关键词： 深度学习   计算机视觉   三维重建   多视图立体视觉  

摘要： 多视图立体视觉在自动驾驶、增强现实、遗产保护和生物医学等领域得到广泛应用.为了弥补传统多视图立体视觉方法对低纹理区域不敏感、重建完整度差等不足,基于深度学习的多视图立体视觉方法应运而生.对基于深度学习的多视图立体视觉方法的开创性工作和发展现状进行综述,重点关注基于深度学习的多视图立体视觉局部功能改进和整体架构改进方法,深入分析代表性模型.同时,阐述目前广泛使用的数据集及评价指标,并对比现有方法在数据集上的测试性能.最后对多视图立体视觉未来有前景的研究发展方向进行展望.

关键词： 多传感器融合   机场不停航施工   安全风险监测   目标检测  

摘要： 随着机场运营规模不断扩大,各种改建和扩建工程愈加频繁,这些工程通常会对机场飞行安全造成一定的影响。本文因此研究了基于多传感器融合的机场不停航施工安全风险监测,保障施工过程中机场安全高效运行。首先,分析不停航施工涉及的安全项,梳理安全需求。然后,采用相机和激光雷达组合感知方式,获取目标物位置、类别和轨迹信息。最后,基于目标信息和触发规则实现了安全风险监测预警。实验结果表明,本方法克服了单一传感器感知的缺点,解决了传统施工现场监管和远程监管需要人工识别、判断风险并预警的问题。

关键词： 杂波抑制   无源雷达   目标检测  

摘要： 无源雷达技术是未来目标检测的重要方向,其中杂波抑制和目标检测技术尤为关键,具有重要的研究价值。对无源雷达的杂波抑制和目标探测技术进行研究分析,介绍无源雷达的基础知识,详细阐述其在空时频方面的杂波抑制技术,以及在动目标和微弱目标两个领域的目标检测技术,归纳当前研究中存在的难点与挑战,并对无源雷达的发展趋势进行展望。

关键词： 矿山行业   机器视觉   目标检测   智能检测   深度学习  

摘要： 新一代信息化技术已成为驱动工业和社会发展的重要力量,其与矿山深度融合也已成为矿山创新发展的必然趋势。机器视觉技术作为其中的重要代表之一,对于提高矿山感知能力、降低安全风险、实现危险区域少人化、生产指标数字化、信息反馈及时化具有重要作用。本文梳理了机器视觉技术的基本概念、原理、典型算法和发展历程,围绕矿山生产涉及到的主要生产要素,从料、机、人、环四个方面分别叙述了机器视觉技术在矿山领域的最新研究进展与应用现状,并分析了现阶段研究与应用的主要特点。研究结果表明,机器视觉技术在矿山中的应用面临基础数据获取难度大、算法与算力无较大突破、复杂环境检测稳定性较差等问题。针对机器视觉技术发展现状及面临的实际问题,未来可从小样本检测、3D视觉检测和多元数据融合检测等方向寻求突破。小样本技术通过高效的学习手段,降低数据采集成本;多元数据融合技术通过融合多元信息,提高检测的适应性;3D视觉技术增强在复杂立体空间中的检测能力,提升检测的精度。将上述前沿技术应用于矿山复杂环境的视觉检测中,可解决传统视觉检测方法在基础数据稀缺、环境多变等挑战下的应用局限性。

关键词： 江豚   目标检测   深度学习  

摘要： 对江豚性行为的研究有助于此濒危物种的保育工作。传统方式依靠人眼观察,存在效率低、成本高、易疲劳等问题。随着深度学习技术的发展,中国科学院水生生物研究所配备的视觉监控设备可借助目标检测与识别技术提高观测效率。本文首先创建YFPSB数据集,包含2901张图像,涵盖五种行为类别。针对水下画质模糊、江豚与背景混淆等问题,本文建立了YOLOv8n-DBTA模型,首先通过自动伽马校正和暗通道去雾对图像预处理,接着设计双主干特征融合框架,增加更多特征融合路线,保留更多底层细节和特征以提升检测能力,然后设计任务对齐检测头,将位置与类别信息交互,学习江豚行为与位置的关系,最后进行模型实验分析,结果表明:模型在mAP0.50和mAP0.50:0.95指标分别达到97.9%和79.1%,优于其他主流模型。

