关键词： 目标检测   红外弱小目标   信息补偿   全局目标响应   非对称交叉融合  

摘要： 针对红外弱小目标容易在网络迭代过程中损失纹理细节信息,从而导致目标定位和轮廓分割的准确性下降的问题,提出一种基于信息补偿的红外弱小目标检测方法。首先,利用图像特征提取(IFE)模块编码红外源图像的浅层细节及深层语义特征;其次,构建多级信息补偿(MIC)模块通过聚合相邻级别的特征对编码阶段下采样后的特征进行信息补偿;随后,引入全局目标响应(GTR)模块联合特征图的全局上下文信息对卷积局部性的限制进行补偿;最后,构建非对称交叉融合(ACF)模块对浅层和深层特征进行融合,以实现目标解码时纹理信息与位置信息的保留,进而完成对红外弱小目标的检测。在公开的NUAA-SIRST(Nanjing University of Aeronautics and Astronautics-Singleframe InfraRed Small Target)和NUDT-SIRST(National University of Defense Technology-Single-frame InfraRed Small Target)混合数据集上训练和测试的实验结果表明,与UIUNet(U-Net in U-Net Network)、LSPM(Local Similarity Pyramid Modules)和DNANet(Dense Nested Attention Network)等方法相比,所提方法在交并比(IoU)上分别提高了9.2、8.9和5.5个百分点,在F1分数(F1-Score)上分别提高了6.0、5.4和3.1个百分点。以上表明所提方法对红外复杂背景图像中的弱小目标可以实现准确检测和有效分割。

关键词： 人工智能   计算机视觉   视觉算法   铁路安全   异物入侵监测   深度学习   铁路线路  

摘要： 铁路线路异物入侵是威胁列车运行安全的严重问题之一,现有的智能识别系统在解决数据稀缺和异物种类多样性等问题时面临巨大挑战。针对上述问题,提出一种基于人工智能大模型的铁路线路异物入侵智能识别方法,基于预训练大模型的特征提取能力和泛化性能,通过对大模型结构深度和宽度的扩展,结合迁移学习策略,微调使其适应铁路线路异物识别任务。实验结果表明,基于人工智能大模型的异物入侵检测算法,能够显著减少对标注数据的依赖。在面对训练数据有限和未知异物类别多样的问题时,能实现较高的检测准确率和实时性能,显示出其在复杂环境中处理未知多变异物入侵的强大能力。

关键词： 城市作战   目标检测   YOLOv7   PCAC-YOLO   无人机视角  

摘要： 无人机在城市作战的复杂环境中,目标对象不仅种类繁多且密集分布,极易遭遇相互遮挡的情况;此外,由于无人机视角下的目标尺寸显著缩小,因此,检测过程中会出现漏检和误检的问题出现。针对以上问题提出了一种无人机目标检测算法PCAC-YOLO。为了增强遮挡目标边缘信息的表征能力,通过裁剪CBS层和添加基于相似度的激活模块(Similarity-Aware Activation Module,SimAM)注意力机制,设计了新的空间池化连接自注意力机制(Spatial Pooling Connect Self-Attention Mechanisms,SPCSM)模块。同时引入卷积特征提取模块Conv2Former,提高了模型对小目标特征的关注能力。实验结果表明,在AU-AIR数据集中,相较于原始的YOLOv7算法,Precision值增加至52.8%,提升了14.1%;mAP@0.5值增加至41.4%,提升了6.1%;mAP@0.5:0.95|small值为16.2%,提升了1.7%。该目标算法有效提升了在城市作战环境无人机视角下的目标检测准确率,证明了设计算法的有效性。

关键词： Faster R-CNN   光伏并网变电站   故障检测   图像处理   目标检测  

摘要： 提出了一种基于Faster R-CNN的图像处理方法,用于光伏并网变电站的运行故障检测。该方法首先对变电站的实时图像进行预处理,然后利用Faster R-CNN模型进行特征提取和区域建议,在标注的故障数据集上训练模型,实现了对光伏组件、连接线和设备故障的高效检测。实验结果表明,该方法能够准确地检测出多种类型的故障,显著提高了变电站运行的安全性和可靠性。

关键词： 低照度图像   目标检测   增强网络   频域处理   幅度差异损失   回归损失  

摘要： 针对低照度图像目标检测的挑战,提出一种端到端检测方法FDLIE-YOLO。首先,设计频域处理模块FDPB(Frequency Domain Processing Block),采用傅里叶变换提取全局信息,从而获取估计幅度分量,利用其与亮度的正相关关系,提升低光照图像质量,进而构建频域低照度图像增强网络FDLIENet(Frequency Domain Low-light Image Enhancement Network)。然后,使用YOLOv8n进行目标检测,通过联合损失实现图像增强与目标检测的端到端训练。该损失引入马氏距离的幅度差异损失,以精准调整图像幅度,并用MPDIoU(Minimum Point Distance based IoU)损失取代YOLOv8n原有的回归损失,提高检测准确性。实验结果显示,FDLIENet在低照度环境下的图像增强表现显著,在LOLReal和ExDark数据集上的PSNR、SSIM和NIQE指标分别达到23.18 dB、0.858和3.98;FDLIEYOLO在ExDark数据集,平均精度均值mAP为80.6%,较当前主流端到端检测方法提高了1.1%~1.6%,且实时性好。

