关键词： 图像处理   双边滤波算法   FPGA   分段近似  

摘要： 为了增强图像显示的质量以及减少基于现场可编程逻辑器件(FPGA)双边滤波算法中硬件资源的消耗,设计了一种分段近似的双边滤波算法。通过分段近似计算减少了双边滤波中值域的存储容量以及输出的数据位宽,从而降低了计算复杂度和硬件资源消耗。在Zynq-7000和Sparten-7的FPGA平台上实现了分段近似的双边滤波算法,研究了不同高斯噪声及在其最佳的值域标准差下的滤波和边缘保持性能。结果表明,本文算法在性能上与传统的双边滤波算法相当,并且与传统的双边滤波算法相比,其查找表(LUT)和数字信号处理模块(DSP)的使用量减少了9.9%和71.1%,且功耗仅为0.128 W。本文算法适合用于硬件资源有限的图像滤波应用场景。

关键词： 自动驾驶   图像去雾   YOLOv5   轻量化卷积   损失函数   目标检测  

摘要： 由于在恶劣天气下汽车对环境的感知能力差,且对动态目标的检测能力有极大的影响,使得基于深度学习的目标检测网络在雾天行人车辆检测中出现精度低、鲁棒性差等问题。本文提出一种基于DehazeNet去雾算法与改进YOLOv5算法相结合的雾天检测方法—YOLOv5-SGE检测网络。通过取消初始锚框,实现锚框自适应计算,生成适合当前数据集的锚框;在特征提取模块加入三维权重注意力机制,使网络可以快速捕捉到感兴趣区域,抑制无用信息;使用轻量级卷积GSConv代替融合模块的标准卷积,弥补语义信息损失,减轻模型的复杂度;使用EIoU损失函数替换YOLOv5网络原损失函数CIoU,加快网络收敛速度。实验结果表明:所提算法具有较高的检测精度,mAP达到84%,验证了算法的有效性。

关键词： 激光清洗   碳钢   正交试验   工艺参数   灰度特征  

摘要： 激光清洗技术是一种绿色、高效、无接触的先进清洗技术。为探究碳钢表面锈蚀污染层的激光清洗工艺,利用红外纳秒激光器,基于正交试验主要研究了激光功率、扫描速度、扫描次数和线间距等工艺参数对除锈效果的影响规律。通过对激光清洗前后区域进行灰度化处理,并对灰度均值进行极差和方差分析,建立起基于灰度均值特征的碳钢除锈效果评价标准。结果表明,通过图像识别处理能够快速、准确确定碳钢表面状态,为后续激光清洗工艺提供量化评价指标。

关键词： 红外目标   远距离多尺度   重叠度   特征提取   像素网格  

摘要： 在红外目标跟踪过程中,由于目标距离和视角的变化,红外目标的成像面积通常很小,使得红外图像中缺乏足够的像素信息,无法准确提取目标的特征,增加了目标跟踪的难度。因此,提出基于锚框的远距离多尺度红外目标跟踪技术。利用编码的方式对应追踪框图与真实框图,得到目标框中心坐标值。为保证计算的精准度,通过设定特征融合阈值判定提取信息与真实信息较高的重叠度,并按照锚框的边缘、中心以及顶点坐标对应划分像素网格,根据特征值输出分类输出向量,完成红外目标特征提取。由此采用损失函数给出锚框、目标框、实际框的类别损失以及候选框等不同类别损失函数,按照不同点在网格中的体素值,以编码形式逐一对比候选框和真实框数据,通过迭代实现远距离多尺度红外目标跟踪。实验结果表明,所提方法对远距离多尺度红外目标的识别效果较好,查全率曲线基本保持在0.9以上。说明所提方法具有良好的远距离多尺度红外目标跟踪效果。

关键词： YOLOv8   交通标志   小目标检测   GhostNet   CARAFE   GhostC2f   GAM注意力机制  

摘要： 针对传统网络模型在交通标志检测方面存在的小目标识别不准确的问题,提出一种改进的Ghost-YOLOv8交通标志检测模型。首先,使用GhostConv代替了全部Conv,并设计全新的GhostC2f模块来替代全部的C2f,使模型轻量化;其次,将上采样算法替换为CARAFE,以更好地保留图像的细节信息;然后,在Neck部分引入了GAM注意力机制模块,以增强特征中的语义信息和位置信息;最后,为了解决检测小目标时尺度不一致导致的语义信息丢失问题,添加了小目标检测层,以增强深层和浅层语义信息的融合。实验结果证明,该模型在中国交通标志检测数据集TT100K中的召回率、mAP@0.5、mAP@0.5:0.95指标分别提高了6.8%、4.0%、3.6%,并且模型的参数量及模型大小分别降低了1.069×10^(6)、1.9 MB。综合说明,所提出的模型在精准度不变的前提下,减少了模型的参数量及大小,并能更好地检测到原模型检测不到的小目标;同时,比对比算法具有更好的性能表现,并且适用于边缘计算设备,具有实际应用价值。

