关键词： 隐匿目标检测   主动毫米波图像   多尺度反向校正特征增强   无损下采样   K-means  

摘要： 针对毫米波图像中隐匿目标局部信噪比低导致检测障碍的问题,提出了一种基于多尺度反向校正增强和无损下采样的检测方法。首先设计了一种多尺度反向校正特征增强模块,在提取多尺度特征的多卷积核Res2Net上融合反向校正操作,实现大感受野区域对区域内相关小感受野区域卷积计算的反向校正,使得深度模型不仅能够获取更细粒度的特征,而且使宏观判别性表示贯穿多个尺度的特征信息;其次,利用非跨步卷积层的SPD-Conv实现无损下采样,缓解卷积下采样导致的信息丢失;最后,采用K-means++聚类算法生成适合隐匿目标检测任务的新锚框。实验在YOLO系列中选择了各方面性能都适中的YOLOv5s作为基础框架,针对现有的两种毫米波图像数据集(阵列图像集和线扫图像集)平均精度均值(mAP)mAP@0.5分别达到了96.21%和97.97%,相较于原版YOLOv5s以及YOLO其他系列等性能有显著提升。实验结果表明,该方法在不明显增加参数量和推理时间的同时,能够有效提升深度模型的检测性能。

关键词： FPGA   图像处理   图像传感器   硬件平台  

摘要： 阐述一种基于FPGA的图像处理缺陷检测系统设计,包括硬件架构、传感器选型、软硬件分工策略等关键技术。通过介绍系统框架、传感器和FPGA硬件平台的选择,探讨设计中的软硬件协同设计问题。

关键词： 管道漏磁内检测   环焊缝识别   深度学习   目标检测   YOLOv5  

摘要： 管道漏磁内检测技术是确保长输油气管道安全稳定运行的关键技术之一,借助人工智能中的深度学习技术可实现自动识别管道漏磁内检测数据,利用YOLOv5目标检测算法,对管道漏磁内检测数据图片进行训练,训练后的模型能够自动标记出漏磁内检测数据图片中的环焊缝。试验表明,基于YOLOv5算法可以实现管道中环焊缝的自动识别,在合适的训练条件下,环焊缝识别数量的精度可达99.85%,说明使用该方法对漏磁内检测数据中的环焊缝特征进行自动识别是可行的,效果较好。

关键词： 目标检测   运动行人   不变性物体识别   视觉运动感知   视网膜神经  

摘要： 行人作为非刚性物体,对它的视觉特征进行有效的不变表示是提高识别效果的关键。在自然视觉场景中,运动行人通常会发生尺度、背景、姿态等变化,这对用现有技术提取这些不规则特征造成阻碍。针对该问题,基于哺乳动物视网膜神经结构特性,探究运动行人不变性识别问题,并提出一种适用于视觉场景的运动行人检测神经网络(MPDNN)。MPDNN包括2个神经模块:突触前网络和突触后网络。其中,突触前网络感知表征运动目标的低阶视觉运动线索,并提取目标的二值化视觉信息;突触后网络借助生物视觉系统中的稀疏不变响应特性,利用目标轮廓在连续改变形状后较大凹凸区域之间的位置关系不变特性,从低阶运动线索中编码平稳变化的视觉特征以构建行人不变表征。实验结果表明,MPDNN在公共数据集CUHK Avenue与EPFL上达到了96.96%的跨域检测准确率,比SOTA(State Of The Art)模型高4.52个百分点;在尺度、运动姿势变化数据集上也表现了较好的鲁棒性,准确率分别达到了89.48%与91.45%。以上实验结果验证了生物不变性物体识别机制在运动行人检测中的有效性。

关键词： YOLOv8n   目标检测   BIFPN-SID   注意力机制   Inner-SIoU  

摘要： 针对不同情况下番茄果实识别检测精度低和存在漏检的问题,提出一种基于改进YOLOv8n的番茄检测模型,旨在提高番茄的识别准确率和检测效率。首先,在特征提取过程中集成了CBAM(Convolutional Block Attention Module)注意力机制模块。其次,引入BIFPN-SID模块进一步提高模型的泛化能力。再结合损失函数Inner-SIoU优化模型的训练过程。试验表明,所提出的模型在番茄果实识别任务的性能指标显示,准确率高达94.4%,召回率为91.3%,F 1值为92.8%,平均精度均值达到95.6%。与原模型YOLOv8n相比分别提高5.8、6.4、6.1、3.3个百分点。在检测准确率与速度方面,改进后的模型均表现出色,可以应用于番茄采摘机器人目标识别检测。

