关键词： Photoshop神经网络滤镜技术   图像处理   深度学习   电商图像优化   系统设计  

摘要： 随着人工智能技术的发展，Photoshop神经网络滤镜技术在图像处理领域得到了广泛应用。该技术起源于传统图像处理的滤镜技术，通过神经网络的深度学习能力，实现了更加智能化和个性化的图像优化。本文概述了Photoshop神经网络滤镜技术的起源和发展，详细介绍了其技术框架，包括层次结构解析和数据传递交互机制。深入探讨了滤镜算法的设计与优化，包括核心算法原理和优化策略。

关键词： 图像去雾   航拍图像   深度学习   图像恢复   计算机视觉  

摘要： 图像去雾技术致力于从受雾影响的图像中恢复出清晰的无雾图像。由于大气条件的影响，航拍图像经常遭受雾气干扰，导致图像退化。现有的深度学习方法在处理有雾航拍图像时，往往难以充分应对航拍图像中广泛的场景和丰富的细节。为应对这一挑战，本文开发了一种适用于航拍图像的高效去雾模型。该模型包括细节增强模块和雾气自适应模块两个关键组件。细节增强模块采用多分支结构增强模型对图像细节特征的捕捉能力，并通过重参数化技术简化了推理过程。雾气自适应模块则利用局部和全局注意力机制，灵活处理图像中不均匀分布的雾气，以实现更良好的去雾效果。经试验验证，本文所提出的模型在去雾性能上表现出色，并且具有很高的运行效率。研究成果不仅为航拍图像去雾领域提供了一种快速且高效的解决方案，而且对于推动后续相关算法在航拍图像上的应用具有重要意义。

关键词： 多目标跟踪   扩散模型   条件扩散模型   多模态融合   计算机视觉  

摘要： 随着航空业的快速发展,机场场面多目标跟踪技术在提升安全性和运行效率方面具有重要意义。多目标跟踪作为计算机视觉领域的核心任务之一,在机场场景下面临目标遮挡、复杂背景及多源信息融合等挑战。本文基于扩散模型提出了两种创新的多飞机目标跟踪算法,结合RGB视觉数据与多源数据(RGB视觉+ADS-B信号),旨在优化机场场景下多目标跟踪的性能。论文共分为五章,系统研究了多目标跟踪任务与扩散模型的理论基础,并提出了两种改进算法,通过实验验证了其优越性。以下为主要内容与创新点: (1)本文回顾了多目标跟踪及飞行器跟踪的研究现状,指出在机场场景下,多目标跟踪面临遮挡和背景干扰等挑战,同时介绍了扩散模型的数学框架及其在生成任务中的应用潜力。文章以Deep SORT为例,分析了目标检测与数据关联的经典范式,并梳理了常见数据集与评价指标;同时又以DDPM为例,推导了扩散模型的前向加噪与逆向去噪过程,强调其数学严谨性与训练方法。这些内容为算法设计提供了理论支持。 (2)本文提出基于扩散模型的RGB视觉多目标跟踪算法Improv-Diffusion Track。该算法将多目标跟踪视为一致性检测任务,通过改进主干网络(引入深度可分离卷积与注意力机制)、扩散头(设计多帧空时融合模块)及损失函数(结合关联分数预测),优化了目标检测与空时特征提取等子任务。在AGVS-T24数据集上的实验表明,相较于基准算法Diffusion Track,该方法显著提升了跟踪精度,消融实验进一步验证了各改进模块的有效性。 (3)本文针对机场场景的多源信息特性,提出基于条件扩散模型的多源多目标跟踪算法Condi-Diffusion Track。通过将ADS-B信号嵌入作为条件指导,利用Classifier-free方案融合RGB视觉数据与信号特征,并设计交叉注意力机制与软损失函数,使预测边界框更贴近ADS-B信号坐标。在AGVS-T24混合标注ADS-B信号的数据集上,该算法在MOTA等指标上较RGB视觉方案进一步提升,证明了多源信息融合的优越性。 综上,本文通过Improv-Diffusion Track(RGB视觉)和Condi-Diffusion Track(RGB视觉+ADS-B信号)方案构建适用于机场场景的多目标跟踪算法。实验结果表明,两种方法在AGVS-T24数据集上均表现出色,MOTA等指标分别较基线提升显著。

