关键词： Mura缺陷   液晶屏   目标检测   深度学习   微弱特征  

摘要： 针对液晶屏Mura缺陷检测中因对比度低和尺度差异多样而导致的检测精度不足的问题,从提升模型对小尺度缺陷和微弱缺陷检测性能的角度,提出了一种基于改进YOLOv8n的液晶屏Mura缺陷检测模型YOLO-D3MNet。首先,通过引入ConvNeXtv2模块重构模型的主干网络和颈部网络,提高模型在复杂纹理背景下的微弱特征提取能力;其次,针对检测头模块特征信息跨通道交流不足的问题,提出了一种结合通道混洗策略和深度可分离卷积的高效解耦头,促进不同特征通道之间的信息流动,降低模型的算力需求;最后,针对基于预测框和真值框的交并比度量对小尺度缺陷的位置偏差敏感的问题,引入归一化高斯Wasserstein距离损失函数,提供更多的正样本候选框,从而提高模型对Mura缺陷的检测性能。改进后的YOLO-D3MNet模型的准确率、召回率和mAP_(50)分别为92.9%、88.8%和94.8%。相较于基础模型YOLOv8n,YOLO-D3MNet模型的准确率、召回率和mAP_(50)分别提高了3.4%、2.7%和3.6%,同时模型的GFLOPs降低了24.7%。与YOLOv5n等主流目标检测模型相比,本文提出的YOLO-D3MNet模型在液晶屏Mura缺陷检测方面具有更好的性能。

关键词： 双模态图像   目标检测   特征融合   深度学习   注意力机制  

摘要： 为了应对复杂动态环境下红外与可见光双模态目标检测的挑战,特别是目标特征表达不足以及红外可见光特征在双模态融合中无法充分利用互补特征导致漏检和误检的问题,提出了一种用于目标检测的双分支特征增强与融合网络(Dual-Branch Feature Enhancement and Fusion,DBEF-Net)。针对模型对红外和可见光特征关注度不足的问题,设计了一种特征交互增强模块,该模块能够有效地关注并增强双模态特征中的有用信息。同时,为了更有效地利用双模态的互补特征,采用基于Transformer的双模态融合网络,并引入交叉注意力机制,以实现模态间的深度融合。实验结果表明,在SYUGV数据集上,与现有双模态目标检测算法相比,本文方法的平均检测精度更高,处理速度也能满足实时检测的需求。

关键词： 机器视觉   压力表   自动检测   机器学习   误差分析   质量控制   图像处理  

摘要： 本文介绍了一种基于机器视觉技术的智能压力表自动检定系统,通过集合精密的机械结构设计、高灵敏度传感器、高效的数据采集和控制模块,运用先进的图像处理技术和机器学习算法,实现压力表的自动识别、自动采集数据及精确的误差分析。经测试,该系统不仅具有良好的精度、工作效率和运行稳定性,而且大大降低了人为误差。

关键词： 风景园林   城市蓝绿空间   景观要素   景观感知   健康行为   计算机视觉  

摘要： 【目的】城市滨水绿地内部空间景观要素与健康行为之间的复杂关联亟待深入剖析,恢复性感知作为自然环境中影响个体行为决策的关键因素,为探究二者关系提供了新视角。【方法】以武汉市沙湖公园93个景观节点为研究对象,结合计算机视觉技术、问卷调查和行为观测等方法,深入探究滨水绿地景观要素、恢复性感知对公众健康行为(恢复、体力及社交活动)的影响。【结果】自然景观有助于提升公众的恢复性感知,而高比例的人工要素则产生相反效果;不同健康行为存在空间分布差异且显著影响要素各不相同;恢复性感知与恢复活动、社交活动呈显著正相关。【结论】揭示了3类健康行为对节点景观要素的偏好差异,并证实了恢复性感知对促进健康行为的积极作用。未来可通过强化自然景观建设、合理规划空间色彩及实施节点差异化设计等措施,有效促进公众健康行为开展,进而提升滨水绿地健康效益。

关键词： 图像处理   边缘检测   滤波降噪   数理统计  

摘要： 针对图像边缘去伪降噪保边问题,提出了一种基于边缘物理连续性和噪声分布随机性假设,运用数理统计分析的边缘滤波降噪与边缘保持的处理方法。首先,建立了离散型边缘的孤立噪声、连续噪声、伪边缘的物理模型,并使用一阶梯度表征边缘起伏大小,使用二阶梯度表征邻域边缘起伏趋势,通过梯度组合构建起噪声模板和伪边缘模板。根据目标边缘的实际形态,为了满足平滑连续的假设条件,可对原始数据做预处理,即通过分段坐标变换,使目标边缘趋势线归一到坐标轴上。然后,运用数理统计分析得到梯度阈值,并对边缘梯度数据进行噪声与伪边缘模板匹配,检索得到疑似虚假边缘。最后,通过选取疑似虚假边缘前后邻域的置信数据进行多项式拟合,利用离差值评价噪声分布,利用相关系数评价边缘特征,以完成噪声与伪边缘的验证。通过3种实例测试,分析了该方法对不同信噪比边缘的滤波降噪保边效果。测试发现,对于有明显噪声干扰的边缘信息(信噪比小于15 dB),该方法处理的降噪准确率和保边准确率均为80%以上。当信噪比为1.85 dB时,降噪准确率达到82%,说明该方法对低信噪比滤波有良好效果。

