关键词： RAW数据   图像处理   计算机视觉   图像增强   视觉技术应用  

摘要： 在长期的计算机视觉技术发展过程中,研究者们主要处理的对象是通过图像信号处理器(Image Signal Processor,ISP)处理后的标准RGB图像。这类图像体积小,方便使用和网络传播,因而在许多传统应用场景中得到广泛应用。然而,在低光照或极端成像条件下,这类经过压缩和处理的图像往往因模糊、量化等不可逆操作,导致细节丢失,限制了其性能表现。为应对这些挑战,越来越多的研究开始关注直接处理相机传感器输出的RAW图像。RAW图像未经过复杂的ISP处理,具有线性响应、高比特深度和无损压缩的特点,能够保留更多的原始感光信息。这些特性使其在低光、高动态范围以及复杂视觉场景中表现出优异的灵活性和潜力。在近年来的研究中,RAW图像处理技术取得了显著进展,其应用已从高质量图像与视频的获取、去噪与增强,扩展到目标识别、场景理解等计算机视觉任务。相比传统RGB图像,RAW图像处理能够更好地保留细节信息,并在特定条件下显著提升视觉任务的精度和鲁棒性。此外,随着深度学习技术的发展,基于RAW数据的端到端模型设计成为了新的研究方向,能够充分利用图像中的原始信号信息来提升视觉处理效果。本文系统性地综述了RAW图像处理技术的最新进展,并探讨了这些技术在计算机视觉各领域中的应用。同时,本文还展望了未来的发展趋势,特别是RAW图像数据在更复杂场景下的应用潜力,为相关研究者和从业者提供了有价值的参考和启示。

关键词： 深度学习   图像处理   遥感图像   实例分割   改进Mask R-CNN算法   ResNet-50  

摘要： 针对遥感领域图像目标繁杂、检测和分割精度不高的问题,提出一种改进Mask R-CNN算法。设计PMResNet-50结构作为主干网络,其中金字塔挤压注意模块可以促进局部和全局通道注意之间的信息交互作用,多层次特征聚合模块可以提高PMResNet-50对输入通道语义信息的高效聚合作用。在RoI Align前引入自校准卷积模块来扩大卷积层的感受野大小并对边界框和掩码框执行校准操作。在分割分支使用掩码预测平衡损失函数,对每个类别的正负样本梯度进行平衡,实现对损失梯度的平滑降低处理。在自建低空遥感数据集和iSAID-Reduce100数据集上进行测试,实验结果表明:改进后的算法在自建数据集上box AP和mask AP分别提升17.9%和15.0%,在iSAID-Reduce100数据集上box AP和mask AP达到49.62%和50.27%,该算法很好地完成了对遥感目标的检测和分割。

关键词： 糙皮侧耳   黄斑病   YOLOv5s   目标检测  

摘要： 为准确高效检测糙皮侧耳(Pleurotus ostreatus)黄斑病,构建基于YOLOv5s的黄斑病检测模型YOLOv5s-GCE。该模型在YOLOv5s模型基础上引入轻量化GhostNet结构,将坐标注意力(coordinate attention,CA)模块嵌入到YOLOv5s主干网络中,并利用增强交并比(enhanced intersection over union,EIOU)损失函数替换原YOLOv5s网络的完整交并比(complete intersection over union,CIOU)损失函数,利用自建的黄斑病数据集,对YOLOv5s-GCE模型进行消融和对比实验,并将该模型部署在RK3588S人工智能开发板上进行测试。结果表明:相比于原始YOLOv5s模型,YOLOv5s-GCE模型的平均精度均值(mean average precision,mAP)为92.7%(提高2.7%),复杂度显著降低,参数量、权重大小和浮点运算量(giga floating-pointoperations per second,GFLOPs)分别降低44.7%、43.4%和47.2%;YOLOv5s-GCE模型的整体性能优于SSD、YOLOv7、YOLOv8n和Faster R-CNN典型的目标检测模型。部署在RK3588S开发板上的YOLOv5s-GCE模型检测速度可达每秒30.49帧,mAP值为90.2%,可以满足糙皮侧耳黄斑病实时检测需求,研究结果为后续研发食用菌病害智能检测装置提供参考。

关键词： YOLOv8   无人机   红外图像   目标检测   GSConv  

摘要： 针对当前无人机红外航拍图像目标检测精度低与红外小目标检测困难的问题,提出了一种基于YOLOv8改进的无人机红外航拍目标检测方法。引入双通道特征融合结构,增加网络特征融合能力,减少特征信息的丢失;增加轻量化小目标检测层,提高模型对红外小目标的检测能力;使用轻量级卷积模块GSConv替换颈部网络C2f中的传统卷积,减少模型的大小,提高模型的检测速度;最后在主干网络的SPPF模块后面加入卷积注意力模块,进一步增加模型对红外目标信息的关注,提高模型检测的准确率。通过实验验证了改进后网络的可行性,与基准模型YOLOv8n相比,准确率提高了4.1%,平均精度mAP50提高了3.7,并与8种当前主流模型对比,在所有模型中,提出的模型准确率最高,达到了83.3%,同时FPS达到153,证明了方法的有效性。