关键词： 暗光增强   目标检测   目标跟踪   相似度矩阵融合  

摘要： 目前人们日益重视生命安全,强调安全施工与规范作业。建筑行业属于高风险的行业,作业人员在施工过程中面临着各类危险和风险,需严格遵循操作规范并佩戴防护装备。利用自动化技术检测与跟踪工地人员,可有效监测作业行为。然而,工地环境复杂多变,且常常存在夜间施工的需求,光照和遮挡等因素都会对图像质量和人员以及防护装备识别造成影响,使得在该工地环境下人员检测和跟踪变得更加困难。本文从建筑工地暗光目标检测与跟踪面临的困难出发,研究了建筑工地暗光场景中作业人员及安全防护装备的检测和跟踪。本文的研究内容如下: (1)针对建筑工地暗光环境场景下的作业人员及安全防护装备的目标检测精度低问题,提出了工人及其防护装备检测算法PPE-YOLO。首先构建了一个适用于检测建筑工地暗光情形下作业人员个人防护装备穿戴PPELL数据集。然后设计了PPE-YOLO算法,采用基于空间和通道注意力的图像增强模块对暗光图像进行增强,采用快速空间金字塔软池化层尽可能地保留对安全帽和安全服装等小目标的细节信息,引入基于Wasserstein距离的目标度量方法并重新构建PPE-YOLO算法的损失函数,并在检测部分增加一个检测头以更好地利用浅层信息。最后,基于PPELL数据集进行了对比实验和消融实验,PPE-YOLO在准确率、召回率及m AP@0.5上分别达到85.3%、87.6%和87.1%,验证了算法的有效性。 (2)针对建筑工地暗光环境下作业人员跟踪中的轨迹消失与ID切换问题,提出了作业人员跟踪算法TCS-Strong SORT。在TCS-Strong SORT算法中,采用融合了上下文锚点注意力机制的压缩网络作为特征提取网络,结合加速稳健特征算法SURF快速提取检测框与预测框目标外观特征信息,构建SURF特征相似度矩阵,与使用卷积语义特征和位置信息构建成的相似度矩阵进行融合,形成一个新的代价矩阵。针对在建筑工地暗光环境的场景,在MOT16数据集中添加了5段建筑工地夜间施工的图像。TCS-Strong SORT算法在多目标跟踪准确度和身份识别F1值分别为56.6%和62.99%,身份切换次数为435次,验证了算法的有效性。

关键词： 水下坝体缺陷   YOLOv8模型   RT-DETR模型   图像模糊   深度学习   目标检测  

摘要： 水下特殊环境导致坝体表面容易受到侵蚀、裂缝、剥落等缺陷的影响,这些缺陷若不及时检测和处理,会存在严重的安全隐患。针对当前检测技术存在的“全区域精细扫描耗时过长”与“快速普查精度不足导致漏检”双重困境,为突破传统单阶段检测在效率与精度上的矛盾,本文提出“先粗后精”的多阶段递进式检测方案。第一阶段,对水下坝体进行粗略快速检测,利用水下坝体缺陷信息快速捕捉疑似缺陷区域;第二阶段,对疑似缺陷区域进行精细判别,实现快速对坝体的检测任务。最后设计并实现了一个水下坝体缺陷检测系统,用来验证本文提出方法的实用性。论文的主要内容如下: (1)针对多阶段快速检测方法的实验数据集缺少的问题,本研究通过网络搜集和实地采集等方式,构建了水下坝体疑似缺陷数据集和模糊水下坝体缺陷数据集。并对图像进行图像翻转、直方图均衡化、色彩空间转换等方式处理,提升了数据集的多样性和质量,为检测模型提供了更丰富的特征信息。 (2)在进行第一阶段的水下坝体疑似缺陷区域检测过程中,存在部分尺度较小的缺陷目标,同时水下特殊环境中缺陷周围常有苔藓、水草等附着物的生长。这些附着物在形态和分布上与缺陷目标较为相似,使网络检测时出现漏检和误检的问题。为解决此问题,本文提出一种基于改进RT-DETR模型的水下坝体疑似缺陷快速检测方法。首先,本文提出轻量注意力卷积模块并基于此模块构建主干网络,此模块不仅提升了网络的特征提取能力,还对网络结构进行了轻量化;接着,本文提出多尺度特征融合模块,该模块结合深层特征信息和浅层特征信息,提升网络的对小目标和和弱特征的表征;最后,本文提出局部-全局注意力模块结合网络的局部和全局特征,增强了对复杂目标的识别与定位能力。最后将所提方法在本文所搭建的水下坝体疑似目标数据集上进行了实验验证。实验表明,该模型对水下坝体疑似目标的检测具有较高的准确率。 (3)在第二阶段的水下坝体精细化检测过程中,由于水流扰动带动水中悬浮物和水中散射效应的存在,导致图像成像模糊,进而使得网络检测精度降低。为解决此问题,本文提出一种基于改进YOLOv8模型的模糊水下坝体缺陷精细检测方法。该方法基于本文提出的重参数化特征增强与聚合模块构建了新主干网络,此模块不仅提升网络的特征提取能力,且使网络轻量化;同时改进网络的颈部网络,利用本文提出的跨通道信息融合模块结合多层的特征信息,增强网络对模糊图像中弱特征的表达能力;最后改进损失函数提升网络边界框的回归精度。将本章提出的方法在模糊水下坝体缺陷检测数据集上进行了实验验证。实验验证表明,该模型在模糊水下坝体缺陷精细检测中具有较高的准确率和检测速度,并能同时识别和定位多种类别的缺陷。 (4)为验证本文提出的算法在实际中的实用性,本文设计了一个水下坝体缺陷智能检测系统。本文通过分析实际的工程需求、并针对用户在使用系统中存在的问题,设计了水下坝体缺陷智能检测系统。本系统使用Pyqt5开发了水下坝体缺陷检测界面,并在系统内内置了所提检测算法。

