关键词： 图像处理   图像增强   目标检测   深度学习   YOLOv5   车内被困人员定位  

摘要： 在交通事故等紧急情形下,及时定位车内被困人员对救援工作至关重要。针对救援中车内人员检测的难题,提出一种基于YOLOv5s的检测模型,以实现对车与车内人员的两阶段检测。在第一阶段,检测出车辆位置,并通过动态缩放聚焦感兴趣区域(ROI);然后采用直方图均衡化增强过暗图像的对比度,并使用非局部均值滤波去除噪声,从而提升图像的质量;在第二阶段,准确判定车内是否有被困人员,并定位人员的确切位置。在BIT-Vehicle数据集和UA-DETRAC数据集上的实验结果表明,相较于Faster-RCNN、YOLOv7-tiny等模型,所提模型的精度、召回率等多个指标都表现最佳,展示出更强的鲁棒性和更高的准确率。此外,所提模型的实时性能可以满足智能救援场景的需求。

关键词： YOLOv5   目标检测   输电杆塔   质量检测  

摘要： 本项目拟采用YOLOv5目标识别算法,对输电塔线施工质量进行测试,重点解决果壳线、导线等常见质量问题。本项目拟以YOLOv5s模式为基础,将CSPNet与PANet相结合,利用图像水平翻转、旋转、剪切、Mixup、Mosaic等方法对样本进行扩展,以弥补分类数据量不足的问题。试验结果表明,该方法具有较好的识别精度与快速性,mAP达87.6%,检测速率高达每秒90帧,应用于输电线路塔体质量测试中,具有较高的实用价值.

关键词： 图像处理   深度学习   配电电网跳闸故障  

摘要： 阐述配电网跳闸故障与深度学习技术的融合特点,通过探寻数据来源、处理样本数据、归一处理样本数据,以及运用深度学习技术对故障类型进行高效识别算法的介绍,探讨应用深度学习技术高效识别配电网跳闸故障类型的方法。

关键词： 孢粉化石   智能筛选   目标检测   智能识别   深度学习   渤海  

摘要： 通过鉴定古生物化石类别信息和分布情况,可以为地质年代、古沉积环境及油气勘探工作提供重要信息。但传统古生物化石鉴定工作耗时耗力,人工依赖性高,难以满足当前快速勘探评价的需要。鉴于孢粉化石图像数量有限、属种分类多、具有科、属、种的特定分类逻辑等特点,围绕孢粉化石图像处理、化石图像筛选、化石目标检测、化石分类识别等方面,通过利用目标检测深度学习、标签松弛等技术,改进了有效化石筛选和孢粉化石分类识别的智能化水平。以渤海海域浅层新生代孢粉化石鉴定为例,采用YOLOv5和DenseNet等神经网络开发了一套孢粉化石智能识别方法,其平均识别准确率达94%,基本满足了孢粉化石鉴定实际生产准确性要求,可以辅助人工开展古生物化石鉴定工作。该方法将各种深度学习技术与古生物领域专业知识有效结合,并从数据和模型2个角度相结合,提高了识别模型的泛化能力与识别精度,并得以实际应用,使得能够在减少时间人力成本的前提下提供准确的鉴定结果,证实了人工智能技术在传统古生物鉴定领域的可行性。

关键词： 计算机视觉   行人三维形态检测   路侧视角   特征增强模块   圆柱型标注  

摘要： 针对现有智能监控系统存在检测精度差、标定速度慢等问题,以三维目标检测网络SMOKE为框架,提出了一种基于单目路侧视角下的行人三维形态检测算法(MonoNet),以实现更精准、更隐蔽、更高效的行人无感三维形态建视。首先,利用道路场景自动标定算法构建二维到三维场景的映射矩阵,然后将已知的行人二维标注信息转换为行人三维圆柱型标注信息,构造行人检测三维数据集;其次,通过改进的骨干特征提取网络和特征增强模块进一步提取目标特征,获取更加丰富的浅层和深层特征信息;最后,添加新的损失函数用以提高模型训练的收敛性和检测精度。实验结果表明:改进后的行人三维检测算法的平均精度相比于现有的检测算法提高了9.21%,与目前大部分三维目标检测算法相比,该算法取得了更高的检测精度和较好的检测速度,能够有效提升智能监控系统在安全监测、异常行为预警等方面的性能。