关键词： YOLOv8s   计算机视觉   雾天目标检测   注意力机制   特征融合  

摘要： 针对现实场景中雾天目标检测困难的问题,提出了一种改进YOLOv8s的雾天目标检测方法。设计前端模块Edge-Dehaze,利用去雾网络和检测网络联合训练并通过Sobel算子强化雾天图像边缘信息以改善雾天场景下的检测效果;提出混合注意力特征融合模块HAFM,通过并行注意力机制和特征图之间的信息交互与融合提升模型对重要特征的关注度;设计轻量化共享注意力卷积检测头LSACD,通过共享卷积降低检测头参数量,在共享层中引入SEAM注意力机制缓解雾天目标检测的遮挡问题。在RTTS数据集上的实验结果表明,改进后的YOLOv8s网络相对原始YOLOv8s网络mAP50提升了1.8%,mAP50-95提升了1.7%,参数量基本持平,从而验证了该算法在雾天目标检测上具有较高的准确性及实用性。

关键词： 计算机视觉   水轮机叶片   状态检测   卷积神经网络  

摘要： 水轮机叶片作为水轮机核心部件,其状态的监测与维护直接影响到水轮机的运行效率和安全性。传统的叶片检测方法往往依赖人工检查和机械设备,这些方法不仅效率低下,而且存在较大的主观性。近年来,基于计算机视觉的检测技术逐渐被引入到水轮机叶片的状态监测中,展现出了显著的优势。本文提出了一种基于计算机视觉的水轮机叶片状态检测方法,其目的是通过计算机视觉技术,实现对水轮机叶片状态自动、高效和准确的检测。

关键词： 输电线路   无人机   图像处理   深度学习   卡尔曼滤波  

摘要： 目前,基于无人机平台的输电线检测模型存在数据依赖高、计算量与参数量大、检测精度有限等问题,为此,提出一种基于无人机的输电线智能巡检方法。提出改进的Faster R-CNN缺陷检测算法,分别使用MobileNet、软非极大抑制和上下文感知感兴趣区域池化层,提高模型检测精度以及对小尺寸元件的敏感度。鉴于图像中的复杂噪声环境,应用卡尔曼滤波算法对检测结果进行优化校准,以此提升模型的检测精度和稳定性。以地面高性能服务器训练以及无人机平台实际测试为例验证所提模型。测试结果表明,与YOLO、SSD和Faster R-CNN相较,所提模型性能最优。通过无人机平台测试,所提模型的平均精度为84.37%,网络规模为19.8MB,FPS可达28.7帧/s。

关键词： 目标检测   搜索跟踪转台   YOLOv7   背景差分  

摘要： 针对搜索跟踪转台高分辨率图像的要求,结合搜索跟踪转台的运动特点,提出了一种基于背景建模和YOLOv7的图像目标检测方法。首先,根据转台的运动参数,将提前采样的背景图像,由投影透视校正得到连续的背景图像,进而由背景差分法得到运动前景目标;其次,以YOLOv7作为该算法的目标检测器,结合转台背景信息半固定的特点,将背景图像作为训练数据进一步训练得到优化的网络参数;最后,搭建实验平台,建立了行人检测实验数据集。实验结果表明,本模型相比于原YOLOv7模型的召回率提升了6.56%,精确率提升了5.36%,可有效应用于高分辨率搜索跟踪转台的目标检测任务中。

关键词： 目标检测   小麦穗   旋转矩形框   YOLOX   坐标注意力模块   KL额度   损失函数  

摘要： 小麦穗检测对于农业估产和育种研究具有重要意义,但由于小麦穗角度和姿态多变且存在遮挡和尺度变化等因素,给目标检测带来较大困难,提出一种针对小麦穗旋转目标检测的改进方法YOLOX-RoC,该方法在YOLOX基础上使用旋转矩形框代替水平矩形框,更好地拟合小麦穗的轮廓和方向,减少背景干扰和重叠区域,使模型更具灵活性,更准确地捕捉小麦穗的特征;添加坐标注意力模块并采用KL散度损失函数代替交叉熵损失函数,提高对旋转目标的感知能力并解决旋转敏感度的误差度量问题,优化旋转目标的定位精度。利用基于图像合成的Copy-Paste数据增强方法,生成更多的训练样本以提高模型对不同尺度、姿态和遮挡情况的泛化能力,提高模型的鲁棒性。试验结果表明,YOLOX-RoC的AP比基准模型提升2.4百分点,针对小尺寸和被严重遮挡的小麦穗目标可以更准确地预测目标边界和角度,减少漏检和误检。本研究为小麦穗目标检测提供了一种准确和鲁棒的解决方案,为小麦估产和育种的智能化奠定了技术基础。