关键词： 深度学习   目标检测   轻量化   模型剪枝   知识蒸馏  

摘要： 随着农业智能化进程加速,番茄等果蔬的实时检测成为提升采摘效率与质量的关键。人工采摘耗时耗力,传统深度学习模型漏检率高、精度不足。现有研究尝试提高检测精度,但面临模型复杂度高、资源消耗大等问题,难以适配农业边缘采摘设备的算力限制。本文针对农业番茄采摘设备对目标番茄高精度、轻量化的实时检测需求,进行了如下研究: (1)针对数据集样本处于不同场景中图片数量有限问题,本研究提出了一种动态组合策略扩增番茄数据集。通过旋转、剪裁、翻转、加噪等数据增强技术随机组合,模拟真实环境中光照、遮挡、目标多角度分布等情况。数据集由原先1,000张图扩增至8,000张,有效避免因数据分布不均造成过拟合。 (2)针对智能番茄采摘设备高精度检测需求问题,本研究提出了一种基于YOLOv8n改进的成熟番茄检测算法。首先,将Backbone中C2f替换为C2f-ESE,引入更加高效通道注意力机制。随后,将Neck模块从原PAN-FPN架构替换为BFRep结构(Bi Fusion+Rep Block),增强模型对目标特征的关注。最后,重构解耦头,利用PConv卷积使模型整体更加轻量化。实验结果表明,改进后的YOLOv8n检测精度提升2.3%,模型大小变为3.8M。 (3)针对深度网络中存在大量对检测贡献度低的冗余权重问题,本研究采用LAMP剪枝进行轻量化处理。设置剪枝前后参数比为3.0,对主干网络和检测头进行剪枝操作。实验表明,剪枝后改进模型参数减少73.4%,模型大小为1.2M,CPU上每秒检测帧率提升37.3%。 (4)针对剪枝导致的模型精度轻微下降问题,本研究提出混合蒸馏策略。通过结合逻辑蒸馏与特征蒸馏,利用教师模型的知识指导学生模型恢复性能。实验表明,蒸馏后的模型精度较剪枝后提升1.3%。模型满足农业边缘设备的部署条件,最后将模型部署在番茄采摘设备中。 图[45]表[13]参[64]

关键词： 图像联合双边滤波   电子元器件   表面缺陷提取   图像处理   SVM分类器   提取精度  

摘要： 为了有效解决高精度电子元器件表面缺陷提取精度偏低的问题，提出一种基于图像联合双边滤波的电子元器件表面缺陷视觉提取方法。该方法引入了机器视觉采集样本图像以及判断元器件表面图像有无缺陷，并构建SVM分类模型分类缺陷，将完成分类的电子器件表面光学图像作为输入，采用高斯函数计算获取图像的空间距离权值和灰度权值，将得到的权值相乘得到联合滤波值，构建联合双边滤波器。利用滤波器完成电子元器件表面缺陷图像滤波处理，并通过Gabor提取电子元器件表面缺陷。分析结果表明，所设计的方法可以有效提升缺陷提取速度和精度，并且平均交并比取值在0.96以上，具有良好的电子元器件表面缺陷提取性能。

关键词： 毫米波引信   锥旋运动   Keystone变换   运动近似  

摘要： 在炮弹攻击目标的过程中，由于锥旋运动的存在导致毫米波引信回波出现距离走动问题，无法准确测距，对炮弹攻击的准确性产生影响。为解决该问题，首先结合实际情况构建了弹头的锥旋运动模型并进行理论推导，得到影响距离走动的主要参数及锥旋引起的回波延时；然后通过将锥旋运动近似为匀减速运动实现相参积累和加速度补偿，并采用Keystone变换进行距离维的运动补偿；最后利用二维快速傅里叶变换实现测距。为了验证检测性能的准确性，采用蒙特卡洛实验进行分析。仿真结果表明，俯仰角、方位角及锥旋角对锥旋引起的距离走动均存在影响，采用Keystone变换的方法可以对存在的距离走动现象进行有效补偿。