关键词： 深度学习   目标检测   YOLOv2   YOLOv4  

摘要： 近年来,计算机视觉技术与深度学习方法相结合的车辆目标检测算法逐渐成为国内外学者的研究热点。针对车辆目标检测的任务,本文对车辆目标检测的国内外研究现状和发展进行综述,并结合可见光影像数据对目前现有的两种主流车辆目标检测算法YOLOv2算法和YOLOv4算法进行总结对比,进行实景实验完成对算法有效性的研究。

关键词： 杭白菊   图像识别   目标检测   YOLO v8   遮挡检测  

摘要： 在非结构环境下,由于杭白菊的簇状生长特性导致相互遮挡严重,使得杭白菊检测算法的检测精度较低。针对该问题,提出一种改进YOLO v8n的杭白菊检测模型Hwc-YOLO v8n(Hangzhou white chrysanthemum-YOLO v8n)。首先,提出通过增加标签的方式,将实际需求的双类别标签改变为三类别,提升模型对杭白菊各个花期的关键性特征的精细化检测能力;其次,在主干网络中设计一种动态特征提取模块(C2f-Dynamic),以加强模型对被遮挡目标特征缺失情况的动态适应,并在检测头部分增加160像素×160像素的检测头,使得模型具备针对小目标检测的能力;最后,采用角度惩罚度量的损失(SIoU)优化边界框损失函数,提升了模型检测精度和泛化能力。模块位置试验和热力图试验表明,C2f-Dynamic模块能动态适应遮挡目标的特征变化。改进后的Hwc-YOLO v8n模型对遮挡杭白菊识别的平均精度均值提升了1.7个百分点,召回率均值提高了0.88个百分点。模型消融和对比试验结果表明,改进后的Hwc-YOLO v8n模型相比于DETR、SSD、YOLO v5、YOLO v6和YOLO v7,对杭白菊的检测效果更好。平均精度均值相较于DETR、SSD、YOLO v5、YOLO v6和YOLO v7分别提升了5.7、12.6、0.7、0.75、11.25个百分点,召回率均值相较于YOLO v5和YOLO v7提升了2.15、1.4个百分点,可为后续杭白菊智能化采收作业提供技术支撑。

关键词： 绝缘子缺陷检测   无人机航拍图像   深度学习   计算机视觉  

摘要： 依托计算机视觉和深度学习技术,从海量的无人机航拍图像中实现绝缘子缺陷检测,已经成为电力运维工作亟待解决的问题。近年来,深度学习方法在绝缘子缺陷检测任务中表现出优异的性能。该文综述了无人机航拍图像中绝缘子缺陷检测的深度学习方法研究进展。首先,简述了基于深度学习的输电线路巡检研究现状;其次,阐述了基于深度学习的绝缘子缺陷检测方法,主要从目标检测模型、轻量化网络模型、级联检测模型以及其他方法进行归纳总结,按照深度学习算法的发展历程,阐明了基于双阶段、单阶段、无锚框(Anchor-free)的目标检测算法,概述了轻量化网络、级联检测在绝缘子缺陷检测中的应用;然后,介绍了用于绝缘子缺陷检测的公开和自建数据集;最后,指出了深度学习技术在绝缘子缺陷检测应用中存在的问题,并对未来研究工作进行了展望。

关键词： 深度学习   分类和分割网络   目标检测   脑胶质瘤诊断   核磁共振成像  

摘要： 脑胶质瘤是一种致死率极高的原发性颅内恶性肿瘤,实现术前无创诊断对脑胶质瘤的治疗和预后具有重要意义。本文提出一种目标检测技术辅助的脑胶质瘤分割分类网络,基于多模态三维MRI实现对脑胶质瘤区域的分割和WHO分级(Ⅱ/Ⅲ/Ⅳ)、IDH突变状态分类以及1p19q缺失状态分类。本文引入目标检测技术获取肿瘤区域的定位信息用于辅助分割和分类,同时还引入SPP、FPN等模块提升模型性能。模型在EGD数据集中的664个脑胶质瘤病例进行训练,最终在测试集上,胶质瘤分割的Dice系数达到0.88,WHO分级、IDH突变状态以及1p19q缺失状态分类准确率分别达到:0.80、0.72、0.90。与PSNet、ResNet50、Unet+ResNet50模型进行对比实验,验证了本文模型的有效性。同时,针对目标检测模块、SPP模块和FPN模块进行消融实验,验证了引入模块的作用。实验结果表明,本文提出模型可有效进行脑胶质瘤术前多任务诊断,对脑胶质瘤的治疗和预后有帮助作用。

关键词： 机器视觉   水下目标检测   轻量级网络   特征冗余   深度可分离卷积   多尺度特征提取   优化器  

摘要： 针对一般机器视觉检测算法在复杂海洋环境场景下难以识别等问题,提出一种适用于水下目标检测的轻量级网络YOLOv8-GD。设计C2fGhostv2将C2f中的残差模块替换为轻量级网络模块GhostNetv2,借此精简网络参数并减少通道中的特征冗余;设计深度可分离卷积多尺度特征提取模块,联合多尺度特征信息,增强模型的特征提取能力;用Lion优化器协助模型训练,提升模型训练性能。在RUOD数据集上验证YOLOv8-GD的检测性能,实验结果表明,该模型的F1-score达81.3%,mAP@0.5达84.1%,满足实时水下目标检测要求。

