关键词： 目标检测   半监督学习   特征对齐   特征金字塔   ASFF  

摘要： 目的针对半监督目标检测导致数据特征表示不充分,数据样本类不均衡等问题,提出一种基于特征对齐和特征融合的半监督目标检测方法。方法在常见的半监督目标检测框架中,伪标签是完全根据分类分数生成的,然而,高置信度预测并不总是保证准确的bbox定位。为了解决定位不准确问题和特征表示不充分问题,受Consistent Teacher中的FAM-3D算法启发,考虑分类和定位的最优特征可能在不同尺度上,引入T-head特征对齐头算法,在Unbiased Teacher V2中成功地将分类和定位分支进行对齐,并且引入ASFF,通过空间过滤冲突信息的方法来抑制不一致性,从而提高了特征的尺度不变性,实现特征在空间上的融合;通过学习不同特征图之间的联系来解决特征金字塔内部的不一致性问题。结果根据实验结果,改进的算法在COCO数据集、VOC数据集上都有一定的比例提升。结论改进的算法可以有效减轻数据表示不充分和数据样本类不均衡问题,同时也提高了算法的精度。

关键词： 自动驾驶   目标检测与识别   贝叶斯网络   雷视融合   参数学习  

摘要： 随着自动驾驶技术的发展,精确的目标检测与识别成为确保行车安全的关键。现有的基于贝叶斯网络的目标检测方法大多局限于单一传感器数据,未能充分利用多传感器数据的互补性。该文提出了一种基于贝叶斯网络的雷视融合目标检测和识别方法,旨在通过融合雷达和视觉传感器数据提高检测的准确性和鲁棒性。该文构建了一个多层次贝叶斯网络模型,用于表示两种传感器数据间的依赖关系,并设计了一种新的参数学习算法来优化网络参数。此外,提出了一个基于网络推理的检测流程,实现了对目标的快速且准确检测。在标准数据集上的实验结果表明,与现有技术相比,该方法在多个评估指标上均有显著提升,包括准确率、召回率和F1分数,同时保持了较低的计算复杂度,能够实现实时的目标检测,适合实时处理需求。该研究还探讨了模型的泛化能力和潜在的应用场景,为自动驾驶车辆的感知系统提供了一种有效的解决方案。

关键词： 图像处理   行人检测   红外场景   模型优化   YOLOv5算法  

摘要： 针对倾斜视角下的红外行人小目标难以快速准确检测的问题,提出了一种红外行人小目标轻量化实时检测网络模型DRA-YOLO。首先,使用K-means++锚框聚类自适应不同大小尺度目标,从而加快网络收敛并提高检测精度。其次,融入不同注意力机制来重新设计特征提取网络,提高特征定位与计算效率,并搭配改进特征金字塔结构提取关键特征和提升模型稳定性。最后,颈部去掉下采样重新搭配SimAM形成新的特征融合结构,并重新设计检测头来适应本文数据集。对比实验显示,相对原始YOLOv5s模型,在自制和公共数据集上表现突出。m AP50达到94.5%,检测速度提高20.8%,模型大小压缩至10.1 MB,降低了30.3%,且GFLOPs下降了29.1%。这些改进实现了对目标的准确快速检测,有效地平衡了模型大小、检测精度和推理速度。

关键词： 水平集   太赫兹图像   太赫兹安检   图像分割   图像处理  

摘要： 为了能分割被动式太赫兹图像中的多亮温目标,满足太赫兹安检系统对不同亮温目标进行提取的需求,提出了一种基于多相水平集的被动式太赫兹图像分割方法。传统的单个水平集函数的方法仅能将图像划分为两个区域,当图像中存在多种亮温的目标物体时,不能将其完全提取出来。而该方法采用了多个水平集函数进行演化,能将图像分割成多个区域,满足分割多亮温物体的需要。使用多相水平集方法对多种目标物体进行处理,实验结果表明,该方法能够将被动式太赫兹图像中人体衣物下隐藏的多种亮温目标物体提取出来,比单个水平集的方法提高了准确性。

关键词： 棉花   颜色分级   图像处理   深度学习   颜色检测   神经网络   检测技术  

摘要： 随着图像处理的迅猛发展,其已经成为纺织行业创新及生产效率提升的重要动力之一。在纺织行业,图像处理主要应用于纤维检测、布料检测、服装设计与制作等环节。这项技术可以通过图像采集与分析,实现自动化监控和质量控制,从而提高纺织品的质量和生产效率。传统的棉花颜色分级方法受多种因素限制,诸如人工检验的主观性以及HVI(大容量棉花纤维检测仪)方法的高成本和破坏性。针对这些不足,介绍了图像处理的原理和在棉花颜色分级方面的优势,综述了传统图像处理和基于深度学习的图像处理在现有研究中的应用状况,探讨了各种检测方法及其优缺点,并对未来图像处理在棉花颜色分级的自动化与智能化中的发展进行了展望。

关键词： YOLOv10   人工智能生成内容(AIGC)   扩散模型   目标检测   图像生成   反馈修正  

摘要： 近年来随着人工智能生成内容(AIGC)的发展,图文生成技术取得了显著的进步。然而由于现有大模型本身的技术问题,会存在复杂prompt描述下生成的图片与文本内容不一致且目标完整性不足的问题。为此,文章提出一种基于YOLOv10目标检测和反馈修正机制的AIGC图文生成优化方法。首先,对大模型输入文本指令提示词,让其根据文本指令生成初步图像;接着,应用YOLOv10对生成的初步图像进行目标检测,检测的对象即为文本内容中突出的几个对象;然后将检测到的问题图像和标注信息反馈给扩散模型,扩散模型根据这些反馈对图像进行局部修复,修正缺失的目标或调整目标的位置。实验结果表明,该方法能够显著提高生成图像的目标完整性和与文本描述的对象一致性,与传统方法相比,该机制能够有效地处理生成图像中的问题。其方法为AIGC领域中图像生成与优化提供了一种新的思路和方法。