关键词： 图像处理   特征参数   支持向量机   谱系聚类法  

摘要： 利用图像处理的方法对220类树叶,共计16846张树叶图像进行研究。对预处理的树叶图像从形状、叶裂和颜色3个方面进行研究并分别建立模型,计算给定一片树叶属于某一类的概率。根据提取的特征参数,利用支持向量机(SVM)进行学习,并对测试集进行分类。利用描述叶子的各种特征参数,以类间距离度量220类树叶之间的相似度,再利用无监督谱系聚类法绘制谱系图。实验中,将数据以不同比例划分为训练集和测试集,得到不同的正确率,其中,当训练集为80%,测试集为20%时,模型的正确率是最高的。

关键词： 遥感图像   深度学习   目标检测   多感受野融合  

摘要： 以广距鸟瞰视角拍摄获取的遥感图像通常具有目标种类多、尺度变化大以及背景信息丰富等特点,为目标检测任务带来巨大挑战。针对遥感图像成像特点,该文设计一种上下文感知多感受野融合网络,通过充分挖掘深度网络中遥感图像在不同尺寸特征描述下所包含的上下文关联信息,提高图像特征描述力,进而提升遥感目标检测精度。首先,在特征金字塔前4层网络中构建了感受野扩张模块,通过扩大网络在不同尺度特征图上的感受野范围,增强网络对不同尺度遥感目标的感知能力;进一步,构建了高层特征聚合模块,通过将特征金字塔网络中高层语义信息聚合到低层特征中,从而将特征图中所包含的多尺度上下文信息进行有效融合;最后,在双阶段定向目标检测框架下设计了特征细化区域建议网络。通过对一阶段提案进行精细化处理,提升提案准确性,进而提高二阶段兴趣区域对齐网络得到的不同成像方向下的遥感目标检测性能。在公测数据集DIOR-R和HRSC2016上的定性和定量的对比实验结果证明,所提方法对不同种类和尺度大小的遥感目标均能实现更加准确的检测。

关键词： 目标检测   联合优化   YOLOv8   复杂天气   图像去噪  

摘要： 针对自动驾驶车辆视觉感知系统在雾天、雨天等复杂天气下因环境噪声导致目标检测效果不佳的问题,提出基于自适应图像去噪与多重关注的联合优化目标检测算法(DMC-YOLO)。构建一个图像去噪网络,融合暗通道先验算法和ACE图像增强技术模块,提升复杂天气下的图像质量;进一步地,将该网络与YOLOv8主干网络相连,并在YOLOv8网络中运用SCDonw卷积代替标准卷积,集成点卷积与深度卷积,降低网络计算成本,同时获得更丰富的下采样信息;采用SEAM注意力模块,整合网络局部信息和全局信息;引入SA检测头,广泛关注上下文特征以保留更多细节信息;在损失函数中引入线性区间映射重构IoU,以提升网络对于不同复杂环境的适应性。实验结果表明,相较于基线模型,改进算法在参数量降低15%的情况下,平均精度提升2.9%,有效增强了自动驾驶车辆在复杂环境下对目标的识别能力,在EC-R3588SPC和Nvidia Jetson NX边缘设备上部署效果良好,可以满足复杂天气下的实时检测需求。

关键词： 多曝光图像融合   多尺度分解   引导滤波   计算机视觉   图像增强  

摘要： 普通的成像设备易受光照影响,过曝光或欠曝光都会导致图像质量下降,难以满足人们的需求。基于此,许多学者提出了曝光图像处理算法,通过将多幅不同曝光程度的图像进行合成,实现曝光图像质量的提升。在现有算法的基础上提出了一种多曝光图像融合算法,将图像在HSV空间进行基于引导滤波的多尺度分解,将图像分解为细节层和基础层。通过赋予细节层和基础层不同的权重来完成细节层与基础层的融合。将细节层和基础层进行叠加,同时将融合后的图像转回到RGB色彩空间来完成对曝光图像的处理。实验结果表明,提出的算法能够较好地完成多曝光图像的融合,保留图像细节,与对比算法相比有较好的融合性能。

关键词： 分布式光伏   深度学习   目标检测   行为分析  

摘要： 文章提出一种基于深度学习算法的人员违章识别分析方法,旨在通过自动分析现场监控视频,实现对分布式光伏项目建设过程中人员违章行为的快速检测和分类。基于多特征融合的图像分割算法,结合目标检测和行为分析算法,判断是否存在违章行为。试验结果表明,文章提出的方法在分布式光伏项目中具有较高的准确性和实时性。通过对实际监控视频的分析,能够准确检测出人员违章行为,并对其进行分类。这种方法不仅提高了监控效率,避免了人员违章行为影响项目进度,减少了安全事故的发生,还为人员违章的监管和预防提供了有效技术支持。