关键词： 遥感数字图像处理   教学改革   工程教育   成果导向教育   Jupyter笔记本  

摘要： 在工程教育改革和测绘学科智能化转型的背景下,培养具备遥感数字图像处理基础理论与程序实践能力的本科毕业生对于满足就业市场和学生学术深造的需求至关重要。然而,现行“遥感数字图像处理”课程教学存在理论与程序实践脱节、教学方法单一、学生自主学习场景匮乏等问题。课程改革遵循以学生为中心,成果导向的工程教育理念,对课程目标、教学内容和评价方式进行系统性重构,形成基础理论、技术能力和思政教育三线驱动的教学模式,同时,借助Jupyter Notebook工具设计交互式的教学场景。课程改革增强课程的互动性和趣味性,激发学生兴趣,促进从知识掌握到能力养成的转化。

关键词： 矿山智能巡检机器人   路径规划   危险识别   深度学习   图像处理   遗传算法   蚁群算法   深度强化学习  

摘要： 本文针对矿山智能巡检机器人在路径规划和危险识别算法方面进行了优化研究。通过分析传统路径规划算法如A算法、遗传算法(GA)和蚁群算法(ACO)在矿山复杂环境中的局限性,提出了结合多种算法优势的改进方法。在路径规划方面,采用融合优化遗传算法和变步长蚁群算法的方法,显著提高了全局最优解的收敛速度和搜索精度。在危险识别方面,利用深度学习和图像处理技术,结合卷积神经网络(CNN)和目标检测算法(如YOLO和Faster R-CNN),有效提升了危险源识别的准确率。此外,针对矿山环境的实时性和稳定性挑战,引入了基于深度强化学习的Actor-Critic算法和改进的动态窗口算法(DWA),确保了算法的高效运行和鲁棒性。实验结果表明,优化后的算法在复杂矿山环境中表现出良好的性能,为矿山安全生产提供了技术支持。

关键词： 无人机航拍   小目标检测   深度学习   YOLOv8-n   特征融合  

摘要： 为有效应对无人机目标侦测失误和侦测遗漏等情况,提出基于YOLOv8的改进模型EED-YOLO.该模型通过设计多尺度特征融合网络结构,将不同层次的特征信息进行融合,提升模型对不同尺寸目标的检测能力.添加第四侦测头,增强对小目标的识别能力;使用EIoU替代CIoU,进一步细化预测框的质量考核标准;将ECA模块引入颈部结构,专注于捕捉通道间的动态依赖关系.在VisDrone2019数据集上,改进后的航拍检测模型mAP 50提升4%及mAP 50-95提升2.7%.

关键词： 小样本目标检测   深度学习   数据增强   样本生成  

摘要： 利用生成模型为小样本目标检测提供额外样本是解决样本稀缺问题的方法之一。现有生成额外样本的方法,多关注于生成样本的多样性,而忽略了生成样本的质量和代表性。为解决这一问题,该文提出了一个新的基于数据生成的小样本目标检测框架FQRS。首先,构造类间条件控制模块使得数据生成器能够学习不同类别间的关系,利用基类和新类的类间关系信息辅助模型估计新类的分布,从而提高生成样本的质量。其次,设计类内条件控制模块,利用交并比(IOU)信息限制生成样本在特征空间的位置,通过控制生成的样本更聚集于类别的中心,确保它们能够捕捉对应类别的关键特征,从而提高生成样本的代表性。在PASCAL VOC和MS COCO数据集上进行测试,在不同小样本条件下,该文提出的模型均超过当前最好的两阶段微调目标检测模型—解耦的更快区域卷积神经网络(DeFRCN)。实验验证了该文方法在小样本目标检测上具有出色的检测效果。

关键词： 计算机视觉   智能监控   智慧城市  

摘要： 随着智慧城市的发展,智能监控系统在保障公共安全、提高城市管理效率等方面发挥着越来越重要的作用。利用人工智能和大数据分析技术,基于计算机视觉的智能监控系统能够实时监测和分析城市中的各类动态信息,如交通流量、公共区域人员密集度、可疑行为等。该系统能够自动识别图像中的对象、行为模式,并生成数据报告,支持城市管理者及时做出决策。此外,结合人脸识别、车辆识别等技术,智能监控系统能够提高犯罪预防能力和应急响应速度。

关键词： 目标检测   YOLOv10n   风管卡夹   RepConv卷积   StokenAttention注意力机制  

摘要： 针对列车检测工作中因环境昏暗、检测目标细小等因素导致风管卡夹检测精确度不足、检测效率低等问题,文章基于收集的列车风管卡夹数据集提出了一种基于RSA-YOLOv10n的检测算法。首先,为更好地捕捉图像中的不同特征,基于YOLOv10n模型将Conv卷积修改为RepConv卷积,自适应地调整卷积核的表示能力;其次,为提高模型对重要信息的敏感性,在Neck层增加StokenAttention注意力机制,能够使模型检测动态地聚焦于图像中的关键区域;最后,通过自标注的上千张列车风管卡夹图片的数据集进行实验,得到RSA-YOLOv10n模型的mAP@50%、mAP@95%、精确度及召回率分别为98.7%、75.1%、97.3%和96.6%,相较于YOLOv10n模型的分别提升了0.2、0.8、0.2和0.3个百分点;RSA-YOLOv10n模型在模型大小、GFLOPs、函数损失值等参数持平于YOLOv10n模型的情况下大大提高了模型的FPS值。通过消融实验及与YOLOv3-tiny、YOLOv5n、YOLOv8n等模型的对比实验,分析验证了本文所提检测算法在综合精确度、召回率及检测时间等指标方面存在更大优势,适合在列车风管卡夹检测领域进行推广,对列车装置部件检测的技术发展具有重大意义。