关键词： 遥感影像   R-GCN   HRNet   超像素   语义分割   图像处理  

摘要： 遥感影像语义分割是遥感图像处理分析的重要任务,尤其是在多类别语义分割方面。目前方法主要围绕卷积神经网络展开,但卷积仅关注图像局部信息而忽视全局信息。因此,受高分辨率网络(HRNet)和关系图卷积网络(R-GCN)启发,提出一种高分辨率关系图卷积网络(HRGCN),用于多类别语义分割。首先对原始图像做简单线性迭代聚类(SLIC),利用该结果分割HRNet输出的特征图,获得同质性高且包含多分辨率信息的超像素块;然后基于超像素块构建图节点和边,使用R-GCN对图节点分类,从而学习到不同地物间长距离依赖关系,并完成遥感影像的提取分类。利用HRGCN模型在Potsdam和Vaihingen数据集上进行实验,将结果与已有方法对比,F_(1)值和MIoU值均有不同程度提升,证明该方法具有较好的先进性。

关键词： 全聚焦检测   深度学习   焊缝缺陷   特征融合  

摘要： 金属焊接结构的缺陷会导致关键设备在服役过程中产生严重危害,传统的缺陷识别主要以人工检测为主,但实际检测数据量庞大,而且缺陷形状和大小各异,导致检测结果容易受各种因素影响。提出基于多层特征融合目标检测网络对钢板焊缝的超声全聚焦图像进行智能识别。由于超声图像中缺陷的像素占比低且存在较多噪声和伪影等,使用具有特征复用且参数更少的Dense Net(Dense convolutional network)换原有的VGG(Visual geometry group)主干网络以优化模型的计算资源和速度。同时嵌入多层网络融合模块,将上下相邻网络特征图进行融合,充分结合大尺寸特征与小尺寸特征,提高模型的检测能力。此外,还嵌入空间注意力机制来增强缺陷信息并抑制背景噪声,最后将原有SSD(Singleshotmultiboxdetector)中的交并比(Intersection over union,Io U)非极大值抑制算法替换为距离交并比(Distance-IoU,DIoU),以更好地检测缺陷图像中间距较小的缺陷。利用仿真和试验获取典型焊缝缺陷的超声全聚焦数据集进行模型测试,结果表明,该模型比原有SSD模型平均AP值(Mean average precision,mAP)提高了10.45%,检测帧率(Frames per second,FPS)提高了17%。提出的多层特征融合目标检测网络可以用于大批量焊接钢结构超声全聚焦检测结果的快速、准确、自动识别。

关键词： 现代化城市监控系统   目标跟踪   动态主动解析   监控设备参数化  

摘要： 随着城市化与科技发展,现代化城市监控系统愈显重要。目标跟踪技术作为提升系统分析效能的关键,当前仍依赖于高密度监控设施与强大算力,且易受复杂场景更替和目标遮挡等影响,需人工介入以确保跟踪效率和稳定性。为此,提出一种创新的技术框架,通过监控设备参数化、可视范围映射、虚实场景融合等手段,以多监控动态主动解析方式替代传统被动跟踪技术路线。实验结果表明,该技术可将跟踪任务处理时间缩短为原先的1/48,解析设备数量由360个降至75个,显著降低系统部署难度,提升跟踪效率,为城市监控系统的智慧化应用提供新思路。

关键词： 交通信息工程   交通流检测   深度学习   转弯车辆   目标检测   车辆跟踪  

摘要： 为方便统计转弯车流量,并提升交叉口转弯车流量的检测速度与精度,提出基于深度学习的方法对城市交叉口转弯车流量进行检测、跟踪和计数。首先,通过对比分析选用轻量高效的YOLOv5s作为目标检测框架,并采用无人机(unmanned aerial vehicle,UAV)航拍方式获取城市交叉口交通流视频,自建车辆航拍图像数据集;利用预训练权重及最新权重文件完成自建数据集的训练与推理;模型评估表明,基于YOLOv5的车辆检测模型具有较高的检测速度与精度:其中模型的box_loss值迅速下降并稳定在0.038,mAP_0.5值迅速上升并保持在0.91附近;之后,对接DeepSORT模型作为后端多车辆跟踪算法,通过坐标转换以简化车辆轨迹提取,并对行驶轨迹线展开有效性判断;针对检测框角点跃变现象,提出角点-质心点坐标变换以强化轨迹点的坐标信息鲁棒性,且采用六次多项式拟合车辆轨迹线,将不满足函数映射要求的轨迹线进行旋转优化,以正常拟合全部轨迹;最后根据预设的转弯角度判定阈值,实现转弯车辆的检测与计数。为验证所提出的转弯车流量检测方法的有效性,以某一城市交叉口为例进行车辆检测实验,对比分析人工计数值和本方法检测结果。结果表明:4个流向平均检测精度为92.9%,最高可达95.7%,能够满足实际交叉口场景转弯车流量的常规检测要求。