关键词： 目标检测   对抗攻击   生成对抗网络   注意力机制   对比学习  

摘要： 以降低攻击目标检测模型的计算成本、增加攻击强度、减少扰动为目的,设计了一种基于条件生成对抗网络的攻击模型。该模型首先融合基于注意力机制的对比学习方法,注意力机制为像素分配权重用于捕获图像中的关键特征,对比学习使对抗样本的关键特征与噪声特征的距离缩小,与干净样本关键特征的距离扩大;其次融合基于分类器和回归器的联合攻击方法来误导分类器和回归器作出错误的判断。通过PASCAL VOC 2007、VOC 2012数据集对Faster-RCNN模型进行攻击训练。实验结果证明,该方法在VOC 2007测试集下将Faster-RCNN的mAP值由70.1%下降到4.66%,攻击时间为0.04 s,平均扰动为5.39%。在相同测试集下,由Faster-RCNN中生成的对抗样本迁移攻击SSD300,mAP值由77.1%降为44.1%。

关键词： 计算机视觉   增强现实   数字空间   虚拟现实   云计算   沉浸式   空间数据处理   空间计算  

摘要： 空间计算(Spatial Computing)是一项基于空间数据处理以及增强现实、虚拟现实和混合现实技术的前沿技术,能够通过感知、处理和理解真实世界的空间数据来构建虚实融合的数字空间。近年来,随着5G网络的普及、物联网(IOT)技术的快速发展以及硬件设备的不断进步,空间计算技术在多个行业中得到了广泛应用,包括游戏、医疗、制造等领域。这一技术还得益于计算机视觉、人工智能(AI)、云计算与边缘计算的协同发展,使得计算系统能够实时感知并理解三维空间的动态变化,为各行业提供更加沉浸式、智能化的解决方案。

关键词： 露天矿   路面障碍物   目标检测   RepViT网络   无人驾驶   智慧矿山  

摘要： 露天矿无人驾驶是智慧矿山建设的重要组成部分。露天矿无人驾驶的核心在于保障车辆安全行驶,然而现阶段矿区道路上存在的落石、水坑和车辙等障碍物严重影响了矿车的行驶安全。针对现有算法检测这类密集障碍物精度受限的问题,提出了一种基于RT-DETR的露天矿区路面障碍物检测算法。RTDETR算法通过在编码器阶段引入RepViT网络,提升了模型的特征提取效率,在解码器中通过通道压缩剪枝操作提升了模型的检测速度。此外,还提出融合注意力机制的RepAttC3模块,加强了模型的特征提取能力。通过采集不同矿区数据,构建了露天矿区路面障碍物数据集,并进行了障碍物检测试验。结果表明:本文所提出的RT-DETR算法的平均检测精度可达92.7%,综合检测精度可达96.6%,检测速度可达12.3 ms。相较于其他路面障碍物检测算法,本文算法对露天矿区多尺度与小目标障碍物具有良好的检测效果,能够为露天矿区车辆提供准确且高效的障碍物检测,保障车辆安全行驶。

关键词： 基于姿态估计   扶梯危险行为识别   YOLOv5   目标检测   跨通道信息   轻量化识别   模型过大   识别速度低  

摘要： 基于人体关键点的姿态估计算法目前已被广泛应用,该算法主要分为关键点提取和关键点分类两个步骤。在关键点提取时,常用的多人实时关键点提取算法OpenPose,其主干网络VGG19过于复杂,导致模型过大、识别速度低等问题,针对这些问题,本文使用了轻量化后的OpenPose提取关键点,并在关键点提取之前加入YOLOv5进行目标检测,解决了轻量化识别准确率较低的问题。在关键点分类时,现有的方法没有充分考虑关键点之间的相对位置和连接信息,因此本文提出一种基于改进后的时空图卷积网络的关键点分类方法,能够更好地捕获跨通道信息能力,并提升关键点分类的准确率。

关键词： 伪装技术   伪装目标检测   深度学习   零样本学习  

摘要： 伪装主要包括隐蔽、形变、干扰和降低显著性等。随着伪装技术的发展与进步,对隐蔽伪装目标检测的技术要求也逐步提高。针对隐蔽伪装,梳理了伪装技术的研究现状;论述了传统隐蔽伪装目标检测方法,特别是近年来基于深度学习的隐蔽伪装目标检测方法;进一步分析了隐蔽伪装目标检测常用的动物伪装数据集和军事迷彩数据集,并归纳了4个常用的评价指标;总结了隐蔽伪装目标检测在重叠遮挡、尺度变化、动态变化和设备资源受限等方面面临的挑战,并从3个不同角度探讨了隐蔽伪装目标检测在军事领域中的发展前景。