关键词： 探地雷达   隧道衬砌缺陷   深度学习   目标检测   Transformer  

摘要： 隧道衬砌内部缺陷检测对于隧道的安全运行至关重要。针对传统探地雷达(ground penetrating radar,GPR)图像识别方法对技术人员要求高、复杂图像识别难度大、不能实现端到端识别等问题,提出一种基于Transformer框架的雷达图像隐藏缺陷自动检测算法,命名DETR-MCA,在原end-to-end object detection with transformers(DETR)架构上嵌入了一种新颖的高效多尺度注意力模块—multi-scale convolutional block attention module(MCA)模块,它允许模型根据任务需求和内容上下文动态地关注于最有用的特征,从而改善DETR模型的收敛速度和对小目标的检测准确率,最终利用基于全局注意力计算的编码器-解码器结构的并行计算能力,实现空腔和不密实2种病害的端到端的检测与识别。此外,为解决实测数据集稀缺的问题,构建了GPR隧道病害实测数据集,结合数据增强方法,共获得1427张空腔数据和669张不密实数据。其次,为了增强预测模型的鲁棒性,利用5333张2种隧道构件(钢筋和钢拱)的实测数据集进行迁移学习。在相同试验条件下,将该模型与Faster R-CNN、YOLOv3、YOLOv8、Mask R-CNN、RMTDet和DINO 6种深度学习网络模型进行比较,提出的模型对隧道不同隐藏缺陷平均准确率达到97.1%,性能优于其他模型。结果表明DETR-GPR模型具有较高的识别准确率与较强的鲁棒性,可为复杂隧道环境下不同缺陷的检测提供参考。

关键词： 唐墓壁画   光谱分析   高光谱图像处理   壁画颜料层   壁画绘制工艺  

摘要： 2022年11月出土于陕西西安白杨寨晚唐墓M1373是一项保存较好的晚唐墓葬遗产,其多彩多姿的墓葬壁画对于研究晚唐时期的祭祀、礼仪、音乐、服饰、艺术等具有重要意义,特别是为研究唐宋之际的壁画风格题材转变提供了直接材料。然而,由于年代久远,该壁画颜料层依旧出现了许多典型病害,如颜料脱落、起甲、泥水污染等,加之后续揭取会给壁画颜料层带来人为干预,这会使得壁画信息受到一定影响。为此,利用高光谱成像技术在壁画揭取之前进行一体化图谱信息获取,而后采用光谱分析与高光谱图像处理技术对壁画表面颜料层进行分析,并以乐舞图为例,研究该壁画绘制的颜料与工艺。实验结果表明:该壁画红色、黄色、绿色等颜料采用了传统的赭石、土黄/石黄、石绿等矿物颜料,且在绘制地毯花卉时,红色颜料和绿色颜料被大量稀释使用,而黄色颜料使用并不明显;壁画绘制时用墨色或硬笔起底稿,用红线勾勒,底稿线与表层勾勒线大多存在偏移,且有些区域勾勒线与底稿线偏移较严重,说明起稿和定稿之间有一定的改动;同时,部分区域底稿线较为明显,部分区域则不太清晰,通过高光谱图像处理方法,发现了隐藏于颜料层表面或勾线之下的起稿线;该壁画主要采用了分布式非重叠二维直视的画面布局方式,空间立体感稍差,但对于乐手手指和乐笛交汇的多个位置,有的出现了前景与背景图案非重叠的二维直视绘制方式,有的出现了少量前景与背景图案重叠的二维透视绘制方式,说明该壁画在绘制前和绘制时进行较好的布局设计,且未出现明显的涂改。此外,还发现该壁画存在一些隐藏的污水污染病害。上述研究为该壁画的现场保护方案制定和后续研究与保护修复等提供了数据资料、研究方法和初步结论支撑。

关键词： 新工科   数字图像处理   项目导入式实践教学   交叉学科  

摘要： 根据数字图像处理跨学科的特点,以及当前的行业发展趋势、技术革新与学生的实际能力需求,探讨项目导入式实践教学在数字图像处理课程中的应用,有助于增强学生解决问题的能力和综合实践能力。

关键词： 交通工程   行驶区域自动划分   目标检测   目标跟踪   逆行检测  

摘要： 近年来,随着交通车辆数量的增加,由道路异常事件引发的交通事故不断发生,成为现代安全的关注点。研究道路异常事件检测对于提高交通安全、减少事故频率至关重要。以夜间车辆的逆行识别为研究出发点,但目前的逆行检测算法存在误检,且重要的参考标准需依赖人工标注。为解决这些问题,构建了一个实用的高速公路数据集,采用分割法和标记法相结合自动获得行驶区域划分图,并通过计算道路区域内车辆平均速度确定行驶方向。在夜间逆行检测过程中,利用目标跟踪法和光流法判断车辆是否发生逆行,完成车辆逆行检测。实验证明:提出的算法准确率高且鲁棒性强,适用于复杂的白天和夜晚高速公路环境。