关键词： 图像修复   计算机视觉   深度学习  

摘要： 图像修复是通过算法或技术对受损或缺失的图像进行恢复和修复的过程,是计算机视觉领域的研究热点之一。梳理了近些年基于深度学习的图像修复方法的发展脉络,将其分为单模态图像修复方法和多模态图像修复方法。单模态图像修复方法分为基于卷积自编码的图像修复方法、基于GAN的图像修复方法、基于Transformer的图像修复方法和基于扩散模型的图像修复方法,而多模态图像修复方法分为基于文本引导的图像修复方法、基于音频引导的图像修复方法、基于视频引导的图像修复方法和基于多模态融合的图像修复方法。对比分析了各类方法的原理和优缺点,介绍了常用数据集和评价指标,评估了代表性方法在常用数据集上的性能表现,并对该领域目前存在的挑战和未来的发展方向进行了分析和展望。

关键词： 电路板元器件   识别技术   深度学习   YOLOv5网络  

摘要： 为了研究基于深度学习的电路板元器件目标检测及标识字符识别技术,解决电子设备检测与维护中的自动识别与分类问题。本文提出改进的YOLOv5(you only look once version 5)网络用于电路板元器件识别,包括结构设计、轻量化网络以及特征融合策略。同时,利用卷积循环神经网络(convolutional recurrent neural network,CRNN)实现电路板元器件标识识别,包括框架设计、算法改进等。开展多项实验,分析其效果与性能。通过MobileNet v3、ShuffleNet v2和Ghostnet等轻量化网络改进YOLOv5,实现了高效元器件识别;通过双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)特征融合策略进一步提升识别性能。实验显示,该改进网络在电路板元器件检测中具有优异表现。利用CRNN及其改建算法,对电路板标识进行准确识别,实验结果验证了其有效性。基于深度学习的电路板元器件目标检测及标识字符识别技术取得了显著成果,证明了改进网络及策略的有效性与适用性。

关键词： 机场鸟类检测   鸟击防范   YOLOv8s   特征融合   注意力机制  

摘要： 飞鸟对航空器的安全运行有着严重的威胁。常用探鸟方法中,人工探测精度较低,雷达探测成本较高。为解决上述问题,对中小型机场而言,提出基于改进YOLOv8的机场飞鸟实时检测方法。利用视频监控设备来检测飞鸟能以较低的成本实现高效的检测精度及速度。首先,设计特征融合C3(feature fusion C3,FFC3)模块,该模块在更细粒度的层次上实现多尺度特征融合,然后为模型选择合适的通道数,实现了检测速度和精度的平衡;其次,设计CSPPF(CBAM-spatial pyramid pooling fast)模块,在SPPF中引入CBAM(convolutional block attention module)模块,实现检测精度和速度的进一步提升;最后,发现了原AirBirds数据集的两点不足之处,对此改进了机场飞鸟数据集,同时利用了数据集增强技术。结果表明:改进YOLOv8的mAP@50达到0.820,相比原YOLOv8提升了0.015;改进YOLOv8的速度达到32帧/s。改进YOLOv8满足机场鸟类检测实时性和精确性的要求,为复杂环境下中小机场飞鸟检测提供了一种新思路。

关键词： 深度学习   目标检测   图像融合   分布式光伏电站   周界入侵  

摘要： 针对分布式光伏电站周界入侵检测数据不足、精度低、检测异物不完全等问题,在双模态特征融合基础上提出一种改进式的周界入侵目标检测算法(VT-DETR)。首先,将单通道网络拓展为双通道网络,以同时提取可见光与红外图像的多维特征;其次,引入软权重分配策略,以弥补可见光与红外图像融合时热辐射信息的缺失;最后,改善损失函数的计算方式,提升注意力机制训练效率。另外,构建面向分布式光伏电站的周界入侵图像数据集。实验结果表明,改进后算法的平均检测精度达到92.08%,验证了该方法在分布式光伏电站周界入侵检测上的有效性。

关键词： YOLO   飞机货舱   目标检测   WIoU   火焰红外图像  

摘要： 由于信息技术的快速发展,红外检测技术和视频监控系统得到了广泛应用,图像型火灾探测器在火灾探测中的优势逐渐凸显。在飞机货舱火灾探测领域,尽管基于图像识别的火灾探测技术已展现出一定潜力,但在准确性与响应速度之间的平衡仍须进一步优化。为提升飞机货舱早期火灾的识别与判断能力,增强红外火焰图像目标检测的准确性,本文提出了一种结合改进损失函数的YOLO目标检测算法。首先对比了多种典型目标检测算法在红外火焰图像检测任务中的性能表现,进而选择了合适的算法框架进行损失函数的改进。通过在计算损失时综合考虑目标中心点的距离、重叠面积及长宽比等因素,设计了一种改进的损失函数,并成功将基于动态非单调聚焦机制的边界框损失(WIoU)函数引入YOLO目标检测网络中,以实现检测准确率的提升。训练红外火焰图像数据集的对比试验表明,改进后的YOLOv5算法在性能上并未取得显著提升,而YOLOv7算法在引入改进损失函数后,其检测精度相较于原算法提高了2.1%,平均精度值(mAP)提升了6.5%,同时每秒传输帧数(FPS)也增加了2.68帧。在关键的性能指标(如目标边框损失、置信度损失及总损失)上,采用WIoU损失函数的YOLOv7模型优于其他模型,达到了最低损失值。因此,本文提出的基于改进损失函数的YOLOv7算法在飞机模拟货舱红外火焰图像检测识别任务中展现出了更高的准确性和更快的处理速度,为飞机货舱火灾探测提供了一种有效的技术途径。

