关键词： 计算机视觉   扩散模型   低光照增强   边缘特征   深度曲线估计网络  

摘要： 针对低光照图像中不同光源的光照强度分布不均,在图像增强时造成轮廓特征丢失及效果不自然的问题,提出一种基于光照强度扩散的低光照图像增强方法(Light Diffusion based Zero-DCE Image Enhancement Algorithm,LightDiffu-DCE)。为增强模型的泛化能力,提出了基于光源光照强度建模的扩散模型,以生成不同光照强度的训练数据集。设计了边缘特征融合的深度曲线估计网络,能够提取更丰富的低光照图像的多尺度轮廓和细节特征,提升对光照强度估计的准确性。为恢复出光照更加自然的图像,融合大气光估计来计算不同图像区域的光照强度,实现了对光增强曲线和光增强系数的动态微调。在无参考数据集ExDark和有参考数据集LOL上,使用6种评价指标进行实验分析。实验结果表明,相较于基准方法,LightDiffu-DCE在ExDark上的无参考评价指标NIQE,PIQE和RISQ上分别提升了约8.35%,6.20%和21.83%,在LOL数据集上的有参考评价指标PSNR,SSIM和RMSE提升了约12.12%,4.76%和49.89%。该方法可以有效增强低光照图像,且恢复出的低光照图像轮廓更加清晰,色彩鲜明且效果更自然。

关键词： 目标检测   果实成熟度检测   YOLOv5s   Ghostnet   NAMAttention  

摘要： 针对智能采摘领域中樱桃成熟度检测的挑战,文章选取了YOLOv5s模型作为基础,并进行了针对性的改进和优化,旨在提升模型在樱桃成熟度检测任务中的性能和准确性。首先采用GhostNet替代主干网络,其次增加了NAMAttention模块,显著减少了模型的参数数量和计算需求,并且提升了检测准确性。实验结果显示,改进后的模型与YOLOv5s相比,每秒帧数提升了34%,参数数量减少了25%,FLOPs降低了29%,并且在mAP@0.5指标上实现了约6.2%的提升。此外,与多阶段模型相比,该模型在平均精度、效率和计算负载方面均表现优越。由此可见,改进后的模型能够更加高效、精准地进行樱桃成熟度识别。

关键词： 水质监测   计算机视觉   小型水电站  

摘要： 随着环保要求的不断提高,小型水电站水质监测的重要性日益凸显。传统水质监测方法存在人工成本高、实时性差等问题,将计算机视觉应用于水质监测系统可实现水体浊度、漂浮物、水藻等指标的实时检测与分析。本文通过搭建基于深度学习的图像识别模型,结合多源传感器数据融合技术,提出一套完整的水质监测解决方案。实验结果表明,该系统在识别准确率、实时性和可靠性方面均达到较高水平,可为小型水电站水质监控提供有效的技术支持。

关键词： 红外目标检测   YOLOv5   深度学习   多尺度  

摘要： 红外目标检测一直在军用和民用领域具有广泛的应用,目前针对在复杂背景下的红外多尺度目标检测中存在的漏检及误检问题,本文提出了一种改进的YOLOv5s算法RCR-YOLO。首先将原YOLOv5s的骨干网络CSPDarkNet53更换为ResNet50,避免了深层网络产生的梯度消失,增强了网络的特征提取能力,然后在骨干网络末端添加CA注意力机制模块,获取不同位置的特征信息,最终在颈部网络中加入Res2Net模块,通过引入多分支结构和逐级增加的分辨率来提高网络的表达能力并可以更好地处理多尺度特征信息,进而增强检测性能。实验结果表明,该方法优于FasterR-CNN、SSD、YOLOv3这些主流的目标检测算法,相较于YOLOv5s,在保持mAP_(50)为99.5%的基础上,将mAP_(50-95)提高了1.1%,拥有更好的检测效果,可以有效地完成复杂背景下的多尺度红外目标检测任务。

关键词： 目标检测   CenterNet   特征融合   CIoU损失  

摘要： 针对在复杂场景下难以实现安全帽高精度高效率检测的问题,本文提出一种基于特征融合的轻量化CenterNet安全帽检测算法。采用计算成本较低的MobileNetV3轻量化卷积神经网构造模型的主干网络提取图像多层特征,引入CBAM注意力模块构建轻量化特征融合网络,采用CIoU损失函数优化边界框预测以提升检测结果鲁棒性,改进后的安全帽检测模型准确度达89.3%。

