关键词： 计算机视觉   目标跟踪   目标遮挡   多尺度   特征融合   时间显著注意力  

摘要： 针对现有孪生神经网络仅利用空间信息,面对目标遮挡、消失、表观剧烈形变等挑战造成跟踪准确度下降问题,提出一种时间显著注意力孪生跟踪网络。该网络通过信息交换“桥梁”,一方面为当前帧添加时间显著注意力,引导网络重点学习目标特征;另一方面对内存网络中历史目标特征进行筛选,将其作为附加模板,提供目标额外表观信息,同时遵循学习目标表观信息与空间位置的变化规律,指导后续检测、分类过程。为提高时间显著注意力能力,提出多尺度特征提取单元,解决骨干网络特征提取不充分的问题。在Got-10k数据集上进行模型测试,与目标跟踪算法时空记忆网络(STMTrack)相比,AO值提高2.4%。可视化结果显示,注意力挛生跟踪网络在目标遮挡、消失等挑战中,具有更高准确性。

关键词： 表计读数识别   目标检测   概率霍夫变换   轮廓检测   深度学习   指针式仪表  

摘要： 由于户外场景下智能巡视表计设备采集图像时会受光照条件影响,设备采集图像质量较低,因而难以实现表计的准确读数。为此,该文首先提出一种户外场景下巡视表计的方法。该方法分为表盘检测与读数检测两部分,通过训练表盘特征高效检测模型进行表盘检测后,将检测到的候选框图像进行预处理以及基于轮廓检测的二值图重构,然后在上述二值图中依次进行起始刻度线检测、指针检测,最后使用角度法获得表计读数。经实验验证,该文方法可以克服户外场景下表计图像存在的图像模糊、反光以及存在阳光阴影等低成像质量的影响,在5种常见光照场景下的表盘目标平均误检率与平均漏检率分别为1.005%与0.505%,单张图像检测平均耗时28.1 ms,读数检测准确率为93.91%,对于复杂光照场景下的变电站指针式表计读数具有适用性与有效性。

关键词： 目标跟踪   特征融合   背景感知   相关滤波   置信度更新   响应峰值   自适应融合  

摘要： 针对采用固定权重融合响应的互补学习跟踪算法存在的背景信息不足,训练特征单一以及模型更新策略差所导致的跟踪性能不佳的问题,提出一种背景感知与响应自适应融合的相关滤波跟踪算法。融合HOG和CN特征,将目标周围背景信息块作为正则项学习至相关滤波器中;提出一种相对峰值能量置信度方法,用于自适应调整相关滤波器和颜色直方图分类器的融合系数;根据平均峰值相关能量和响应峰值协同判断跟踪结果的准确性,决定模型是否更新。在OTB2013数据集上的实验结果表明,该算法具有实时性,OPE精确度和成功率相较基准算法(Staple)分别提升4.6%和3.7%,在复杂跟踪场景下,表现出了更加优秀的跟踪性能。

关键词： 计算机视觉   图像去雾   扩散模型   傅里叶滤波器  

摘要： 当前图像去雾算法研究主要聚焦于构建结构精巧的神经网络,利用扩散模型以生成式方法进行图像去雾的研究比较匮乏,且扩散模型与频域分析结合的研究也相对较少,这导致许多算法在面对真实有雾图像时去雾效果不佳。针对上述问题,本文基于分数匹配扩散模型IR-SDE提出了一种图像去雾方法Firs-Net。该方法利用扩散模型强大的图像生成能力,通过迭代式的方式从有雾图像逐渐恢复清晰无雾图像。Firs-Net中引入了傅里叶特征融合模块,该模块可在不增加参数量且无需微调神经网络的前提下,帮助扩散模型更好地从频域角度分析并融合特征。实验结果表明,Firs-Net在真实有雾数据集上的主观视觉和客观指标都表现优异,其中,在真实非均匀雾气数据集NH-HAZE中的PSNR达到21.91,在真实浓雾数据集Dense-HAZE中的PSNR达到17.40,分别比次优方法领先13.94%和5.52%。

关键词： 生态修复   伪装网   虚假造绿   混合像元分解   目标检测  

摘要： 对生态修复中存在挂防航拍伪装网的“虚假造绿”现象进行分析,采集当前市面上主要的迷彩伪装网光谱信息并建立伪装网光谱数据库。以高分五号高光谱影像数据为基础,绿色伪装网光谱数据为目标端元,采用LSU、CEM、ACE、OSP、MTMF、FCLS及SAM等方法进行混合像元分解与波谱识别检测实验。将检测定位结果与高空间分辨率影像进行叠加分析提取目标地物信息,改变以往基于高空间分辨率遥感影像,人工逐屏比对分析目视判读提取地物信息的方式,将大量的人工判读影像工作交给计算机去搜索完成,再对结果进行少量的人工干预,可极大地提高工作效率和准确性。