关键词： 图像语义分割   深度学习   金属腐蚀检测   图像处理  

摘要： 基于计算机视觉的金属表面腐蚀检测技术是利用深度学习模型对金属腐蚀图像进行像素级语义分割,通过模型训练提取腐蚀区域的纹理、形状等特征,根据腐蚀面积判断腐蚀程度,解决了人工检测带来的效率低、误差大等问题,便于实现后续自动化检测、智能化评估与管具服役失效数据库的建立。为了更好地实现腐蚀区域的精确定位和分割,基于公开的金属腐蚀图像数据集,建立了512×512像素的全图数据集和切片图像数据集,通过实验研究了FCN、U-Net、PSPNet、DeepLabv3+、HRNet和SegFormer等深度学习模型在金属腐蚀检测方面的性能。研究结果表明,所有模型在金属腐蚀图像分割任务中使用切片图像数据集的性能优于全图数据集。对比其他模型,SegFormer模型在切片图像数据集训练下,mIoU和mPA分别为66.20%、78.55%,参数量为3.72 MB,取得了出色的分割效果。

关键词： 麦穗计数   估产   作物表型   YOLO   目标检测  

摘要： [目的]为实现对田间麦穗的实时准确计数,本文提出一种基于改进YOLOv5s的麦穗检测计数方法。[方法]通过C2f模块获得更加丰富的梯度流,增强模型细粒度特征提取能力,并在网络关键部位引入CoordConv坐标卷积,加大对坐标信息关注程度,提升模型对麦穗位置的感知能力,同时考虑到麦穗检测任务中中小尺寸麦穗居多,采用Inner CIoU损失函数加快模型收敛速度。[结果]在公开数据集Global Wheat Head Detection(GWHD)上对上述方法进行试验,结果表明,本文改进模型的精确率、召回率、平均精度均值mAP0.5分别为93.5%、91.6%和95.9%,参数量、计算量、每秒帧数分别为12.4 MB、27.5 GFLOPs和34。[结论]本文改进模型在精确率、召回率、平均精度均值mAP0.5等指标上较原始YOLOv5s模型分别增加1.0、1.2和1.3百分点,并且优于YOLOv7-tiny、YOLOv8s等模型,可满足检测的实时性要求。同时改进后模型在处理遮挡、重叠等复杂情况时都比原始模型表现更优,具有良好的鲁棒性。

关键词： 图像处理   深度估计   自监督学习   视觉注意  

摘要： 为解决单目深度估计方法在面对复杂纹理区域时预测效果差的问题,提出了一种基于视觉注意的自监督单目深度估计方法.首先构建多尺度源图像输入编码器,从而更好地融合多路特征;其次,通过并行的中间注意力模块跨区域交互,分别在空间维度和通道维度建模语义依赖关系,得到丰富的上下文信息;此外,采用连续的外部注意力特征聚合模块构成解码器部分,有效利用上下文信息解决复杂区域的不适应问题.在KITTI和Cityscapes数据集上的实验结果表明,该方法优于目前主流的方法,在复杂纹理区域拥有更好的深度预测性能.KITTI数据集的RMS和RMSln分别达到了4.486和0.181.

关键词： 计算机视觉   目标检测   零样本目标检测   自上而下注意力机制   对比约束  

摘要： 由于可见类和未见类目标数据分布的差异性,目前基于映射迁移策略的零样本目标检测算法在测试时容易偏向可见类别的目标,且因为不同类别在属性上的相似性,特征分布比较混乱。本文提出一种新的零样本目标检测框架,利用所设计的先验知识提取模块和自上而下注意力机制模块,为检测过程提供任务导向,引导模型在训练期间关注出现的未见类特征,提高模型对不同数据分布的判别性;还设计了一种新的对比约束以提高特征之间的聚类能力;在MSCOCO标准数据集上进行了大量实验。结果表明,该模型在标准和广义零样本目标检测任务上都取得了显著效果。

关键词： 灰度图像处理   假彩色图像处理技术   语义分割   MATLAB仿真   Python仿真  

摘要： 新型冠状病毒和支原体感染引发的肺炎给居民健康带来巨大威胁。针对我国患者数量众多、放射科医师短缺、灰度图像难以分辨细节的痛点,在灰度分层法的基础上提出一种利用假彩色图像处理技术进行胸透图像分析的算法。该算法可将胸片中的肺部、骨骼、心脏等区域放置于不同图像通道中,并使用红绿蓝三种颜色进行分割标注。基于MATLAB与Python编程的仿真实验表明,使用该算法将胸透灰度图像和胸透彩色图像并列后,对比效果明显,有利于减轻放射科医师的工作负担。