关键词： YOLOv5s   细粒化卷积模块   C3TR   损失函数   软非极大值抑制算法   解耦合头  

摘要： 航拍图像中普遍存在目标尺寸微小、尺度多变以及背景繁杂等问题,从而导致YOLO系列算法的检测精度较低。为此,基于YOLOv5s提出YOLO-SC2算法。首先,在YOLOv5s的网络结构基础上添加细粒化卷积模块、融合基于Transformer架构的C3TR层,并采用C2F模块替换C3模块以增强目标特征信息提取能力;其次,通过替换Focal-EIoU损失函数,使用软非极大值抑制算法增强小目标检测准确性;最后,融合解耦合头,提高多目标下的检测精度。实验数据表明,在VisDrone2019公开数据集上进行实验,相较于原始模型,改进后的模型在P、mAP_0.5、mAP_0.5:0.95指标上分别实现了6.2%、8.2%和8.4%的提升。通过与其他算法对比,验证了该改进算法的有效性。

关键词： 煤矿机器人   图像处理   自主移动   激光雷达点云建图   巷道点云   上采样算法   深度学习  

摘要： 受限于井下防爆要求,目前可以应用于煤矿井下的激光雷达线束多为少线束的小功率激光雷达,其形成的点云较为稀疏,缺乏对环境的细节描述,导致机器人建图性能不佳。提出了一种基于复合残差自注意力网络(Composite residual self-attention network,CRSA-Net)的巷道点云上采样技术,旨在通过端到端的方式实现点云特征增稠,在一定程度上弥补传感器精度低下的问题。首先,对点云中的粉尘、水雾噪声进行离群点去除,并根据现场特点采用法向量聚类方式分割不同退化程度的点云区域;其次,为提高训练数据局部细节质量,基于KD树结构提取点云片,针对稀疏点云内部数据相关性不强的问题,提出了采用特征计算及特征维度扩展的方法,加强对网络训练结果的约束,采用了级联渐进式的复合残差自注意力方法,保证网络对结构退化点云的全局和局部特征学习;最后,利用密集的点特征,使用多个独立的MLP进行特征扩展,通过基于点特征的全连接层输出稠密点云。采用国家能源集团寸草塔煤矿井下某巷的数据及WHU-LTS开源数据构建了1组稠密点云数据集用于训练和测试,在上采样试验中,提出的方法CD指标达到11.35×10^(-3),EMD指标达到5.52×10^(-3),HD达到112.31×10^(-3)。

关键词： 图像处理   速度   位移   可视化   教学融合  

摘要： 传统的教学方法中速度和位移概念讲解相对枯燥乏味且抽象、给学生的理解带来一定的困难。旨在通过图像处理中的图像增强、图像目标检测、重心提取等方法将抽象的物理模型和数据结果以图像方式直观的展示给学生,帮助学生建立基本的位移与速度概念空间,脱离相对枯燥的理论讲解,同时展示图像处理技术如何在物体实际运动中计算速度和位移,并实时可视化地展现结果,加深学生的理解。图像处理技术与物理位移速度教学相融合,在一定程度上促进了物理课堂教学的发展,丰富了教学手段,优化了教学过程,激发了学生的创新精神,增强了学生的科学探究能力。

关键词： 计算机视觉   视频超分辨率   深度学习   循环神经网络   深度残差网络   红外动态目标  

摘要： 为了提高机载红外成像系统对动态目标的远距离探测与识别能力,提出一种基于循环残差神经网络的红外视频超分辨率重建方法。该方法针对机载红外成像系统的实际退化过程,结合动态目标的运动信息,通过优化网络架构有效提升视频重建质量。首先,分析了包括下采样、运动模糊及噪声干扰在内的红外视频退化过程并基于此构建了低分辨率数据集,介绍了循环残差神经网络,该网络能够有效提取并传递动态目标的运动信息,从而恢复目标的形状、轮廓和细节纹理。采用跳跃级联残差结构改进模型主干,保证流畅信息流的同时使其更适合处理长视频序列,且有效避免了模型在训练过程中梯度消失。进一步,通过调整残差块的数量和各层卷积核的数量,优化了网络的表达能力和计算效率。此外,提出一种结合Charbonnier损失和高频信息损失(HFLoss)的损失函数共同监督,用于提升重建图像中高频细节的恢复效果。实验结果表明:所提出的重建方法在公开和实测红外数据集上均可实现动态目标的2倍超分辨率,PSNR值高于40 dB,SSIM值大于0.92,重建速率不低于45 frame/s。结合分辨率测试靶标与红外变焦成像系统准确标定了系统角分辨率,验证了重建方法在提升系统角分辨率方面的优势,系统角分辨率提升1.43倍。该方法能够满足机载成像系统高实时性和重建质量的要求。

关键词： 目标检测   半监督学习   红外夜视   野生动物保护   师生模型   注意力机制  

摘要： 针对野生动物夜间目标检测精度与效率低且难以人工全面标注的问题,提出了一种基于半监督学习的夜间野生动物端到端识别模型(SAN-YOLO)。基于YOLOv8融合特征注意力机制和像素注意力机制,以提升检测器对于夜间图像的自适应性和特征表征能力。然后,搭建了基于师生学习框架的半监督训练网络,通过生成并合理分配伪标签,让学生模型从大量未标注的原始图像中学习,最后,在所构建的数据集上进行评估。实验结果表明,在使用5%标注的情况下,SAN-YOLO的mAP指标达到69.7%,高于其检测器在全监督训练下的59.6%和基线模型的57.1%。所研究的检测方法在少量标注的夜间动物数据集上展现出良好的性能,且验证了注意力机制在夜间目标检测领域的有效性。

