关键词： 人工智能技术   智能识别   安防监控   数字信号处理   医疗诊断   电子信息技术   异常行为   目标跟踪  

摘要： 图像与视频处理作为信号处理领域的重要分支,近年来伴随电子信息技术的快速发展和人工智能技术的深度融合,成为国际学术界和工程界关注的焦点。作为数字信号处理的重要应用方向,图像与视频处理涵盖了生成、修复、增强、检测、识别、分割、跟踪等多个核心任务,并在安防监控、医疗诊断、智能娱乐等行业中展现了巨大的应用潜力和市场价值。在安防监控领域,图像与视频处理技术通过智能识别和目标跟踪实现了对异常行为的高效检测,显著提升了系统的自动化水平和监控精度。

关键词： YOLO算法   鸟类检测   目标检测   深度学习  

摘要： 随着深度学习技术的持续进步,YOLO目标检测算法已成为计算机视觉领域内的研究热点。鉴于环境生态问题的日益严峻,鸟类识别技术对于生态环境保护、鸟类种群监测以及生物多样性研究具有至关重要的作用。本文全面回顾了YOLO系列检测算法从v1至v11的发展历程及其网络结构原理,对基于YOLO的鸟类检测领域的相关文献进行了梳理与分析,并归纳总结了各模型的网络结构及性能指标,为进一步验证模型效能,选取了部分主流模型在CUB-200鸟类数据集上进行了性能对比实验;探讨了几种常用于YOLO目标检测框架下的鸟类图像数据集,这些数据集是训练和测试模型的关键资源;结合YOLO系列算法的特点及最新文献,展望了未来在该领域可能的研究趋势和发展方向,旨在为进一步提高鸟类检测精度和效率提供参考。

关键词： 多模态   图像生成   图像融合   目标检测  

摘要： 可见光图像、合成孔径雷达(SAR)图像与红外图像分别具有分辨率高、抗环境干扰能力强、热目标特征明显等优势,结合3种模态图像可以全天时、全天候精准检测舰船关键部位。然而,现有公开的舰船数据集常以单一模态呈现,缺乏同一时空下的3种模态对齐的数据集。鉴于此,本文提出了一种通过虚拟引擎和多模态数据生成模型构建多模态舰船图像数据集的方法。该数据集共有5 055幅图像,其中可见光图像、红外图像和SAR图像各1 685幅,图像大小为640×640像素。为了准确检测舰船关键部位,本文提出基于自适应区域定位的舰船关键部位检测方法,将构建的3种模态图像作为输入数据,通过多尺度特征提取颈部模块,探究多个模态在不同尺度下的信息互补机制,同时引入自适应区域定位模块,引导模型关注待检测的目标区域,最终实现舰船关键部位精准检测。在构建的多模态舰船数据集上,实验结果表明本文提出的目标检测方法其准确性优于多种主流方法。与基准模型相比,本文方法的平均检测精度(交并比阈值为0.5)提升了5.52%。

关键词： 搅拌摩擦焊   缺陷检测   图像处理   模糊PID控制算法  

摘要： 针对搅拌摩擦焊接过程中经常出现的飞边、沟槽等表面缺陷,设计一种基于嵌入式系统的搅拌摩擦焊缝图像处理系统,并进行相关缺陷在线检测及控制。首先,运用GigE工业相机采集激光条带焊缝图像,通过对比度增强、迭代法阈值分割、边缘拟合等方法拟合得到焊缝激光条带的近似多边形,再采用Shi-Tomasi角点检测等方法得到飞边、沟槽缺陷的尺寸,最后,使用模糊PID控制算法对下压量进行在线调节,并进行系统可行性试验验证。结果表明,该方法能够快速准确地检测并消除飞边、沟槽等表面缺陷,满足工业要求。

关键词： 外骨骼   末端执行器   鲁棒控制   可持续性   深度学习   图像识别   目标检测   位置视觉控制  

摘要： 随着全球人口持续增长和气候变化加剧,提高农业生产效率和可持续性已成为当代社会面临的重大挑战。深度学习技术在图像识别和目标检测方面的突破为实现佛手成熟度自动识别提供了可能。结合位置视觉控制外骨骼系统,智能采摘已初具雏形。然而,复杂环境下的准确识别、实时成熟度判断以及与自动化设备的集成仍是亟待解决的问题[1-3]。