关键词： 图像复原增强   视觉大模型   多模态大模型(LMM)   视觉Transformer(ViT)   扩散模型   X-anything   计算机视觉  

摘要： 图像在拍摄、传输和存储过程中常会出现退化情况,影响视觉感知和信息理解。图像复原增强旨在将降质图像恢复为干净图像,以提升视觉感知体验,并提高如语义分割和目标检测等计算机视觉任务的精度,在自动驾驶和智能医疗等数据敏感的应用场景有重要作用。视觉及多模态大模型在多个领域取得重要进展,并在图像复原增强任务中展现出巨大潜力。对此,本文系统总结并分析近年国内外图像复原增强领域应用视觉(大)模型和多模态大模型的重要研究进展。1)总结介绍基于ViT(vision Transformer)的图像复原增强方法,探讨ViT在处理图像退化和增强方面具有的长距离依赖潜力;2)阐述基于扩散模型的图像复原增强方法,讨论其在处理复杂图像退化和恢复细节方面的优势;3)分析X-anything模型在图像复原增强任务上的潜力,尤其是SAM(segment anything model)等视觉大模型在退化样本上提供的鲁棒零样本预测先验信息能力;4)介绍多模态大模型,如CLIP(contrastive language image pre-training)和GPT-4V在图像复原增强任务中的应用,展示这些预训练模型在图像复原过程中所提供的语义信息指导能力;5)分析当前图像复原增强技术面临的挑战,如数据获取困难、计算资源需求高和模型稳定性不足等,同时展望图像复原增强技术的发展方向,为未来的研究和应用提供新的思路和参考。

关键词： Faster R-CNN   目标检测   机器视觉   EfficientNet  

摘要： 针对传统Faster R-CNN目标检测方法在油菜幼苗图像多目标任务中检测精度和效率较低的问题,本文提出一种基于FEPW R-CNN的多目标检测方法。使用EfficientNet网络取代传统的ResNet-50骨干网络,以增强模型的特征提取能力;结合了PANet上下文信息增强模块,进一步融合了自下而上的路径增强;采用WIoU损失函数替换原有损失函数,使网络在训练过程中更加关注高质量的候选框,从而提高目标定位和分类的准确性。通过油菜幼苗数据集验证,本文所提方法取得了85.42%的mAP@0.5,显著优于传统方法和单阶段算法,为复杂场景下的多目标检测提供了高效且高精度的解决方案。

关键词： 动态特征   运动估计   目标检测   目标跟踪   ByteTrack  

摘要： 利用可见光图像对海上弹着点水柱进行有效检测与跟踪,是实现海上自动检靶的核心。由于相机的运动、焦距的调节以及水柱的变化,现有的检测与跟踪算法依然存在较高的误报率和身份切换次数(Identity Switch Times, IDs)。为解决上述问题,提出一种基于动态特征的海上弹着点水柱检测跟踪算法。利用YOLOv8目标检测器对静态水柱进行检测,通过在浅层特征图上增加小目标检测头,增强模型对小水柱的检测能力;利用改进的ByteTrack跟踪器对水柱进行跟踪,将相机运动和卡尔曼滤波相结合,补偿由相机运动引起的跟踪偏移;结合水柱形成阶段的时空特征,采用支持向量机进行综合决策,实现对水柱的判断。实验结果表明,与传统的检测跟踪算法相比,新算法在多目标跟踪准确度、识别平均数比率和多目标跟踪精确度这3个关键性能指标上分别提升了7.8%、5.1%和0.9%;误报数减少了112次,IDs数和误检数均降至0,表明新算法不仅能够精确地检测和跟踪水柱,还能够有效地排除其他干扰因素,在整体性能上实现显著的增强。

关键词： YOLO   环形编队   目标个数   目标坐标   k-means  

摘要： 针对多无人机协同目标识别检测问题,基于深度学习目标检测识别算法YOLO,提出了多无人机环形编队绕飞协同目标识别检测方案,针对多无人机检测识别出的目标可能为同一目标的情况,设计了目标个数确定算法,然后基于k-means设计了目标坐标求解算法,实现了多无人机对特定区域目标高效率、高准确度、高鲁棒性的检测和识别,最后搭建固定翼无人机编队实现了提出的协同目标检测识别方案,结果表明,提出的方案有效可行,目标个数检测正确率99.5%,综合目标检测准确度达到98.4%。

关键词： 图形图像   教学方法改革   OBE理念   PBL项目法   混合模式   职业教育  

摘要： 近年来,国家高度重视职业教育的发展,大力推进职业教育改革。职业院校学生往往呈现出“理论基础薄弱,实践技能较强”的特点,然而,图像处理课程的特殊性导致其教学效果难以满足社会需求。随着人工智能、超高清图像技术、电子商务等新兴产业的快速发展,社会对图像处理技术人才的需求与日俱增,对技能人才的知识、能力和素养也提出了更高要求。为了更好地推进课程改革、激发学生的学习兴趣、培养高素质人才,笔者在图形图像处理课程教学中探索了OBE+PBL混合式教学模式。