关键词： 机器视觉   目标检测   单片机   物联网   智能垃圾桶  

摘要： 阐述基于Jetson Xavier NX AI边缘人工智能开发板的智能分类垃圾桶设计,以Jetson Xavier NX开发板为主要控制核心,运行YOLOv5+DeepSORT双算法进行多目标实时检测,同时连接ATmega2560单片机和ESP32物联网板卡,搭配自主设计的垃圾分类装置完成垃圾分类,利用串口屏实时显示垃圾分类结果,待智能分类垃圾桶满载后,其自身可自主完成垃圾袋的更换。

关键词： 遥感图像   小目标检测   稀疏采样   局部上下文信息增强   多尺度特征融合  

摘要： 对多尺度的遥感图像进行小目标检测时,基于深度学习的目标检测算法容易出现误检和漏检的情况。这是因为此类算法的特征提取模块进行了多次的下采样操作;而且未能根据不同类别、不同尺度的目标关注所需的上下文信息。为了解决该问题,提出一种融合注意力和上下文信息的遥感图像小目标检测算法ACM-YOLO(Attention-Context-Multiscale YOLO)。首先,应用细粒度的查询感知稀疏注意力以减少小目标特征信息的丢失,从而避免漏检;其次,设计局部上下文增强(LCE)函数以更好地关注不同类别的遥感目标所需的上下文信息,从而避免误检;最后,使用加权双向特征金字塔网络(BiFPN)强化特征融合模块对遥感图像小目标的多尺度特征融合能力,从而改善算法检测效果。在DOTA数据集和NWPU VHR-10数据集上进行对比实验和消融实验,以验证所提算法的有效性和泛化性。实验结果表明,在2个数据集上所提算法的平均精确率均值(mAP)分别达到了77.33%和96.12%,而相较于YOLOv5算法,召回率分别提升了10.00和7.50个百分点。可见,所提算法能有效提升mAP和召回率,减少误检和漏检。

关键词： YOLOv8   轻量化   目标检测   多物体抓取  

摘要： 针对机器人抓取任务中多物体抓取场景中目标检测问题,现有的目标检测算法虽然精度很高,但存在模型参数量大、计算复杂度高的问题,无法满足端对端的工业部署。针对此问题,分析了YOLOv8参数量大的原因,对比了解耦头和耦合头两种检测头方式对参数量和精度的影响,为减少参数量对目标检测头进行参数共享。同时引入部分卷积重新设计了一种轻量化检测头,达到轻量化和算法的性能的平衡。实验表明,改进算法相比于YOLOv8n,模型精度下降了0.20%,但参数量下降了37.08%,有效实现了模型轻量化和性能的平衡。最后对改进模型用基于层自适应的幅度剪枝方法和基于损失函数泰勒展开近似的卷积核剪枝方法进行剪枝,参数量最高下降了79.78%,模型精度基本保持不变,推理速度最高提升89.22%。

关键词： 藏式古建筑壁画墙   裂缝   阈值分割算法   神经网络模型   特征参数  

摘要： 对单一背景下裂缝的定期检测研究已取得一定成果,但对复杂背景下裂缝预防性长期生长变形监测的研究尚处于起步阶段。该文综合古建筑壁画墙变形微量和不宜扰动的特点,基于计算机视觉研究了传统图像分割处理技术和裂缝图像智能语义分割神经网络模型,建立了一套非接触式、预防性生长变形监测系统。为降低壁画墙裂缝特有的彩绘壁画、环境光照及噪声等干扰,有效地将裂缝从复杂背景中分离出来,在传统阈值分割算法系统中,通过SIFT特征匹配和单应性矩阵的求解,解决图像视角差异问题,通过对比不同滤波算法,选择更适用于壁画墙裂缝分割的双边滤波算法与阈值分割相结合的监测算法;在智能语义分割系统中,采用多层卷积、采样和拼接等操作,去除多余特征,重构裂缝高级语义特征图,选择多步优化策略改进原U-Net模型网络架构,提升模型测试平均准确率至0.9899。监测12天典型藏式古建筑石砌体壁画墙裂缝,提取裂缝轮廓及裂缝骨架线等相关特征参数作为关键指标定量描述裂缝生长变化信息,发现:传统阈值分割算法二维特征指标(如裂缝面积、密度、宽度)的变异系数COV值处于4.50%~6.52%,改进的U-Net模型将传统方案中数据波动最大的裂缝面积COV由6.52%降至3.53%,提高了监测系统对壁画色彩、光照和阴影干扰的鲁棒性;系统中两类算法分别处理了不同视角下的同一裂缝的12张图像,输出的数据具备均匀一致性,COV不超过7%,证明了该监测系统为壁画墙裂缝的生长变形提供实时无损监测的技术可行性。

关键词： 探地雷达   目标检测   深度学习   YOLO   注意力机制  

摘要： 针对传统探地雷达管线目标检测方法存在的无法精确定位管线、解译过程耗时长效率低下、复杂背景噪声干扰等问题,本文设计一种基于YOLOv8的探地雷达图像管线目标检测方法,对原YOLOv8网络进行改进。首先,在主干网络中引入PConv算子,使网络结构更加轻量化,加快模型处理速度,减少冗余计算和内存访问。其次,引入Triplet Attention模块以增强模型在不同维度间的特征提取能力,提高复杂背景下的目标检测精度。最后,将边界框损失函数替换为WiseIoU,提升边界框的回归性能和鲁棒性。以探地雷达管线数据集为例进行实验,结果表明,本文提出的改进模型在检测精度与计算开销上取得了更好的效果。

