关键词： 异常检测   无监督学习   语义分割   计算机视觉  

摘要： 为了改善目前常见的异常检测算法受到的异常数据难以获取以及繁多的异常类别之间数据不均衡的制约,提出一种语义分割辅助的单教师-多学生无监督异常检测算法。在知识蒸馏模型中使用多个学生网络参与预测,根据多个学生网络的均值、方差等统计信息生成特征图,增强预测结果的稳定性与准确性;利用特征金字塔的思想,提取多个尺度的视觉特征以提升模型检测不同尺度异常区域的能力;利用语义分割模型良好的边界提取能力,引入语义分割网络对异常检测结果辅助修正。与现有的无监督异常检测算法相比,该方法能够更好地定位与检测工业场景下的物体表面异常。

关键词： 智能车   TC264芯片   图像处理   自动驾驶   实时数据处理   高分辨摄像头  

摘要： 设计一种基于TC264芯片的摄像头传感器智能车,提高自动驾驶系统的环境感知能力。通过集成TC264芯片与高分辨率摄像头传感器,采用先进的图像处理算法和机器学习技术实现实时数据处理和分析。智能车在复杂路况下表现出色,能够准确识别障碍物并作出快速反应。基于TC264的智能车设计方案有效提高了自动驾驶的安全性和可靠性,为未来智能交通系统的发展提供了新思路。

关键词： 自然语言处理   计算机视觉   人工智能   训练数据   视觉感知   多学科交叉   泛化能力   逻辑推理能力  

摘要： “大模型”(大规模预训练模型)自面世以来,其技术发展日新月异。大模型是引领人工智能领域的变革式新范式,能够提供强大的知识表示与聚合能力,已展现出可与人脑媲美的视觉感知与逻辑推理能力。在超大参数规模、海量训练数据和强大计算资源支撑下,大规模基础模型(CLIP、SAM、GPT-4、Sora、LLa MA等)已成为一系列下游任务的基石,展示出强大的任务性能与卓越的泛化能力,在自然语言处理、计算机视觉、工业数字化和智能化等多个领域有着重要突破和广泛应用,其技术影响力已超越计算机领域,成为多学科交叉创新的关键驱动力。

关键词： 图像处理   烤烟   叶斑病害  

摘要： 研究一种基于图像分析技术的烤烟叶面病害识别方法,首先采集烤烟叶斑病害图像,利用InceptionV3网络提取图像特征,构建病害分类模型,同时,采用YOLOv5网络建立烟叶多病害检测模型以实现单个叶面图像中多种病害的识别,以期为提升烟叶病害的数字化防治水平提供参考。

关键词： 粗粒土   离散单元法   图像处理   孔隙  

摘要： 掌握细观孔隙结构演变规律对了解粗粒土的物理力学性质具有重要意义。利用PFC^(2D)模拟了粗粒土的双轴压缩试验,通过MATLAB程序对模型图像进行处理,并提取粒间孔隙轮廓,结合椭圆拟合来表征孔隙特征参数,进而分析粗粒土在双轴压缩条件下的孔隙演变规律。研究结果表明:双轴压缩条件下,粗粒土孔隙既有双峰分布特征,又具多峰分布特征,且不同密实度的试样孔隙演变规律不同。松散试样的孔隙演变规律整体变化不明显,孔隙体积稍微降低;而密实试样总体表现为大孔隙比例增加,小孔隙比例减少,孔隙形态逐渐趋于细长。在孔隙方向角的变化规律方面,松散试样与密实试样保持一致,均为初始加载时方向角分布均匀,随着加载的进行,平行于主应力方向的孔隙更加稳定并逐渐占主导地位。

关键词： 深度图   跨模态   渐进金字塔   信息交互  

摘要： 由于RGB和深度模态包含不同的特征,因此如何有效融合多模态信息和跨阶段特征的交互是RGB-D显著目标检测的关键问题。为此,本文提出一种互补跨模态交互的RGB-D显著目标检测网络,该模型由多模态交互注意力编码器和渐进金字塔解码器两部分组成,编码器部分引入RGB诱导细节增强模块和深度诱导语义增强模块,模拟了不同卷积层中RGB和深度模态的互补性来实现跨模态信息交互。此外,引入渐进金字塔解码器能够进一步提取更多有用的特征来增强模型预测,保证特征兼容性。实验结果表明,与其他方法对比,本文方法具有较好效果。