关键词： 异常行为   目标检测   YOLOv8   深度学习   注意力机制  

摘要： 异常行为检测是维护治安的一项重要任务。快速准确地对关键场所中的异常行为进行检测是治安工作的重要任务。对于关键场所中的目标检测算法来说,要在人员密集的图像中获得满意的检测结果具有一定挑战性。本文针对异常行为目标检测中存在的目标分布密集、尺度变化范围较大、检测背景较为复杂等问题,将注意力机制CA引入到主干网络部分C2f模块中,从而加强网络在复杂背景下对目标的注意力;将Swin Transformer模型集成到YOLOv8骨干网络中,增加特征图的信息交互范围,充分利用物体的背景信息提高复杂背景下物体的检测精度。最后通过实验验证了改进网络的可行性,并与几种主流网络进行对比,平均精度达到95.1%,与基础网络YOLOv8相比,平均精度提高2.4个百分点,证明了该方法的有效性。

关键词： 小样本学习   目标检测   元学习   特征耦合   特征融合   任务解耦  

摘要： 在当前基于元学习的小样本目标检测方法中,查询图像和支持图像的特征提取过程往往在进行最终特征融合之前是独立进行的,缺乏有效的信息交互,这导致查询特征的代表性信息不足,尤其在样本极度有限的情况下更为显著。为解决这一问题,提出了一种基于特征耦合注意力机制的小样本目标检测方法(FC-FSOD)。FC-FSOD以Faster-RCNN作为基础网络架构,并在此基础上进行了创新。首先,设计了特征增强耦合模块,该模块增强了支持特征,使其成为更具代表性的支持原型;其次,通过注意力机制将原型与查询特征进行耦合,赋予查询特征以特定于支持特征的感知信息;再次,综合考虑查询图像的ROI特征与类级原型之间的差异性和相似性,设计了一种更为鲁棒的特征融合策略;最后,对分类和回归任务进行了解耦处理,消除了全局平均池化对回归预测的负面影响。在PASCAL VOC和MS COCO这两个公开数据集上的实验结果表明,该方法在多种小样本场景中的检测精度均有明显提升。

关键词： 神经元   图像处理   边缘梯度  

摘要： 阐述一种基于异质界面检测器模型(HID模型)的边缘梯度提取方法,以提升边缘检测的准确性和鲁棒性。该方法首先利用HID模型来分别计算图像水平和垂直方向上的边缘梯度。然后,为整合这两个方向的信息,采用选择较大值的原则,将水平与垂直边缘梯度图合并为一张最终的边缘梯度图。验证结果表明,所提方法具有更高的准确度,证明了HID所提取得到的瞬间变化特征信号更能反映边缘特征。

关键词： 计算机视觉   机械手自动化   路径规划  

摘要： 随着工业自动化技术的快速发展,机械手在智能制造中的应用日益广泛,但其在复杂环境下的目标识别与精准操作仍面临挑战。旨在介绍一种基于计算机视觉的机械手自动化系统的设计与实现,利用卷积神经网络实现目标物体的识别与定位,并结合改进的人工势场法进行路径规划与运动控制。结果表明,该系统在视觉识别准确性、抓取成功率、操作稳定性等方面均表现出色,验证了其在提高工业自动化水平方面的有效性和可靠性。

关键词： 目标检测   倒置残差   位置编码   注意力机制   道路裂缝  

摘要： 阐述一种基于Transformer的轻量化道路裂缝检测算法。首先引入倒置残差移动块,并将其与级联分组注意力机制深度融合,构建iRMCGB模块提高模型学习长距离交互的能力。在Transformer编码器部分采用一种可学习的位置编码,使模型可以不受周期性限制,更灵活地捕获更加复杂的序列模式和相对位置,从而提高模型检测性能。最后使用加权双向特征金字塔BiFPN优化CCFM模块,实现多尺度特征融合,提高检测的准确性和鲁棒性。实验结果表明,改进算法与原算法相比,在参数量降低了20.2%的同时mAP值提高了2.2%,证明所提的道路裂缝检测算法的有效性,为道路裂缝的实时高精度检测提供理论基础。