关键词： 合成孔径声呐   变化检测   目标检测   声呐图像处理  

摘要： 水下环境和水声信道随时间动态变化,合成孔径声呐形成的地貌或目标结果也会随之变化,导致目标漏检和场景认知度低,给水下安防和无人导航等带来较大隐患。针对该问题,该文提出了基于双时相的合成孔径声呐变化目标检测方法,根据帧间声图地理信息和特征的匹配,完成像素级的差异分析比对,实现变化目标的检测和标注。经试验数据验证,该方法能够准确检测和标注预设的变化区域,对水下场景变化规律的掌握和威胁目标的监测具有重要意义。

关键词： 人体姿态跟踪   目标检测   YOLOv5   DeepSORT   OpenPose  

摘要： 人体姿态跟踪在人体运动分析、智能监控、虚拟现实等应用场景中得到了广泛应用。为解决在多人姿态跟踪过程中因多人遮挡、复杂环境等原因导致的目标易丢失、姿态估计不准确等问题,提出一种结合DeepSORT和OpenPose的人体姿态跟踪方法。选择合适的数据集分别训练人体运动跟踪模型和人体姿态估计模型。在人体运动跟踪阶段,基于改进的YOLOv5与改进的DeepSORT算法进行准确地识别与跟踪,减小了模型内存访问成本,引入模型剪枝方法进一步提高了跟踪速度。在人体姿态估计阶段,基于跟踪阶段获得的准确目标,利用OpenPose算法实现了目标人体的姿态估计。相较于对比方法,改进算法在COCO2017数据集上的FLOPs为4.46 G,检测速度大幅提升,在MOT16数据集、PoseTrack2017数据集上的运行时间有较大优势,分别为85.55 s、81.79 s。

关键词： 门控卷积   图像处理   UV纹理图像修复   三维人脸重建   频谱归一化  

摘要： 针对从单幅图像重建三维人脸结构时由于无约束人脸图像的大视角而导致的自遮挡引起的三维人脸结构纹理缺失的问题,提出一种基于门控卷积的三维人脸UV纹理修复算法。首先设计门控卷积来学习每个通道和每个空间位置的动态特征选择机制,提高网络的非线性表达能力;然后将门控卷积堆叠在一起,组成一个编码器-解码器结构的网络来对无规则缺陷的三维人脸UV纹理图进行修复;同时引入频谱归一化的损失函数来稳定生成对抗网络,并且采用分段式训练的方式来避免三维人脸纹理数据集昂贵且难收集的问题。实验结果表明:相较于主流算法,所提算法在峰值信噪比和结构相似指数指标上均有所提升,且能够修复大视角遮挡情况下的UV纹理图,生成的人脸纹理图更完整,像素恢复自然连贯,纹理细节更真实。

关键词： 深度学习   目标检测   语义分割   姿态识别   智慧救援   智慧交通  

摘要： 随着交通领域的智能化发展,交通视频监测、线上消防(如微信江苏消防报警服务)和线上120(如微信重庆“视频120”)等新兴服务模式正迅速崛起。然而,目前这些平台在处理高速公路交通事故时,无法感知事故信息以及选择救援方案,仍需人工干预,比较影响救援的时效性。针对此问题,本文提出了一种基于深度学习的高速公路事故智慧救援平台,首先,通过目标检测和目标分类算法精准识别人员和车辆以及类型,结合逻辑判断是否发生交通事故;借助人体姿态识别技术,判断人员是否受伤;同时,利用语义分割算法检测道路是否出现火焰和烟雾;根据这些信息自动决策事故等级,并启用对应的救援方案,将事故的关键信息上报至救援单位;智慧救援平台不仅解决了事故感知滞后的问题,而且提高了救援效率,保障了高速公路的安全。

关键词： 光伏组件   深度学习   目标检测   卷积神经网络   改进YOLOv8   注意力机制  

摘要： 针对集中式光伏电站地形复杂、面积广、光伏组件故障识别较困难的情况,提出基于YOLOv8模型改进的光伏组件故障识别检测方法。基于Backbone结构采用渐进特征金字塔(AFPN)融合不同层级的图像提取多尺度信息,增强上下文信息的融合。通过在Neck结构添加无参数注意力机制(SimAM),由能量函数推断出特征图中的三维注意力权重,轻量化地提高模型表征能力。取代每个池化层和每个跨步卷积层而建立SPD-Conv卷集神经网络,提高光伏组件图像中出现热斑、黑边和划痕等小目标特征的故障识别能力。实验结果表明,改进模型召回率和精确率分别达到78.7%和84.9%,平均精度mAP50和mAP50-95分别达到86%和57.9%,实现对光伏组件故障的识别与定位,验证该模型的正确性和有效性。