场景下,以上一帧目标所在位置为先验信息,通过峰值旁瓣比对运动状态方程的协方差矩阵进行扰动,从而调节各采样粒子所在搜索区分布;最后以各搜索区域的相关滤波响应峰值构造似然函数,利用粒子滤波算法在多搜索区中实现对目标位置的有效估计,在模板更新上采用差异化模板更新策略以降低目标漂移概率。定性和定量实验结果表明,本研究所提方法在目标快速运动和被遮挡情形下,相比原始KCF算法跟踪精度有较大的提升,且具有一定的鲁棒性。

关键词： 卷积神经网络   磁共振成像   体层摄影术,X线计算机   深度学习   头部   图像处理  

摘要： 目的基于颅脑磁共振Dixon多对比度图像,采用深度学习方法重建CT图像,并与原始CT图像比较评估重建效果。资料与方法回顾性收集2021年6—12月上海交通大学医学院附属瑞金医院77名健康志愿者头颅CT和MRI图像,使用U-Net神经网络进行训练,训练集62名,测试集15名,基于Dixon的4种对比图像及其不同组合共7种模型进行CT图像重建。采用平均绝对误差、均方误差、Pearson相关系数、颅骨区域戴斯相似性系数评估图像重建效果。结果7种Dixon图像组合模型训练重建CT图像与原始CT图像均呈较强相关性(R>0.75,P<0.05),采用4通道模型重建CT图像与真实CT值最相近[平均绝对误差为147.516±30.802,均方误差为(8.648±3.403)×104],相关系数最大(R为0.796±0.055),颅骨区域相似性系数最高(戴斯相似性系数为0.800±0.036)。结论通过Dixon图像进行深度学习训练可实现头颅CT图像重建,且Dixon 4种对比图像组合可提高CT图像重建效果。

关键词： 缺陷检测   深度学习   空间特征采样   协作混合分配训练   计算机视觉  

摘要： 目前,虽然已经有一些基于图像处理技术的竹片缺陷检测方案,但这些方案检测存在种类较少、实用性较差且难以部署在机器上等缺陷,为此,提出一种改进的竹片缺陷检测模型。该模型为改进的可变形-端到端目标检测(Deformable-DETR)模型,首先将骨干网络替换成由DCNv3卷积为核心而堆叠设计的InternImage,该网络在保留卷积神经网络(CNN)先验特性的情况下还能捕捉到长距离依赖,使提取到的特征空间语义更丰富;然后在特征提取后新增一个采样模块,该采样模块将图像特征抽象为精细的前景特征和少量粗糙的背景特征,不仅能去除冗余的背景特征信息,还能提取高语义前景信息;最后引入一种新颖的协作混合分配训练策略,该策略通过训练由一对多标签分配监督的多个并行辅助头,提高编码器在端到端检测器中的学习能力。此外,使用数据增强来扩展数据集,并使用迁移学习,以增强竹片缺陷的检测。试验结果表明,该改进方法可以提高模型的缺陷特征提取与解析的能力,并在测试数据集上取得了85.7%mAP50(全类平均精确度),单张图片推理时间为0.28 s,检测精度优于其他主流目标检测模型,为竹片缺陷检测提供新的方法。

关键词： 深度学习   目标检测   无人机影像   道路识别   YOLOv8算法   注意力机制  

摘要： 使用无人机影像进行道路识别在城乡发展规划、智能交通管控和基础设施维护中起着至关重要的作用。深度学习算法在无人机道路识别领域展现了巨大的潜力,但在无人机影像中常因背景复杂、目标重叠和尺度变化等问题导致识别精度低,不能很好地满足实际应用需要。为更好地解决这些问题,构建了一个专门用于无人机道路识别的数据集并基于YOLOv8目标检测算法进行改进,在主干网络部分引入卷积块注意力模块(convolutional block attention module,CBAM),强调重要特征,抑制无关或冗余特征,提升特征表示能力,从而减低模型错检、漏检和复检率。实验结果表明,改进后模型的平均精度为85.20%,相较原模型提升了5.02%,并且优于其他模型,为无人机影像道路识别提供了一种有效的解决方案。

关键词： 目标检测   智能芯片   检测加速  

摘要： 针对目标检测模型部署的实际要求,评估国产智能芯片作为加速处理单元的可行性。选择昇腾310智能芯片和YOLOv4模型,在不改变神经网络模型结构以保证检测精度的前提下,将目标检测处理流程转移到昇腾神经处理单元上进行,以提高检测速度。结果表明,借助昇腾310的高性能算力与图像处理模块,可有效降低单张图片平均检测耗时,满足实时检测要求。

关键词： 目标检测   深度学习   自注意力机制   激活函数   YOLOv5s  

摘要： 研究旨在利用改进后的YOLOv5s深度学习模型高效识别输电线路中的各类隐患目标。首先,收集了23780张图像的输电线路隐患目标数据集,并对数据集进行详细标注,分为九大隐患目标类别。然后,在改进的YOLOv5s模型骨干网络中引入了CBAM自注意力机制,该机制对网络中的特征图进行重构,强调重要特征,从而提高模型在不同场景中的泛化能力。此外,还引入了FReLU激活函数,该函数将ReLU和PReLU扩展为2D激活函数,解决了模型训练的激活函数中空间不敏感的问题,卷积过程能捕获复杂的视觉检测布局,模型具备了像素级建模能力。最后,通过模型训练和结果分析可知,改进后的YOLOv5s模型相比原始YOLOv5s模型,精确率提高了3.1%,召回率提高了1%,均值平均精度提高了2.5%。这些结果证明了所提方法在识别输电线路隐患目标方面的优越性,为输电线路隐患目标检测提供了一种有效的解决方案。

