关键词： 深度学习   桥梁裂缝识别   目标检测   风险评估   预警系统  

摘要： 针对当前桥梁裂缝检测技术普遍存在依赖人工巡检、效率低以及误判率较高等问题,构建了一种基于深度学习的桥梁裂缝识别与预警系统。该系统以改进后的YOLOv5模型为核心,结合裂缝特征提取和特定风险评估规则,建立了图像识别与预警之间的联动机制。同时,创新性地引入多因素融合的动态预警方法。通过在实际场景中的部署与实验验证表明,该系统在识别精度和响应速度等关键指标上均优于传统方法,能够有效识别桥梁裂缝的演化趋势,并实现精准、及时的预警功能。

关键词： 红外小目标   目标检测   梯度判断   自适应   模型匹配  

摘要： 为提高复杂背景下红外小目标的检测能力,提出了一种联合梯度判别与自适应匹配的红外小目标检测算法。通过多方向梯度特征在图像中首次筛选出疑似目标区域,利用区域内灰度信息生成自适应模型,进行再次判断。针对梯度判断与自适应模型匹配分别建立量化评价,通过加权方式引入置信度函数对不同疑似目标区域进行评估,筛除疑似目标。为使算法能在无人机等动载平台应用,搭建嵌入式系统,通过红外相机取景,实现探测系统对真实场景下小目标的检测。通过对不同的公共数据集测试,不同复杂场景下与加权增强局部对比度算法(weighted strengthened local contrast measure, WSLCM)、三层滤波窗口局部对比度算法(tri-layer local contrast measure, TLLCM)算法进行比对,所提算法有较好的适应能力,不同样本下的识别率在92%以上。该算法通过在嵌入式平台IP核的定制和软硬协同设计,进行了硬件加速处理,实时视频帧率>30 frame/s,验证了其有效性。

关键词： 蒸汽射流   汽羽   可视化方法   图像处理   穿透长度  

摘要： 过冷水中蒸汽淹没射流的直接接触冷凝因具有较高的传热和传质速率而受到广泛关注。文章搭建了管内流动水中蒸汽淹没射流的可视化实验系统,运用高速摄像系统记录透明管内蒸汽淹没射流冷凝现象,可识别汽羽形状并提取了穿透长度和膨胀宽度等特征参数,提出无量纲汽羽穿透长度的关联式。结果表明:在150个实验工况下观察到半球形、锥形、收缩-膨胀-收缩形、椭圆形和发散形5种典型的汽羽形状;随着喷嘴出口蒸汽质流密度和过冷水温的升高,汽羽无量纲穿透长度明显增大;当水流状态Re数增大时,汽羽无量纲穿透长度将会大幅减小;实验测量的无量纲汽羽穿透长度为0.8~4.5,实验测量值和公式计算所得预测值的偏差<±20%。

关键词： 图像处理   缺陷检测   生成对抗网络   柔印标签   随机噪声  

摘要： 为了及时把控柔印标签的生产质量,融合Transformer设计了一种生成对抗网络,提出了一种柔印标签在线检测方法。为了解决实际生产中缺陷样品稀少、样本分布不均的问题,提出了一种新颖的噪声添加方案模拟缺陷样本,仅使用合格的柔印标签样本训练模板生成器。结合跳连接和Transformer block设计了一种生成对抗网络,以及相应的损失函数,以提高生成器对模板的表示能力。设计了一种基于自适应阈值的缺陷评估方案实现柔印标签检测。实验结果表明,提出的检测方法可以在每个样本38 ms的合理检测时间下,达到2.23%平均误检率、0%平均漏检率、0.983 F1-score的检测性能,在数据集上优于现有异常检测深度学习方法。

关键词： 面部伪造检测   深度学习   计算机视觉   图像重建学习   图像梯度   多源特征融合  

摘要： 针对当前的面部伪造检测方法在特定伪造操作上表现良好,但其跨数据集泛化能力存在明显不足的问题,提出了基于图像梯度引导重建(image gradient-guided reconstruction, GradGR)的面部伪造检测模型。该模型在图像重建主干的基础上,构建了辅助的梯度重建分支。通过特征传递机制,该分支的中间特征被用来引导主干网络聚焦于梯度所揭示的伪造区域。此外,GradGR模型中还包含了多源特征融合(multi-source feature fusion, MSFF)模块。该模块通过整合编解码器中间特征与双路重建差异,有效加强了跨层级特征的交互,并显著提升了特征融合的效率。结果表明,GradGR模型不仅在数据集内均达到了最优水平,还在跨数据集上较极端初始(extreme inception, Xception)模型的平均准确率提升了3.22%。该模型为面部伪造检测提供了新的研究思路。