关键词： YOLOv5   深度学习   目标检测   异常舌   舌诊  

摘要： 针对传统中医舌诊视觉诊断存在主观性强且耗费精力的问题,提出一种基于改进YOLOv5的舌面齿痕和裂纹特征自动检测模型:该模型在YOLOv5模型的骨干网络中引入SimAM-CSP模块以增强网络的特征提取能力;在瓶颈层和预测部分之间加入瓶颈注意力模块,进一步聚焦关键信息;通过调整YOLOv5的特征融合结构,增加对图像细节的感知能力,提高网络性能;将定位损失函数GIoU替换为EIoU,提升模型的训练收敛速度和预测回归精度;利用K-Means聚类算法对YOLOv5的初始锚框进行调整,使算法更加契合舌面齿痕和裂纹特征检测;将改进后的YOLOv5模型在自制舌象数据集中进行训练,得到的平均检测精度(mAP)为79.5%,较原算法提升了6.3个百分点。实验结果表明改进YOLOv5模型能够有效提高舌面齿痕和裂纹特征检测精度,有助于辅助医生诊断。

关键词： 无人机影像   多目标检测   YOLOv5   非对方卷积核   卷积注意力  

摘要： 针对无人机影像中小样本多、背景复杂、样本长尾分布等问题,基于YOLOv5提出一种非对称卷积与注意力机制融合的检测方法。在骨干网络中使用非对称卷积核组与其等效卷积核分别参与模型的训练与测试,同时引入增加卷积注意力机制提高对小样本特征的学习能力。在特征融合网络中,让浅层特征图参与特征融合,并增加额外的检测输出尺度。为解决图像质量不佳与样本长尾分布问题,通过多组处理算法进行图像质量增强处理。实验结果表明,所提出改进模型在精度方面显著优于原始模型与对照组模型,在实验环境下能实现流畅检测,可以在应急救援、警务巡逻等任务中起到较为重要的作用。

关键词： 声学成像技术   人脸识别   图像处理   超声波   多模态融合处理方法  

摘要： 重点研究声学成像技术在人脸识别图像处理中的应用。通过超声波构建面部三维轮廓图,结合视觉图像的多模态融合处理方法,提升人脸识别在低光、遮挡等复杂场景中的准确性和适应性。实验结果表明,该方法在识别准确率、误识别率及特征匹配时间方面均优于单模态处理方法,为复杂场景下的人脸识别提供创新性解决方案。

关键词： 桥梁工程   桥梁位移监测   计算机视觉   数据融合   互补滤波   比例因子  

摘要： 为改善现有计算机视觉技术在桥梁结构动态位移监测精度、采样频率、便捷性等方面存在的不足,充分挖掘各类监测响应中的有效信息,提出一种基于视觉位移和加速度多尺度滤波重构位移的方法,可实现位移在时域和频域的精度提升。首先,推导位移重构过程在时域和频域的理论表达式,分析目标精度、时窗长度及采样频率的影响及取值依据,提出由视觉位移提供位移的准静力分量,由加速度提供位移的动力分量,二者通过互补滤波融合实现高精度位移重构;其次,由视觉位移和加速度中的同频带响应进行最小二乘拟合,可以在无需任何结构尺寸与测量参数条件下,快捷、自动计算视觉位移的比例因子。通过对实验室悬索桥缩尺模型进行两种工况的试验和户外两跨连续梁桥的动载试验,验证所提出方法对桥梁位移监测的可行性。模型桥试验中,以位移计实测位移为参考,融合位移的误差比视觉位移最大减小了约50%,比例因子计算误差小于2%;实桥试验中,比例因子计算与传统计算方法的误差小于8%。在两类试验中,相比视觉位移,融合位移均能够获取试验桥梁的高阶响应。研究结果表明:所提出的方法能得到高精度、宽频域和低噪声的位移,可推进计算机视觉在桥梁结构健康监测领域的进一步应用。

关键词： 显著性目标检测(SOD)   光学遥感图像(ORSI)   注意力机制   边缘增强   语义信息  

摘要： 针对光学遥感图像多尺度目标和复杂背景导致显著性目标检测效果不佳的问题,提出一种基于金字塔视觉Transformer的ADNet模型。首先,引入随机加权空间注意力模块,提高ADNet对目标区域的关注度,减少背景干扰。其次,设计了一个动态语义融合模块,可以实时理解和融合图像中的语义信息,帮助ADNet更精准地进行图像分割。然后,还设计了一个自适应边缘增强模块,用于提取和增强边缘信息,确保边缘分割更加精准。最后,通过显著性特征解码器对这3个核心模块的结果进行融合,生成最终显著性图。在公共数据集EORSSD和自制数据集FORSSD上均表现出较好的结果。其中,在FORSSD数据集上表现效果最好:F-measure、E-measure、S-measure和MAE指标达到了0.9180、0.9834、0.9316和0.0065。通过金字塔视觉Transformer和这3个模块的协同工作,有效应对了光学遥感图像中多尺度目标和复杂背景的问题,提高了光学遥感图像显著性目标的检测效果。