关键词： 图像处理   实时语义分割   卷积神经网络   空洞卷积   上下文信息  

摘要： 针对实时语义分割模型大量缩减参数造成特征空间信息损失,以及特征缺少上下文信息导致分割类别预测不准确的问题,提出一种基于空间信息引导的双分支实时语义分割算法。该算法采用双分支结构分别获取特征的空间信息和语义信息,为更好地保留空间信息,设计了一种空间引导模块(SGM),同时捕获特征的局部信息和周围上下文信息,并通过通道加权给予重要信息更高的权重,有效弥补了图像高分辨率特征在降采样过程中的信息损失;为进一步强化特征的上下文信息表征能力,设计了池化特征增强模块(PFEM),采用不同尺寸的池化核捕获多尺度特征信息,并采用条状池化核对特征之间的长距离依赖关系进行建模,更好地确定分割区域的类别。在Cityscapes和CamVid数据集上对所提算法进行验证,平均交并比分别达到77.4%和74.0%,检测速度分别达到49.1帧/s和124.5帧/s,在保证实时分割的情况下有效提升了精度,获得了良好的语义分割性能。

关键词： 恶意软件识别   图像处理   残差U-Net网络   注意力机制  

摘要： 在计算机安全领域,恶意软件识别一直是一个具有挑战性的任务,当前基于深度学习的恶意软件检测技术存在泛化能力不足、性能损耗高等诸多问题.为解决上述问题,提出一种基于位图表征与U-Att分类网络恶意软件识别新技术.U-Att分类网络在残差U-Net网络的基础上,结合了注意力分类器,自适应地聚焦于恶意样本的重要区域,从而提高分类性能.实验中使用多个公开数据集进行了验证,并与其他方法进行了比较分析.实验结果表明,该网络在恶意软件识别任务中取得了优越的性能且拥有更少的参数量.

关键词： 数字图像处理   嵌入式系统   能力培养目标   教学改革与实践   兴趣驱动   课程设计   体系层次   复杂系统工程  

摘要： 随着数字图像处理技术发展,数字图像处理课程的教学改革与实践也不断推进。将基于嵌入式系统的微缩车平台引入数字图像处理实验成为支撑学生实践创新能力培养的手段之一。微缩车平台也在不断发展,各种传感器、上位机的组合层出不穷,一方面极大地拓展了数字图像处理实验的内容;另一方面,该平台也对数字图像处理实验课课程设计提出了更高的要求,如何循序渐进地使学生了解、掌握并熟练运用数字图像处理的理论和方法,使他们在兴趣驱动的探索中达成能力培养目标成为实验设计的重点。本文设计了一套成体系层次、有针对性的图像处理实验方案,激发学生的学习兴趣,培养学生解决复杂系统工程问题的能力,推动数字图像处理课程教学改革。

关键词： 显著目标检测   卷积神经网络形式的自适应注意力   掩码注意力   特征增强  

摘要： 显著目标检测(SOD)旨在模仿人类视觉系统注意力机制和认知机制来自动提取场景中的显著物体。虽然现有基于卷积神经网络(CNN)或Transformer的模型不断刷新该领域方法的性能,但较少研究关注以下两个问题:(1)此领域多数方法常采用逐像素点的密集预测方式以获取像素显著值,然而该方式不符合基于人类视觉系统的场景解析机制,即人眼通常对语义区域进行整体分析而非关注像素级信息;(2)增强上下文信息关联在SOD任务中受到广泛关注,但通过Transformer主干结构获取长程关联特征不一定具有优势。SOD应更关注目标在适当区域内其中心-邻域差异性而非全局长程依赖。针对上述问题,该文提出一种新的显著目标检测模型,将CNN形式的自适应注意力和掩码注意力集成到网络中,以提高显著目标检测的性能。该算法设计了基于掩码感知的解码模块,通过将交叉注意力限制在预测的掩码区域来感知图像特征,有助于网络更好地聚焦于显著目标的整体区域。同时,该文设计了基于卷积注意力的上下文特征增强模块,与Transformer逐层建立长程关系不同,该模块仅捕获最高层特征中的适当上下文关联,避免引入无关的全局信息。该文在4个广泛使用的数据集上进行了实验评估,结果表明,该文提出的方法在不同场景下均取得了显著的性能提升,具有良好的泛化能力和稳定性。

关键词： 计算机视觉   图像   增强   模糊   细节   动画  

摘要： 传统的模糊增强方法在实际应用中存在处理后动画图像的清晰度不佳问题,为此,引入计算机视觉技术,进行动画图像细节模糊增强方法优化。首先,获取动画图像细节特征,构建动画图像数学模型;其次,利用先验图谱知识代替动画图像中的暗原色,实现动画图像细节颜色衰减处理;然后,基于计算机视觉技术,对动画图像模糊边缘信息分割;采用导向滤波的暗通道先验方法,完成动画图像细节模糊增强处理。实验结果表明:新的方法可以有效提高动画图像的清晰度,且动画图像细节模糊增强处理的效率也得到了极大提升。