关键词： 深度学习   卷积神经网络   图像重建   图像处理   图像复原   图像分辨率   神经网络   底层视觉  

摘要： 卷积神经网络因强大的学习能力,已成为解决图像超分辨问题的主流方法。然而,用于解决图像超分辨的不同类型深度学习方法存在巨大的差异。目前,仅有少量文献能根据不同缩放方法来总结不同深度学习技术在图像超分辨上的区别和联系。因此,根据设备的负载能力和执行速度等介绍面向图像超分辨方法的卷积神经网络尤为重要。本文首先介绍面向图像超分辨的卷积神经网络基础,随后通过介绍基于双三次插值、最近邻插值、双线性插值、转置卷积、亚像素层、元上采样的卷积神经网络的图像超分辨方法,分析基于插值和模块化的卷积神经网络图像超分辨方法的区别与联系,并通过实验比较这些方法的性能。本文对潜在的研究方向和挑战进行阐述并总结全文,旨在促进基于卷积神经网络的图像超分辨研究的发展。

关键词： 目标跟踪   无人机   RGB-T融合   轻量化网络   时空注意力  

摘要： 随着无人机在目标跟踪领域的广泛应用,尤其是在复杂环境(如低光照、恶劣天气)下的追踪效果难以保障,可见光与热红外(RGB-T)双模态数据融合成为提升跟踪性能的关键手段。然而,这种融合面临异构特征高效交互、视角差异及计算资源受限等挑战。本文提出一种基于孪生网络的轻量化目标跟踪算法SiamTSA(Siamese Network with Temporal and Spatial Attention)。首先,采用改进的MobileNetV3-small作为主干网络,降低计算开销并适配无人机平台;其次,设计跨模态时空交互注意力模块,通过时间注意力建模视觉风格差异和空间注意力对齐视角差异,抑制冗余噪声并增强跨模态一致性特征表达;进一步提出双模态自适应惩罚选择模块,通过分析预测框的尺度与宽高比变化筛选更优输出框,提升了跟踪框的稳定性。在GTOT、RGBT234及VTUAV数据集上的实验表明,SiamTSA在跟踪成功率(VTUAV:67.5%)与实时性(56.3 FPS)方面均优于主流算法,兼顾精度与效率。本文方法为复杂场景下的无人机多模态目标跟踪提供了轻量化解决方案。

关键词： 实例分割   计算机视觉   深度学习   目标实例  

摘要： 实例分割是计算机视觉的关键技术,能够有效地识别并分割出图像中的目标实例,广泛应用于多个领域。随着深度学习技术的发展,大量基于深度学习的实例分割新方法被提出,提升了实例分割的精度与效率。本文梳理了基于深度学习的实例分割研究发展现状,介绍了常用的数据集,阐述了实例分割的典型应用,针对当前实例分割方法面临的挑战提出针对性建议,并对未来发展走向做出前瞻性预测,期望能为相关研究提供有价值、有深度的参考。

关键词： 遥感   目标检测   深度学习   视觉基础模型  

摘要： 深度学习技术极大地提高了遥感影像目标检测能力,但由于高分辨率遥感影像所涉及的地理环境复杂、地物要素混杂且动态,“同物异谱”或“异物同谱”现象造成相似地物目标被误检,或者细小地物被漏检。提出一种结合CLIP和YOLOV8的多模态高分辨率遥感影像目标检测模型,通过引入视觉基础模型的文本信息增强对影像场景的理解。实验结果表明,与YOLOV8等模型相比,YOLO-CLIP在相似地物目标的区分中更具优势,细小目标漏检情况有较大改善,泛化性有所提升。

关键词： 图像去雾   航拍图像   深度学习   图像恢复   计算机视觉  

摘要： 图像去雾技术致力于从受雾影响的图像中恢复出清晰的无雾图像。由于大气条件的影响,航拍图像经常遭受雾气干扰,导致图像退化。现有的深度学习方法在处理有雾航拍图像时,往往难以充分应对航拍图像中广泛的场景和丰富的细节。为应对这一挑战,本文开发了一种适用于航拍图像的高效去雾模型。该模型包括细节增强模块和雾气自适应模块两个关键组件。细节增强模块采用多分支结构增强模型对图像细节特征的捕捉能力,并通过重参数化技术简化了推理过程。雾气自适应模块则利用局部和全局注意力机制,灵活处理图像中不均匀分布的雾气,以实现更良好的去雾效果。经试验验证,本文所提出的模型在去雾性能上表现出色,并且具有很高的运行效率。研究成果不仅为航拍图像去雾领域提供了一种快速且高效的解决方案,而且对于推动后续相关算法在航拍图像上的应用具有重要意义。