关键词： 图像处理   场景重建   神经辐射场(NeRF)   本征分解   场景编辑  

摘要： 目的基于神经辐射场(neural radiance field,NeRF)的3D场景重建与新视角生成工作正受到研究者的广泛重视,然而现有的神经辐射场方法通常对给定的场景进行高度专门化的表征,且将场景的几何与外观表征为“混合场”,这对场景的几何与外观编辑、场景泛化和3D资源的使用造成了不便。方法提出了一个学习对象本征属性的神经辐射场分类网络,通过图像增强的方式去除高光和阴影,并使用分类的方式实现颜色分解,即从现实场景中提取室内场景语义级目标的本征属性,在此基础上进行神经辐射场的重建。提出了前点优胜模块与颜色分类模块。前点优胜模块在体渲染阶段优化射线代表的本征属性,从而提升神经辐射场的语义一致性;颜色分类模块在辐射场重建阶段,通过全连接网络进行本征属性的分类优化,提高辐射场的语义及视角间一致性。两个主要模块共同作用,使重建的辐射场具备良好的针对外观的泛化能力,可支持场景重上色、重光照以及针对阴影与高光的编辑等任务。结果相比于现有的基于神经辐射场的学习进行本征分解的Intrinsic NeRF方法,在Replica数据集中的充分实验表明,在有限的GPU显存和运行时间下,重建的本征属性神经辐射场具备语义及视角间一致性。针对提升语义一致性的前点优胜模块,本文方法在基线模型Semantic NeRF的基础上提高了4.1%,在未加入该模块的基础上提高了3.9%。针对提升本征分解语义及视角间一致性的颜色分类模块,本文方法在Intrinsic NeRF的本征分解工作基础上提升了10.2%,在未加入颜色分类层的基础上提升了1.7%。结论本文方法构建的本征属性神经辐射场具备语义及视角间一致性,可描述复杂场景几何关系且具备良好外观泛化性。在场景重上色、重光照、阴影与高光的编辑等任务中取得了视角间一致的逼真效果。

关键词： 深度学习   YOLO   目标检测   运动特征   跌倒检测  

摘要： 针对传统跌倒检测算法局限于单帧图像判断而未充分利用行人时序运动特征的问题,提出了一种融合运动特征的行人跌倒检测算法;在YOLOv8n的主干网络中引入ECA注意力机制,在Neck中用GSConv代替常规卷积提高行人检测的精度;为了避免多行人之间的特征发生混淆,使用DeepSort目标跟踪算法进行行人跟踪,独立提取行人的运动特征;分类阶段设置一个固定长度的队列来存储行人运动特征值,利用提前训练好的1DCNN进行跌倒识别;实验证明,在VOC2007测试集上,改进后的YOLOv8n模型比改进前的mAP增加1.5%,参数量减少2.97%;跌倒检测算法在UR Fall数据集上实现了97.8%的准确率;在自建的多行人数据集上实现92.91%准确率。

关键词： 粒子滤波   检测前跟踪   扩展卡尔曼滤波   目标跟踪   非局部均值滤波  

摘要： 无人机的迅速发展催生出许多非法飞行现象,及时发现和实时跟踪无人机尤为重要。无人机在远距离或低信噪比环境下难以被传统雷达系统有效探测。红外成像技术由于其高精度和强抗干扰能力,加上拥有出色非线性非高斯处理能力的粒子滤波算法,成为理想的无人机检测跟踪手段。针对复杂背景和低信噪比环境下无人机弱小目标的实时在线检测跟踪问题,提出一种改进粒子滤波的无人机实时在线检测前跟踪算法。在图像预处理阶段,通过结合非局部均值滤波改进了基于形态学滤波的背景抑制算法。针对粒子重采样,融合3种传统重采样算法的思想改进得出一种混合重采样算法。经过一系列的实验测试与分析,验证了改进算法在应对低信噪比及动态多变背景下的无人机目标追踪难题时显著提升了跟踪精度和稳定性。

关键词： 裂缝检测   图像增强   小波阈值处理   图像处理   Faster-RCNN全卷积神经网络  

摘要： 针对船舶裂缝检修行业存在的效率低下、维修周期长等问题,介绍了一种基于图像处理和机器学习技术的船体表面裂缝检测方法。该方法通过船体表面图像采集设备进行拍摄,并采用灰度变换、直方图均衡化和小波阈值方法进行预处理,提升图像对比度和纹理特征,同时抑制噪声干扰。随后,引入Faster-RCNN全卷积神经网络机器学习算法,实现裂缝区域的特征提取和分类识别。实验结果表明,该方法在裂缝识别准确率方面达到89.36%,具备自动化、高效率和准确性等优势,可有效提高船体维护和检修效率,为表面裂缝检测领域提供借鉴。

关键词： YOLOv5   FasterNet   MHSA   目标检测   水管破裂  

摘要： 矿井供排水管的破裂,会对井下及时的供水和排水产生不利的影响。针对矿井供排水管破裂处人工无法快速准确定位检测的问题,提出了一种基于改进YOLOv5的矿井供排水管破裂检测方法。使用FasterNet替换YOLOv5原有的骨干网络(Backbone),以减少YOLOv5的模型体量,加快运算速度,并提高检测精度;将YOLOv5颈部(Neck)的C3模块引入MHSA(多头自注意力机制)结构,以增强水管破裂处的特征提取能力。试验结果表明,与原始的YOLOv5模型相比,改进后YOLOv5的mAP提升了4.9个百分点,达到了92.3%,Precision提升了2.3个百分点,达到了97.1%,而运行速度加快了27.52%;在模型体量方面,YOLOv5的参数量减少了18.67%,计算量减少了43.03%,模型减小了19.52%。可为实现对矿井供排水管破裂的快速准确检测提供借鉴。