关键词： 遥感图像   上下文模块   注意力机制   旋转目标检测  

摘要： 遥感图像处理旋转目标检测任务存在尺度变化大、背景复杂、目标方向任意的特点,给自动目标检测带来了挑战。针对上述问题,结合YOLOv5s检测器,提出了基于上下文空间感知的旋转目标检测框架。首先,设计了上下文空间感知模块(CSPM)构造主干网络,获取更全面的局部上下文信息与全局空间感知信息,解决网络模型对多尺度目标的特征提取能力不足的问题;其次,在特征融合部分引入无参数注意力机制SimAM,基于神经元抑制原理自适应融合重要信息,解决模型在复杂背景下的误检和漏检问题;最后,增加角度参数回归旋转目标方向,解决任意方向目标回归的问题,同时采用GWDL(Gaussian Wasserstein Distance Loss)计算旋转框损失,参数联合优化,提升检测精度。提出的目标检测算法在HRSC2016数据集上的Recall、Precision和mAP_(50)分别达到了0.955、0.916、0.904,具有最优的检测效果,同时检测速度达到了140.8帧/s,具有实时性。

关键词： 目标检测   yolov5s   反无人机   解耦合检测头  

摘要： 随着无人机市场规模的不断扩大,无人机在众多领域中得到了广泛使用,随之出现了机场、军事区域、政府部门等重要目标的无人机禁飞管制问题,为提高反无人机能力,保护重要目标空域安全,提出了一种改进的yolov5s空中无人机目标识别算法。该算法基于yolov5s目标检测模型,在此基础上引入SE注意力机制、高效解耦合检测头、WIoU_(v2)损失函数。在改进的目标检测算法数据集上进行实验,通过消融实验和损失函数对比实验,平均精确率均值mAP@0.5提高了1.3%,可以更好地用于民用无人机空中管制。

关键词： 知识蒸馏   遥感   轻量级目标检测  

摘要： 近年来,深度模型在大规模应用方面取得巨大成功,但计算复杂度和存储需求等问题使它们在资源有限的设备上难以部署。知识蒸馏(KD)是一种压缩模型的方法,然而现有方法未考虑遥感数据集的特点。具体来说,在遥感数据集中由于背景复杂,图像中目标物体较小,直接应用现有的知识蒸馏方法时会出现大量噪声,影响训练性能。因此提出了自适应分离知识蒸馏(ASKD)方法。ASKD允许学生模型自动选择多尺度核心特征,减少噪声,同时通过分离全局和局部特征,有效抑制背景干扰。在LEVIR和SSDD数据集上,ASKD在单阶段和双阶段检测器上都取得了出色性能。例如,基于ResNet-18的Faster RCNN,ASKD在SSDD上实现了59.2%的mAP,比基线模型高出2.0个百分点,甚至胜过教师模型。

关键词： 目标检测   棉叶病虫害   主干网络   损失函数   注意力机制  

摘要： 棉叶病虫害是影响棉花产量的关键性因素,为解决传统人工棉叶病虫害识别准确率低的问题,提出一种基于YOLO v5s的改进模型来实现真实环境下的棉叶病虫害精确识别,该模型将YOLO v5模型的原主干网络改进为一种新的纯轻量级卷积网络架构RepViT,它与YOLO v5原有的主干网络CSPNet相比不但参数更少且具有更高的平均精度均值;再使用一种基于MPDIoU的边界框回归损失函数MLPDIoU来减小背景损失在置信损失中的占比,使得模型收敛更快速,模型训练更加充分,提高本模型在复杂背景下的目标检测精度;最后针对棉叶病虫害检测时存在的叶片背景复杂、病虫害叶片与健康叶片高度相似、同一张图像可能出现数种不同病虫害叶片的问题,在SPPF层之前添加ECA注意力机制,使本模型能更好的提取病虫害叶片的特征,减少背景的干扰。通过以上改进,该模型在真实环境下对棉叶病虫害检测的准确率达到了91.4%,均值平均精度达到85.8%,相较于SSD、YOLO v3、YOLO v4、YOLO v5等传统模型,准确率分别提高了6.3、2.7、7.5、3.4百分点,平均均值精度分别提高了4.0、5.2、4.6、4.8百分点,可以有效识别出各种棉叶病虫害,为棉花种植户进行参考。

关键词： 深度学习   单幅图像去雾   图像处理  

摘要： 恶劣天气环境下拍摄的图像会受到雾或霾的影响,从而导致图像饱和度过低模糊、以及颜色灰白等负面效果,这不仅会使图像中的重要信息丢失,还会对后续计算机视觉任务(如目标检测、图像分割、人员再识别)的研究造成负面影响。为了解决上述问题,文章首先对图像去雾的发展历程进行分析和梳理,接下来重点论述了深度学习在图像去雾领域的研究进展,主要包含有监督去雾、无监督去雾和半监督去雾技术,并对各自的代表性算法进行深入对比分析。最后,介绍了图像去雾领域主流的数据集和评估指标。Images captured in harsh weather environments are often affected by fog or haze, which can lead to negative effects such as low saturation, blurring, and grayish-white colors. This not only results in the loss of important information in the image, but also has a negative impact on subsequent computer vision tasks such as object detection, image segmentation, and personnel re-identification. This article first provides a comprehensive analysis and sorting of image defogging and then reviews the research progress of deep learning in the field of image defogging, mainly including supervised defogging, unsupervised defogging, and semi-supervised defogging. We compared and analyzed representative algorithms among these methods. Finally, the commonly used datasets and evaluation metrics for image defogging were introduced.