关键词： 白羽肉鸡   行为识别   目标检测   多尺度细节特征融合模块   关系推理模块  

摘要： 在大规模的肉鸡养殖场中,肉鸡行为通常由饲养员或专业兽医观察和分析,以确定肉鸡健康状况和养殖环境状态。然而这种方法耗时且主观。此外,在笼养环境中,由于鸡只的高密度和严重的互相遮挡,行为的视觉特征不明显,传统的检测算法不能准确地识别鸡只的行为特征。因此,本文提出一种改进的笼养白羽肉鸡行为检测的目标检测算法。所提出的算法由2个模块组成:多尺度细节特征融合模块(MDF)和目标关系推理模块(ORI)。多尺度细节特征模块充分利用和提取网络浅层特征映射中包含的多尺度细节特征,并将它们融合到负责相应尺度检测的特征映射中,实现细节特征的有效传输和补充。目标关系推理模块充分利用对象之间的位置关系进行推理和判断,使模型能更充分地利用对象之间的潜在关系来辅助检测。为验证所提出算法的有效性,在目标检测领域具有权威性的COCO公共数据集以及真实的大规模笼养白羽肉鸡养殖环境中自建的行为检测数据集上进行大量对比实验。实验结果表明,与其他最先进的模型相比,本文所提出的改进算法在COCO数据集和自建数据集上均达到最佳识别准确率;对喂食、饮水、移动和张嘴等影响肉鸡健康状况较为重要的行为进行检测,识别精度分别达99.6%、98.7%、99.2%和98.3%。

关键词： 计算机视觉   农业应用   物联网   大数据分析前言  

摘要： 计算机视觉和网络技术在农业领域的应用正日益普及。从作物监测到自动化采摘,这些先进技术正在改变着农业生产的模式。通过计算机视觉技术,农民可以实时监测作物的生长状况,及时发现并应对病虫害,从而提高作物的产量和品质。同时,网络技术的运用使农业设备能够实现远程监控和智能控制,实现农业生产的自动化和智能化。在自动化采摘方面,计算机视觉技术能够准确识别成熟的水果或蔬菜,协同机器人实现自动采摘,提高采摘效率,降低人力成本。总的来说,计算机视觉和网络技术的应用为农业生产带来了更高效、更智能的解决方案,为农民提供了更多的生产选择和发展机会。这些技术的不断发展将进一步推动农业现代化,助力农业产业的可持续发展。

关键词： 小目标检测   高架库   跨层融合   对比特征增强   解耦检测头   YOLOv5  

摘要： 针对高架库区场景下安全帽检测中目标特征信息少、分类精度低等问题,提出小目标对比特征增强网络。首先提出快速空间金字塔池化跨层融合模块,减少空间维度上的目标信息丢失。然后提出小目标对比特征增强模块,使用双路并行空洞卷积获取不同感受野,利用通道注意力获取特征图在通道维度上更为精准的特征信息,采用浅层特征图减去深层特征图的方法削弱浅层特征图中大目标信息,以增强小目标特征信息表达。加入高效通道注意力解耦检测头,通过将检测头解耦为分类和回归分支,分别学习目标的语义信息和位置信息。实验结果表明,在TT100K数据集上,所提方法的mAP@0.5比基准网络YOLOv5提高了6.4个百分点,比YOLOv7提高了1.9个百分点。在自建高架库数据集上,所提方法的mAP@0.5相比基准网络提高了4.9个百分点,其中安全帽的mAP@0.5相比基准网络提高了6.9个百分点。

关键词： 票据   目标检测   识别   改进YOLOv5   损失函数  

摘要： 在票据全流程识别过程中,针对不同类型票据的目标检测是关键步骤,为实现日常报销过程中不同种类票据快速检测其类型和位置,文章提出一种基于改进YOLOv5算法的票据检测方法。对于原始数据集进行预处理,模拟票据检测中可能出现的干扰信息,提高训练模型的性能;利用CSPDarkNet53网络进行特征提取,采用基于重合面积、中心点距离、长宽比和角度4个几何参数的SIoU目标位置损失函数,对原损失函数进行改进,提升YOLOv5票据检测的精度,构建票据检测方法。最后通过自建实际拍摄的票据数据集来验证基于改进YOLOv5算法的票据检测的有效性。结果表明,该方法拥有较高的平均精度均值(99.20%)和检测速度(51帧/s),可以满足实际应用场景的要求。

关键词： TFT-LCD   Mura缺陷   机器视觉   图像处理   深度学习  

摘要： 液晶显示屏幕的表面缺陷检测是保证TFT-LCD等液晶显示屏质量稳定性的关键。得益于在检测表面缺陷方面高效率、低成本的优势,机器视觉技术目前已经成为TFT-LCD质量检测的主要手段。本文首先概述了液晶屏的发展历程,列举了常见Mura缺陷的类型,分别介绍了基于传统图像处理和基于深度学习的Mura缺陷检测方法,概述了图像滤波和图像亮度校正等图像预处理技术的研究动态。本文重点阐述了监督学习、无监督学习和迁移学习等人工智能技术在TFT-LCD表面Mura缺陷检测领域的应用,并对基于机器视觉的TFT-LCD表面Mura缺陷检测的技术发展趋势进行了展望。