关键词： 计算机视觉   深度学习   YOLO   目标检测   预制叠合板  

摘要： 本文针对预制叠合板预埋件数量缺失、内部钢筋框架不平行和外伸弯钩不合格的视觉检测问题,提出了一种基于改进YOLOv5s模型的目标检测算法。为了解决检测目标物存在干扰的问题,在YOLOv5s模型的主干网络层添加CBAM注意力机制和Transformer模块,再输出网络增加预测模块,以增强模型对图像特征的提取。其中CBAM注意力机制优化了特征通道使得网络更加注重目标物体的特征表示,而Transformer模块能全局捕获图像中的长距离依赖关系,使模型更关注目标层,能够进一步优化模型的输出结果。结果表明:改进的YOLOv5s模型相对于原始的YOLOv5s模型,在三类缺陷检测实验中mAP平均提升了12.24%,改进后的模型在预制叠合板实际生产的质量检测领域具有更强的特征提取能力和特征融合能力。

关键词： 全景视频   端到端   数据采集   图像处理   后期制作   分发呈现  

摘要： 全景视频是一种以全角度和全方位的视角展示场景的视频技术。本文主要探讨了全景视频端到端的研究与实现,包括数据采集、图像处理、压缩编码和呈现等方面的内容。本文提出一种全景视频操作流程,并详细介绍了各环节的功能和实现方法,最终实现了一个完整的全景视频流程。实验结果表明,该系统能够有效地实现全景视频的采集、处理和播放,为全景视频的应用提供了可行的技术支持。

关键词： 储存环境   图像处理   轨道运输   轨道交通   煤矿井下生产   检测方法研究   煤炭   开采量  

摘要： 煤炭在我国生产的各个方面都发挥着巨大的作用,其开采量和生产效率关系到国民经济的稳定。由于煤炭的特殊储存环境,轨道运输系统作为煤矿井下生产系统的主要运输部分,负责井下的材料、人员、矸石和设备的运输。近年来,煤矿生产运输因安全、环境、效率等问题备受关注,基于提高生产效率、降低生产成本的追求,智能无人技术被越来越多地用于矿山轨道运输。为了保障煤矿井下轨道运输中的智能无人技术运用的安全性,将行人检测技术应用于煤矿轨道交通是非常必要的。

关键词： 目标检测   注意力机制   轻量化   仿真  

摘要： 针对YOLOv5s目标检测过程中小目标漏检导致整体检测精度下降的问题,提出一种基于注意力机制和轻量化的优化YOLOv5s目标检测算法。上述优化方法主要是在YOLOv5s的骨干网络中引入深度可分离卷积,在不降低检测精度的同时减少参数量,同时在颈部网络中采用CA注意力机制和Ghost卷积的搭配方式,在不增加参数量的同时有效的提升检测精度。仿真结果证明,优化后的YOLOv5s算法在PASCAL VOC2007数据集和RSOD数据集上的mAP值分别为72.8%和95.5%,相较于原YOLOv5s算法,mAP值分别提高了4.1%和2.0%,同时参数量也都减少了17%。通过仿真证明优化的YOLOv5s目标检测算法可以在提升检测精度的同时兼顾模型的轻量化。

关键词： 茶叶炭疽病   YOLOv8   目标检测  

摘要： 茶叶炭疽病是一种常见的真菌性病害,会使茶叶受到侵害,严重威胁着茶叶的产量和品质。因此,准确地检测茶叶炭疽病,对于茶叶产业的可持续发展至关重要。本文提出了基于改进YOLOv8s的茶叶炭疽病检测方法,在模型中添加DCN可变形卷积,使用EMA注意力机制以及替换MDPIoU损失函数。实验表明,YOLOv8s模型在精确率、召回率和mAP@0.5方面分别达到了94.5%、93.9%和96.5%,优于其他常见的目标检测算法,为茶叶病害的防控防治提供了重要的参考。

关键词： 多源无人机影像   轻量级目标检测   MobileNetv3   移动式窗口视觉变压器   动态上采样  

摘要： 针对无人机载荷硬件算力有限,而当前轻量级模型对无人机影像内目标检测精度不佳的问题,设计了一种基于MobileNetv3的轻量级目标检测模型。在特征提取层内引入通道混排注意力机制,同步捕捉通道与空间维度的注意力特征,同时在网络末端引入移动式窗口式视觉变压器模块,计算全局尺度的上下文语义特征;通过双向加权特征金字塔实现多尺度特征加权融合,并在其中引入深度可分离卷积核与动态上采样层,降低融合阶段计算消耗;参考YOLOv7损失函数结构,采用焦点-高效交并比函数计算目标框回归损失,采用梯度协调函数计算目标分类损失。在光学及热红外影像数据集上的实验结果表明,所提模型较原模型在检测速度方面提升了3.52%与3.83%,同时mAP 0.5也分别提高7.11%与6.85%,与对照组内主流轻量级检测模型相比,本文模型在检测精度、速度及体量方面,具有一定的优势,适合部署在无人机载荷硬件中,针对复杂地面场景,开展全天候目标实时检测。