关键词： 疲劳检测   深度学习   图像处理   驾驶员监测   交通安全  

摘要： 随着汽车行业的快速发展,道路安全问题日益受到重视,疲劳驾驶是导致交通事故的主要因素之一。提出了一种基于高精度dlib疲劳检测技术的汽车安全系统模型,利用深度学习和图像处理技术,通过分析驾驶员面部特征来实时监测其疲劳状态。采用dlib库进行面部特征点的检测,通过计算眼睛的闭合程度、打哈欠频率和头部姿态变化,结合驾驶行为分析,准确评估驾驶员的疲劳程度。当检测到驾驶员疲劳时,系统会通过视觉和声音信号进行警告,提醒驾驶员采取措施,如休息或更换驾驶员,以保证行车安全。实验结果表明,该模型能够有效地识别疲劳驾驶行为,对于提高道路交通安全具有重要的意义。

关键词： 有向目标检测   椭圆方程   特征增强   高分辨率遥感影像  

摘要： 遥感有向目标检测是计算机视觉领域内一项具有挑战性的任务,传统的水平框表示法无法精确定位尺度各异、方向任意且密集排列的遥感目标。目前广泛采用的五参数有向框表示法,由于方向角的周期性和边的交换性问题,增加了模型训练的复杂度。为了解决上述问题,本文提出了一种基于椭圆方程的遥感有向目标检测模型EllipticNet (Elliptical Equation-based Remote Sensing Oriented Object Detection Networ)。首先,EllipticNet将方向角的预测问题解耦为两个子问题:定量角度回归和旋转方向分类,从而克服五参数有向框表示法的边界不连续性问题;结合椭圆的长短轴以及中心点预测,实现遥感有向目标的精确表示。其次,本文设计了一种椭圆约束的损失函数,通过增强椭圆参数之间的内在几何关系,提高EllipticNet训练的鲁棒性。此外,本文还提出了一种逐层空洞空间卷积池化金字塔模块,显著提升EllipticNet对多尺度特征的表征能力。最后,在DOTA、HRSC2016和UCAS_AOD等3个常用的公开遥感数据集上的对比实验表明,本文方法在性能和效率方面均具有竞争力,表明本文方法在遥感有向目标检测中具有一定的实用价值。

关键词： 图像深度学习   电力工程巡视   识别算法   目标检测   数据集构建  

摘要： 本研究聚焦基于图像深度学习的电力工程巡视识别算法。阐述深度学习基础理论,包括其发展脉络与原理,以及卷积神经网络及其变体在图像识别的特性与应用。详细介绍电力工程巡视图像数据集的构建与预处理流程,为算法训练提供可靠数据支撑。创新性地设计了电力工程巡视识别算法,涵盖总体框架、特征提取网络、目标检测与分类算法,并提出优化加速策略。通过输电线路、变电站、发电设备等多场景的应用案例,验证了算法在故障检测、设备状态监测等方面的卓越成效,显著提升电力工程巡视智能化水平与运维效率。

关键词： 合成孔径雷达   飞机检测   复杂背景   全维度特征提取   可变形全局特征融合  

摘要： 合成孔径雷达(SAR)图像飞机目标检测面临背景复杂、飞机目标较为微弱且尺度较小、不同成像条件下目标差异较大、目标结构不连续等挑战,提出一种新的飞机目标检测算法ATDM,用于提高复杂背景下SAR图像飞机目标的检测精度。使用YOLOv8s作为基线模型并改进了损失函数,算法包含三个重要的模块,即卷积注意力模块(CBAM)、全维度特征提取(ODFE)模块和可变形全局特征融合(DGFF)模块。为了增强网络在复杂背景下对飞机目标特征的提取能力,在基线网络的Backbone插入CBAM,从空间和通道两个维度学习飞机目标的特征;ODFE利用卷积核空间四个维度的动态性,通过并行策略沿核空间的四个维度学习不同类型飞机目标的特征,提升复杂背景下对散射特性较弱的飞机目标及小目标的检测能力;DGFF自适应调整卷积核的形状以适应不同成像条件下得到的飞机目标,并进行全局信息特征融合。最后,改进边界框回归损失函数为动态非单调聚焦损失函数WIoU,采用动态非单调聚焦机制,使用离群度评估锚框质量,降低SAR图像中可能存在的错误标注产生的影响。为了评估所提ATDM的性能,在SADD和高分三号SAR飞机数据集上开展实验,在两个数据集上得到的平均准确率(AP)分别达到95.4%和98.2%;消融实验结果与分析验证了所提出的三个模块及损失函数的有效性。此外,在与其他目标检测算法的对比中,所提算法也得到了最高的平均准确率。

关键词： 自然语言处理   计算机视觉   循环神经网络   注意力机制   机器视觉应用   人工智能   语言模型   油气管网  

摘要： 1背景AIGC(AI Generated Content)是人工智能生成内容的缩写,它是自然语言处理和计算机视觉领域的前沿技术。AIGC的优势在于提高计算机处理自然语言和图像的能力,从而提升工作效率和准确度。在自然语言处理领域,大型语言模型(LLM)如GPT系列、BERT、RoBERTa等,能够处理多种自然语言任务,推动了自然语言处理技术的发展。计算机视觉(CV)的大模型技术主要包括卷积神经网络(CNN)、循环神经网络(RNN)和注意力机制(Attention)。此外,基于Transformer结构的模型正在成为研究热点,它们能够提升模型的深度和任务精度。当前的研究趋势还包括多模态技术,即如何将图像与其他模态(如文本、语音)关联起来。