关键词： Faster R-CNN   目标检测   脑肿瘤   特征提取  

摘要： 针对脑肿瘤图像目标检测存在的困难提出一种改进的Faster R-CNN算法。为了克服背景复杂和目标较小的问题,设计一个结合VGG16和ResNet18的特征提取网络,以捕捉不同尺度下的肿瘤特征。对数据集进行了数据增强,调整了锚框尺寸,以增强模型对肿瘤大小变化的检测能力。通过在公开的脑肿瘤MRI数据集上与原始的Faster R-CNN模型进行对比,结果显示,该算法在检测平均精度方面有明显提升,表明改进的目标检测方法在提高脑肿瘤图像识别的准确性和可靠性方面具有较大优势。

关键词： 医院建设工程   智能化监控系统   图像处理   目标检测   行为分析  

摘要： 随着医疗卫生事业的发展,医院建设工程规模不断扩大,施工环节日趋复杂,对监控系统提出了更高要求。传统人工监控和简单监控设备已难以满足需求。本文针对医院建设工程智能化监控系统展开深入研究,介绍了系统整体设计框架,重点论述了图像采集与处理、目标检测与跟踪、行为分析等关键技术,并通过实际案例分析了系统在医院建设工程中的应用效果。研究表明,智能化监控系统能够全方位高效监控,提高管理水平,确保工程质量和施工安全。

关键词： 人工智能   深度学习   目标检测   自动驾驶  

摘要： 随着计算机技术和人工智能技术的飞速发展,目标检测在智能交通体系、工业检测、智能监控等领域发挥着重要作用,并得到了广泛而有效的应用。在自动驾驶领域,目标检测技术是实现安全驾驶的关键技术,以实时识别和检测道路上的行人、车辆、交通标志等对象,为自动驾驶系统提供决策支持。本研究首先介绍自动驾驶在计算机视觉的研究现状、检测任务,重点分析了目标检测任务的不同类型。目标检测算法通常分为两类:两阶段方法(two-stage)和单阶段方法(one-stage)。两阶段方法中讲述了RCNN、SPP-Net、FastRCNN、Faster R-CNN算法都具有较高的检测精度,但计算复杂度较高,实时性不足;单阶段方法如YOLO和SSD,通过直接在特征图上进行目标检测,速度更快,适合实时应用,但在复杂场景下可能面临精确率下降的问题。最后讨论车辆检测算法检测精度存在的一些问题。虽然深度卷积神经网络在目标检测中表现出色,但在光照变化、复杂背景、密集交通等情况下,仍然会影响检测精度,因此提升检测精度依然是目标检测领域需要持续研究的关键问题。

关键词： 图像处理   时间序列   目标去重   废钢智能定级  

摘要： 基于分层场景识别框架,提出了一种多维度废钢时序去重算法,旨在有效解决背景干扰、实现精确去重并保持帧间一致性。具体而言,该算法引入感兴趣注意力模块以抑制背景干扰,并结合互补的前向与后向关联策略执行细粒度时序去重,以确保每个废钢实例在视频序列中被唯一且准确计数。实验结果表明,相较于所选的基线方法,所提方法在去重细粒度、鲁棒性及准确性方面表现出显著优势,实现了5%的相对误差。本研究为高精度自动化废钢定级提供了关键技术支撑,有望应用于废钢全生命周期的智能化管理,助力废钢回收行业实现数智化转型。

关键词： 图像融合   遥感   图像处理   深度学习   卷积神经网络   机器学习   特征提取   图像重构  

摘要： 多光谱图像全色锐化是遥感影像处理与解译领域的热点问题。相较于传统全色锐化方法,基于深度学习的全色锐化方法聚焦于图像深层次特征的提取,大幅提升了融合图像的质量。本文提出一种基于混合双分支卷积神经网络和图卷积神经网络的全色锐化方法,旨在同时挖掘图像的光谱、空间与非几何结构信息,以提升融合图像空间分辨率和光谱分辨率。本方法建立在多分辨率分析融合框架的基础上,利用深度神经网络构建了特征提取、特征融合和图像重构模块。混合双分支网络模块是由2D和3D卷积神经网络构建,其中,2D卷积神经网络负责挖掘多光谱图像与全色图像的空间特征,3D卷积神经网络负责挖掘图像的光谱特征。引入了图卷积神经网络以捕捉图像图结构中节点的空间关系,从而整合非局部信息。将多光谱图像与全色图像的空间、光谱和非几何特征通过特征融合模块进行融合。将融合特征输入图像重构网络重建高质量多光谱图像。本文算法在GeoEye-1和IKONOS遥感数据上进行了实验验证,实验结果表明:与其他方法相比,本文算法在主观视觉和客观评价指标上均表现出优秀性能。

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： 新能源充电站   智能监控   目标检测   卡尔曼滤波  

摘要： 随着新能源汽车保有量的持续增长,充电基础设施的智能化管理需求日益突出。本文针对充电场站管理中两大痛点:燃油车违规占位和新能源车充电完成后长时间占位,提出了一种基于智能监控的充电场站管理系统。该系统集成了非新能源车辆检测与驻车超时检测两项核心算法,通过分别引入目标关联校验机制与自适应卡尔曼滤波方法,实现了对违规行为的准确识别。实地部署测试表明,非新能源车辆检测准确率达96.9%,驻车超时检测在不同超时阈值下均实现97%以上召回,验证了系统的实用性与有效性。此外,系统支持多渠道联动告警,具备部署便捷、成本低、适应性强等优势,适用于多种充电场景。

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： 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。