关键词： 机器学习   K-means聚类   特征提取   人工神经网络  

摘要： 植物病害的准确检测和分类对作物的成功栽培至关重要。传统检测方法难以保障病害识别的高准确率。文章提出了一种基于图像处理技术的植物病害判别方法,旨在有效提高植物病害的判别精度。其中,首先对收集的原始图像进行去噪和增强处理;其次进行图像分割,将图像划分为多个具有相似属性的区域;接着输入感兴趣区域(ROI)的聚类编号,提取该区域的图像并进行特征提取;最终将提取的特征组合成特征向量,并将其作为输入传递给人工神经网络。通过大规模的训练数据和算法,人工神经网络能够学习和识别不同病害的特征和模式,从而实现对各种植物病害的准确识别与分类。

关键词： 分布式光纤传感技术   布里渊散射   信噪比   信号处理   图像处理   机器学习  

摘要： 分布式布里渊光纤传感技术在基础设施、轨道交通、海底光缆等领域的工程监测中逐步应用。布里渊解调系统光电信号的衰减与噪声影响导致长距离传感信噪比下降,限制了测量精度。研究者通过光脉冲编码、拉曼放大等方法提升信噪比,取得较好的效果,也增加了系统复杂度和设备成本。通过后端信号处理的方式提升系统性能,可降低硬件成本且易于迭代升级。本文回顾了近十年国内外布里渊光纤传感系统使用信号处理方式提高信噪比的方法,包括一维信号降噪、图像视频降噪和深度学习降噪技术,对这些技术进行了讨论分析,并对每种技术对系统性能的提升效果进行了对比,最后对分布式布里渊光纤传感技术信噪比提升技术发展前景进行了展望。

关键词： 水下目标检测   深度学习   视觉自注意力模型   注意力机制  

摘要： 针对光学成像技术受到光线衰减、散射等因素影响,图像质量和目标分辨率较差,不利于开展水下目标检测任务的问题,提出了一种高效水下目标检测框架IEMAyoloViT。该框架结合了改进Vision Transformer(ViT)主干的YOLOv8算法YOLOViT和一种融合多尺度高效空间注意力机制(Efficient Multi-scale Attention,EMA)的C2f模块,以解决目标特征提取过程中注意力分散的问题。同时改进了Inner-CIoU损失函数,基于不同尺度的辅助边界加速边界框回归。实验结果表明,在全国水下机器人大赛(Underwater Robot Professional Contest,URPC)2021数据集中,IEMAyoloViT的mAP50高达83.2%,较YOLOv8高9.2%;mAP50:95较YOLOv8高1.0%,证明了IEMAyoloViT的有效性和应用潜力。

关键词： 计算机视觉   点云分割   对比学习   自注意力机制   边界挖掘  

摘要： 基于深度学习的点云分割算法通过设计复杂的特征提取模块,可以对高维空间点云进行有效的分割.但由于缺乏对边界点集的特征挖掘,使得其对边界分割的精度欠佳.已有将对比学习思想用于点云分割以解决边界区域分割性能不足问题的研究中,忽略了点云无序和稀疏特性,特征提取不够准确.对此,设计了基于对比学习和标签挖掘的点云分割模型CL2M(contrastive learning label mining),通过自注意力机制学习不同位置处点云更为精准的特征,并引入对比学习方法,提高了点云边界处的分割精度.在对比边界学习过程中通过深入挖掘语义空间中的标签并设计了基于标签分布的对比边界学习模块,使得高维空间点云标签分布包含更多的语义信息.CL2M充分利用标签的分布规律计算分布间的距离,可准确划分正负样本,减少了常规硬划分带来的累计错误.在2个公开数据集上进行的实验结果表明,CL2M在多个评价指标上优于既有的点云分割模型,验证了模型的有效性.

关键词： 对抗样本   对抗训练   目标检测   电力巡检   鲁棒性  

摘要： 人工智能技术在电力巡检中的应用是重要的技术革新,特别是基于深度神经网络的目标检测技术,然而研究表明深度神经网络易受到对抗样本攻击,导致目标检测模型做出错误判断,增加电力系统的安全风险。文章面向基于深度学习的目标检测算法的对抗样本防御问题开展研究,致力于提升模型的鲁棒性的同时保持对干净样本的自然精度,提出基于对比学习复用扰动的对抗训练防御策略,利用SimCLR对比学习框架对模型进行对抗训练,使模型从特征层面学习对抗样本和干净样本的一致性,并采用复用扰动策略生成对抗样本,以提高对抗训练的效率。实验证明所提方法成功防御多种对抗攻击并保持对干净样本的精度,有效提升目标检测模型的鲁棒性,适用于在电力巡检领域面对复杂的场景时保持准确输出的能力,有效提升电力巡检的智能化水平。