关键词： 无监督域自适应   注意力机制   循环域三元损失函数   目标检测  

摘要： 目前大多数深度学习算法都依赖于大量的标注数据并欠缺一定的泛化能力.无监督域自适应算法能提取到已标注数据和未标注数据间隐式共同特征,从而提高算法在未标注数据上的泛化性能.目前域自适应目标检测算法主要为两阶段目标检测器设计.针对单阶段检测器中无法直接进行实例级特征对齐导致一定数量域不变特征的缺失,提出结合通道注意力机制的图像级域分类器加强域不变特征提取.此外,对于域自适应目标检测中存在类别特征的错误对齐引起的精度下降问题,通过原型学习构建类别中心,设计了一种基于原型的循环域三元损失(Cycle domain triplet loss,CDTL)函数,从而实现原型引导的精细类别特征对齐.以单阶段目标检测算法作为检测器,并在多种域自适应目标检测公共数据集上进行实验.实验结果证明该方法能有效提升原检测器在目标域的泛化能力,达到比其他方法更高的检测精度,并且对于单阶段目标检测网络具有一定的通用性.

关键词： 车载激光点云   道路标线提取   拓扑结构   语义分割   目标检测  

摘要： 道路标线是重要的交通标志信息,车载激光雷达点云为道路标线的提取提供了高精度的三维坐标和反射强度信息。由于扫描距离、目标材质等因素影响,不同目标会表现为相近的强度值,给道路标线的提取带来干扰;道路使用过程中的磨损老化会破坏标线原有的结构,造成标线提取后出现间断不连续问题;此外,道路标线种类多样且实际中出现的概率不同,导致分割网络提取结果中样本较少的类别分类精度较低。为此,本文提出了一种可准确提取各类标线并具有拓扑稳健性的分割+分类两阶段提取方法。首先,使用多层感知机自适应学习强度与其影响因素之间的关系,对路面点云进行强度改正;然后,提出链式空间拓扑网络LST-Net对道路上的所有标线进行语义分割,引入行列卷积、注意力机制捕捉标线结构信息,加入拓扑惩罚对其训练,确定标线的位置;最后,使用YOLOv5对标线进行检测,单独训练分类网络,解决分割中样本不均衡的问题,完成对标线的分类。在不同场景的3份车载点云上进行试验,结果表明本文方法标线提取精度达到94.1%,召回率达到95.6%,具有较强的实用性和有效性。

关键词： 无人机   目标跟踪   深度学习   研究进展   实验评估  

摘要： 无人机因其体积小,移动灵活等特点,常用于目标跟踪场景上,同时随着人工智能的迅速发展,越来越多的深度学习算法应用于无人机跟踪上。该文着力于探索近年无人机跟踪中所使用的算法,通过分析归纳出各种算法的特点并进行分类,通过实验分析比较各种算法的优缺点。把常用的无人机跟踪算法分为四类,分别为基于判别相关滤波的目标跟踪算法、基于孪生网络的目标跟踪算法,判别式预测模型和基于Transformer的目标跟踪算法。首先通过分析各种算法的共同点而得出它们的基础框架;然后通过举例分析近年来的代表性算法以回顾其发展,并对各算法的特点进行分析;最后使用四个无人机数据集进行算法评估。根据评估结果提出未来研究方向,得出不仅要保证算法同时具有较高的跟踪精度和跟踪速度,而且还要加强算法的鲁棒性以应对无人机跟踪场景中的挑战。

关键词： 二维激光雷达   甘蔗收割   垄高检测   图像处理  

摘要： 为提高丘陵地带甘蔗收割机收割质量,研究能够跟随地形的起伏变化而调节收割刀盘高度的技术显得尤为重要,解决该问题的关键是对于蔗田地面高度的检测,因此设计一台蔗田垄高建图机器人。该机器人能适应按标准化种植的蔗田地形,通过机载二维激光雷达扫描收集蔗田地形轮廓信息,远程计算机对数据进行多维度形态学特征分析,提取蔗田数据点并建立蔗田三维地形图。仿真结果表明:该机器人能够对蔗田地形进行建图,建图分辨率为0.005 m,准确率为96.4%,为收割机的刀盘高度调节提供可靠的数据支持。

关键词： YOLOv5   玉米   无损检测   自动化方法  

摘要： 玉米是我国三大主粮作物之一,其表型参数的获取在作物遗传解析和新品种选育等研究领域意义重大。目前,玉米考种主要依靠肉眼和传统机器视觉方法完成,为提高玉米籽粒识别的速度和精度,建立了基于YOLOv5的籽粒目标检测模型,用不同环境下采集的数据训练并选择最优模型。试验结果表明,YOLOv5s的时间复杂度最低,其精确率、召回率和mAP@0.5的均值分别达到90.4%,85.9%和91.4%,实现了对密集黏连目标较理想的检测效果。