关键词： 计算机视觉   状态监测   自动化控制  

摘要： 阐述计算机视觉技术对于电力系统自动化建设的影响,分析其在电力系统自动化中的具体应用,包括设备状态监测与故障诊断、输电线路监测与异常检测、安防监控与入侵检测、智能巡检与维护。

关键词： 无人机视频图像   小目标检测   YOLOv4   多尺度融合   ASPP  

摘要： 针对无人机视频图像背景复杂、小目标数量多、漏检错检率高的问题,提出一种基于改进YOLOv4的小目标检测算法。加入改进的注意力机制来加强关注小目标信息的能力;增加一个检测头并与主干网络的特征图进行融合来获取小目标的语义信息;使用改进的ASPP网络代替普通卷积块进行下采样以增大感受野,减少信息丢失。在VisDrone2019数据集上的实验结果表明,ASPP-YOLOv4的mAP较YOLOv4提升3.82百分点,显著地提升了小目标的检测精度。

关键词： 目标跟踪   外观融合模型   正则化   通道可靠性   目标恢复  

摘要： 针对无人机跟踪地面运动目标过程中目标场景发生遮挡、光照变化等复杂情况下,相关滤波模型易退化进而导致跟踪精度降低等问题,提出了一种针对无人机对地面目标的稳定实时跟踪算法.首先,利用FHOG,CN和灰度等特征构建外观融合模型,提高对复杂场景的适应性;然后,在相关滤波跟踪的基础上,设计自适应局部时空正则化策略,在跟踪器中引入空间正则化来实现像素级的滤波器限制,同时设计时间正则化来优化滤波器的更新;其次,对滤波器进行通道可靠性融合,设计了自适应模型更新策略,防止滤波器退化,提高目标定位的精确度;最后,设计目标恢复模块来提高跟踪器强度,能更好地应对复杂环境.实验结果表明,提出的算法与同类文献算法相比,能更好地适应无人机对地面目标复杂场景的跟踪任务并满足实时性.

关键词： 油气管道   漏磁检测   深度学习   YOLOv8   目标检测   数据集  

摘要： 油气管道漏磁检测是评估管道完整性的重要手段,但传统人工分析方法存在效率低、误判率高等问题,故提出了一种基于YOLOv8深度学习算法的油气管道漏磁检测智能识别方法,实现管道缺陷的自动化检测。研究创新性地构建了一套基于人工标注经验的自动化训练数据集生成方法,有效继承了专家领域知识,显著提升了数据集构建效率。通过对漏磁信号进行预处理和图像增强,将原始数据转换为标准化灰度图像,并采用自适应图像增强策略,有效提升了图像质量和目标特征的可区分性。从实际工程项目中采集并生成36 098张高质量漏磁图像,其中3 403张含缺陷图像用作训练集。缺陷在管道轴向-周向平面上呈现相对均匀分布,在焊缝位置存在局部高密度区域,尺寸主要集中在较小范围内并呈现长尾分布特征,为模型训练提供了扎实的数据基础。训练过程中,模型的精确率P和召回率R指标分别稳定在0.66和0.60,mAP@0.5指标稳定于0.57,而mAP@[0.5∶0.95]达到0.27。在实际工程数据测试中,模型的精确率、召回率和F1分数分别达到63.17%、65.24%和64.19%,验证了YOLOv8模型在管道检测任务中的可行性和优异的检测性能。该方法不仅显著提高了检测效率,降低了人工成本,而且有效避免了人为因素导致的判断偏差。研究结果表明,基于深度学习的智能识别方法在油气管道漏磁检测领域具有广阔的应用前景。

关键词： 计算机视觉   农机自动化   精准农业   作物监测   路径规划  

摘要： 文章详细分析了作物监测、农机路径规划、作物变量施肥和作物收获监测与评估等计算机视觉技术在农机自动化中的具体应用,阐述了计算机视觉技术在提高农业生产效率、精度和智能化水平方面的重要作用。应用结果表明,计算机视觉技术可以实现作物生长状态的实时监测和定量评估,生成最优农机作业路径,精准控制肥料施用,实现收获过程实时监控和产量质量快速评估。计算机视觉技术在农机自动化中的应用前景广阔,将为现代农业生产提供有力的技术支撑。