关键词： 串番茄   YOLO v5s   目标检测   成熟度   夜间环境  

摘要： 机器人自动化采收是温室串番茄收获作业的有效解决方案,其中串番茄成熟度是机器人采摘决策的重要依据。本文利用Deep White-Balance与Zero-DCE深度神经网络分别实现串番茄图像偏色修正和阴影细节增强,改善补光环境与夜间环境下图像偏色与局部弱光等问题。同时引入深度残差收缩网络,在YOLO v5s中构建RSBottleneck-CW模块对特征图进行软阈值化处理,抑制图像中的噪声干扰。实验结果表明,在夜间环境下,图像经Zero-DCE算法增强处理后,检测模型召回率达到0.924,捕获到了更多的番茄果实与果串目标。在补光环境下,图像经过Deep White-Balance与Zero-DCE联合处理后恢复了真实色彩并增强了纹理细节,检测模型平均精度均值(mAP)达到0.849,相比于处理前提升0.038。而嵌入RSBottleneck-CW模块的YOLO v5s对特征图噪声表现出了很强的适应性能,不管是否对图像进行深度增强,其mAP与F1值始终比原始YOLO v5s更高,夜间环境下mAP和F1值最高分别为0.902、0.844,补光环境下mAP和F1值最高分别为0.868、0.817。检测模型检测出果实与果串后,利用边框匹配算法可以获取到串番茄最终的成熟度。当串番茄成熟度为90%~100%时,夜间环境与补光环境下串番茄成熟度识别平均绝对误差分别为1.837%、1.067%,可为串番茄采摘机器人夜间自动采收作业提供决策依据。

关键词： 大豆   DUS测试   性状   品种(系)鉴定   遥感   图像处理  

摘要： 特异性、一致性和稳定性(DUS)是大豆新品种审定和品种权授权的必备条件,也是大豆种质评价和品种鉴定的重要依据。为验证引入多源表型数据进行大豆品种(系)精准鉴定和系谱分析的可能性,本研究利用田间调查、低空遥感和计算机视觉技术获取大豆的22个DUS性状、16个冠层性状和23个豆荚图像性状,并通过随机森林分类(RFC)模型和支持向量分类(SVC)模型进行大豆品种(系)鉴定,采用K均值(K-means)聚类算法探究品种(系)间的系谱关系。研究发现,低空遥感与计算机视觉技术获取的各性状间具有较高的相关性,DUS性状对于大豆品种(系)的准确识别至关重要,但也存在一些性状对品种(系)鉴定的贡献较弱。冠层光谱性状和豆荚图像的部分形态、颜色和纹理性状可以作为大豆品种(系)鉴定的优异候选性状。引入多源表型性状后模型实例化鉴定结果得到一定程度的改善,2个模型分类精度最终均能保持在0.9以上。聚类分析结果显示,聚类数在4个及以下时轮廓系数较好。本研究结果表明,利用多源表型信息创新品种测试技术具有巨大潜力,可为今后大豆DUS测试、品种(系)鉴定及系谱研究提供新的方法。

关键词： 小目标检测   航拍图像   特征金字塔   自适应特征融合   边缘信息  

摘要： 无人机航拍图像中,目标尺寸变化剧烈、背景复杂且小目标比例较高等特点为目标检测任务带来巨大挑战。尽管现有的基于卷积的目标检测算法能有效获取空间信息,但在实现不同尺度特征的全局交互及边缘细节信息的有效利用上仍存在不足。因此,提出了一种结合多尺度特征聚合扩散和边缘信息增强的小目标检测算法ADEYOLO。构建了多尺度特征聚合扩散金字塔网络(MFADPN),通过在中间层聚合不同层级特征,并将其直接扩散至相邻层以缩短传播路径,有效减少了信息在传递过程中的损失,增强了模型的多尺度表达能力,显著提升了对不同尺度目标的检测能力。设计了自适应上下文融合模块(ACFM),利用通道注意力机制自适应地调整不同特征图的贡献,进一步强化多尺度特征的融合效果,使得重要特征在信息融合过程中更加突出。提出的C2f-Sobel模块通过额外分支结合Sobel算子来提取图像的边缘信息,从而为模型提供了更丰富的细节信息,提升了其在复杂场景下目标定位能力。实验结果表明,ADE-YOLO相较于基线YOLOv10s,在VisDrone2019和TinyPerson数据集上分别提高了8.6个百分点和4.0个百分点(mAP0.5),并且在与其他先进模型的对比中也展示了显著的优势。

关键词： 深度学习   目标检测   桥梁裂缝   YOLOv8   裂缝检测  

摘要： 针对复杂背景下不同裂缝检测场景中各裂缝类型易出现错检及漏检等情况,提出一种改进的裂缝检测算法YOLOv8-CES。先在基础网络YOLOv8结构中引入C2f-SWC模块代替原有C2f模块,后使用轻量级上采样算子CARAFE代替传统上采样算子,同时引入EffectiveSE Module通道特征自适应模块,再通过公开数据集及网络收集方式构建了3000张裂缝检测数据集图像,并采取准确率P及召回率R、平均精度均值AP_(50)及AP_(50-95)定量评价指标来对算法检测效果进行定量评价,最后通过对比试验、消融试验及检测结果可视化,进一步论证YOLOv8-CES在裂缝检测任务中的有效性及优越性。结果表明:YOLOv8-CES可提升检测精度,并在裂缝检测任务中可准确检测裂缝,具备较强的实际应用潜力。