关键词： 卷积神经网络   自然语言理解   计算机视觉   数据收集   智能时代   AI   智能化发展   安防  

摘要： 在科技迅猛发展的今天,人工智能(AI)正以其强大的力量重塑世界。纵观AI 1.0到AI 2.0的转变过程,AI 1.0以CNN卷积神经网络为核心,开启了感知智能时代,尤其在计算机视觉和自然语言理解领域取得了超越人类的成绩,为安防行业的智能化发展提供了核心动力,注入了新的活力。然而,AI 1.0在应用中也遭遇到一些瓶颈,如高昂的数据收集和标注成本,以及数据集和模型之间的孤立性,限制了其效能。

关键词： 目标检测   光伏故障   特征融合   融合注意力  

摘要： 针对红外图像对比度较低、故障特征不明显的问题,提出全新的融合注意力机制(fusion attention mechanism,FAM),增强有效故障特征信息。创建新的融合金字塔池化(fusion spatial pyramid pooling,FSPP),增强特征提取能力。引入一种改进多层次融合卷积(multi-level fusion convolution,MFConv),利用MFConv构建的多层次跨阶段局部网络(multi-level cross stage partial network,MCSP)模块代替CSP模块,在提高少量模型参数量情况下,增加模型检测准确性。实验结果表明,在IoU阈值为0.5的情况下,该方法的平均精度(mAP)达到了93.1%。为光伏系统提供了可靠、高效的故障检测解决方案,从而使其成为提高系统性能和降低维护费用的实用解决方案。

关键词： 混合式教学   中职   图形图像处理课程  

摘要： 随着信息技术的快速发展和教育信息化的深入推进,传统的中职图形图像处理课程教学模式已难以满足现代职业教育的需求。面对学生个体差异大、实践技能要求高、课堂参与度不足等问题,如何提高教学效果,成为亟待解决的难题。混合式教学模式通过将线上学习与线下教学有机结合,既能充分利用信息技术手段提供丰富的学习资源,又可以发挥传统课堂教学的优势。本文结合中职图形图像处理课程特点,期望能够探索构建一套科学合理的混合式教学实施方案,旨在提升学生的学习积极性和实践操作能力,培养符合时代要求的技能型人才。

关键词： 计算机视觉   模式识别   Vision Transformer(ViT)   深度学习   自注意力  

摘要： 视觉Transformer(Vision Transformer,ViT)是基于编码器-解码器结构的Transformer改进模型,已经被成功应用于计算机视觉领域。近几年基于ViT的研究层出不穷且效果显著,基于该模型的工作已经成为计算机视觉任务的重要研究方向,因此针对近年来ViT的发展进行概述。首先,简要回顾了ViT的基本原理及迁移过程,并分析了ViT模型的结构特点和优势;然后,根据各ViT变体模型的改进特点,归纳和梳理了基于ViT的主要骨干网络变体改进方向及其代表性改进模型,包括局部性改进、结构改进、自监督、轻量化及效率改进等改进方向,并对其进行分析比较;最后,讨论了当前ViT及其改进模型仍存在的不足,对ViT未来的研究方向进行了展望。可以作为研究人员进行基于ViT骨干网络的研究时选择深度学习相关方法的一个权衡和参考。

关键词： 环视图像   三维目标检测   注意力机制   时序融合  

摘要： 为了解决当前基于环视图像的纯视觉三维目标检测算法难以兼顾、均衡精度和计算速度的问题,提出一种基于改进DETR3D的环视图像三维目标检测算法。算法整体框架基于DETR3D的编码器解码器架构:在图像特征提取分支外增加3D位置编码器以增强图像特征,为物体查询向量定义两个分量来表示物体边界框和实例特征;在解码器部分引入基于欧氏距离的多尺度自适应注意力机制以捕捉3D空间中的多尺度信息,提高对于自动驾驶场景中复杂多样物体的检测能力;在特征采样部分引入时序信息,通过连续多帧图像的特征对齐来提高当前帧下的物体检测精度,并使用多点采样提高采样过程的鲁棒性。在nuScenes数据集上进行实验,实验结果表明,和基准算法相比,所提算法在检测精度和计算速度方面分别提高了17.1%和4.22倍,且能够检测出遮挡环境下的物体。