关键词： 图像处理   图像去雾   天空区域分割   快速引导滤波   暗通道先验  

摘要： 针对暗通道先验去雾算法在处理海雾图像时易出现细节丢失、亮度偏低和颜色失真等问题,提出一种基于天空区域分割的海雾图像去雾算法。首先通过阈值分割和区域生长实现天空区域精确分割,在此基础上,采用抗干扰能力更强的方法对大气光强进行优化,选择属于该区域亮度最高的前0.1%的像素的中值作为大气光强值。其次采用快速引导滤波对透射率进行细化,并引入自适应修正因子对透射率映射进行调整优化。最后利用得到的透射率和大气光强结合大气散射模型复原无雾图像。实验结果表明,所提算法的结构相似性、峰值信噪比等评价指标显著提升,去雾图像质量得到有效增强。

关键词： 车道线检测   语义信息   自动驾驶   深度学习   计算机视觉  

摘要： 随着自动驾驶技术的迅猛发展,车道线检测作为其关键组成部分,引起了广泛关注,并在智能交通系统中展现出巨大的应用潜力。然而,在应对复杂环境挑战时,传统车道线检测技术往往难以提供足够的识别精度。回顾车道线检测技术的发展轨迹,系统性地梳理了84种先进算法,并创新性地根据语义处理方式划分为四类别:语义分割辅助类、语义信息融合类、语义信息增强类和语义关系建模类。通过深入剖析算法的技术特点和优势,揭示了当前车道线检测技术所面临的主要局限。最后,对未来车道线检测技术的发展方向提出见解,特别是在语义信息利用方面,指出了潜在的研究方向。

关键词： 火灾检测   计算机视觉   深度学习   颜色空间  

摘要： 针对计算机视觉方法解决传统火灾探测在大尺度空间上的不足,基于YCbCr颜色空间中的火灾特征,设计了一个基于颜色自注意力引导模块用于突出火灾特征。同时根据早期火灾的特点,对现有模型的结构进行了重新设计,在有效融合深层特征的同时减少了模型尺寸和推断时间。实验结果表明,基于颜色自注意力引导的早期火灾检测算法模型具有体积小、参数量少、准确率高的优点。参数数量相比YOLO v5s减少了95.5%,FLOPs减少了93.3%,模型大小减少了98.3%,IoU取值为0.5时所有类别平均准确率仅下降2.1%,达到83.6%。

关键词： 水稻病害   目标检测   YOLOv8   深度学习   图像处理  

摘要： 为提升对水稻病害的检测性能,本研究提出了一种改进的YOLOv8n检测算法。首先,在颈部网络中引入Slim-Neck结构,采用GSConv(Ghost shuffle convolution)降低计算成本,同时结合基于一次性聚合方法设计的跨阶段部分网络模块(VoVGSCSP)简化计算过程和网络结构,利用相似性感知注意力机制(SimAM)增强模型对病斑细微颜色变化的敏感性,最后将自适应特征金字塔网络(AFPN)模块和头部结构相结合,通过非相邻层的特征融合,精准捕捉病害区域的颜色、形状与纹理。试验结果显示,改进后的模型YOLOv8n-SMAF精确度、召回率和交并比阀值为0.50的平均精度(mAP_(50))分别达到85.1%、79.7%和83.7%。与原始模型YOLOv8n相比,改进后的模型YOLOv8n-SMAF精确度、召回率和mAP_(50)分别提高了3.8个百分点、4.5个百分点和2.7个百分点。与SSD、YOLOv7-tiny、YOLOv10n等其他主流模型相比,YOLOv8n-SMAF模型具有更高的检测精度,尤其在复杂场景下的检测任务中表现出优势。本研究改进的模型为水稻病害的早期预警和精准防治提供了技术支持。