关键词： 图像处理   红外图像去噪   深度迁移学习   卷积神经网络   气体泄漏检测  

摘要： 非制冷型红外相机由于其成本低、寿命长、性能稳定等优势在气体泄漏检测领域有着广泛应用,而良好的图像去噪算法可以有效提升其检测灵敏度与准确性。结合深度学习和迁移学习技术,提出了一种基于深度迁移学习的气体泄漏红外图像去噪方法。首先使用静止场景数据集对卷积神经网络模型进行训练,然后固定部分模型参数,并通过仿真气体数据集对模型再次训练,最终获得适用于气体泄漏红外图像去噪的模型。实验结果表明,该方法可以对非制冷型红外相机拍摄的气体红外图像进行去噪,去噪后的图像具有明显的气体轮廓信息,同时可以分辨出泄漏源的位置。因此,该方法可以帮助非制冷型红外相机更好地完成气体泄漏检测任务。

关键词： 激光点云技术   隧道病害   病害检测技术   图像处理  

摘要： 快速高效的隧道浸渗病害检测技术对于提升隧道维护管理的效率及保障隧道安全运营至关重要。文章依托杭绍台高速公路工程,基于激光点云和图像处理技术,对该工程隧道目标检测段点云数据进行转换处理,识别隧道浸渗病害,并评估检测结果的准确率。结果表明,采用文章所述检测识别方法检测精确率较高,目标检测段共存在隧道浸渗病害26处,正确检出24处,漏检2处,精确率高达92.3%;检测隧道30~60 m和120~150 m区段为浸渗病害多发区段。

关键词： 语义分割   特征生成   零样本学习   计算机视觉   深度学习  

摘要： 零样本图像语义分割是零样本学习在视觉领域的重要任务之一,旨在分割训练中未见的新类别。目前基于像素级视觉特征生成的方法合成的视觉特征分布和真实的视觉特征分布存在不一致性的问题,合成的视觉特征难以准确反映类语义信息,导致合成的视觉特征缺乏鉴别性;现有的一些视觉特征生成方法为了得到语义特征所表达的区分性信息,需要消耗巨大的计算资源。为此,文中提出了一种基于语义-视觉一致性约束的零样本图像语义分割网络(SVCCNet)。该网络通过语义-视觉一致性约束模块对语义特征与视觉特征进行相互转换,以提高两者的关联度,减小真实视觉特征与合成视觉特征空间结构的差异性,从而缓解合成视觉特征与真实视觉特征分布不一致的问题。语义-视觉一致性约束模块通过两个相互约束的重建映射,实现了视觉特征与类别语义的对应关系,同时保持了较低的模型复杂度。在PASCAL-VOC及PASCAL-Context数据集上的实验结果表明,SVCCNet的像素准确率、平均准确率、平均交并比、调和交并比均优于比较的主流方法。

关键词： YOLOv5   道路病害   目标检测   信息融合   信息损失   网络改性  

摘要： 随着机动车数量的增加和道路负荷的增大,道路病害问题日益严重,需要及时发现和识别各类病害以保障道路交通安全,但传统YOLOv5采用的FPN信息融合方式可能导致信息损失。因此,结合华为GOLD-YOLO中的Gather-and-Distribute模块对传统YOLOv5的特征融合模块进行改进。实验结果表明,优化后的YOLOv5算法在训练模型时收敛所需的迭代次数有了显著降低,从590次减少到366次,大大提高了训练速度。同时,总体的mAP@0.5也从原来的87.4%提升到了88.7%。

关键词： 伦敦大学   领域专家   计算机视觉   学术期刊   人工智能   科学博士学位   学者型   创业  

摘要： 8月底,在北京一家餐厅,《21CBR》记者见到跨维智能创始人贾奎。科研、教学、创业……他的日程表排得满满当当。“晚上10点前,我都有事情做。”他坦言,创业后,工作量大增。贾奎是学者型创业者。他毕业于伦敦大学,获得计算机科学博士学位,曾在多家高校执教,是人工智能、计算机视觉等领域专家,发表论文百余篇,在TIP、TMLR等学术期刊担任副主编。

关键词： 深度学习   图像处理   边缘计算   交通安全  

摘要： 随着国家的发展和人民生活水平的提高,机动车数量不断增加,交通违规行为频繁发生,带来了巨大的交通安全隐患。如果不及时纠正,这些行为可能导致严重的安全事故和经济损失。传统的交警现场监督方法不仅耗费大量人力,而且覆盖范围有限,难以实现全天候监管。通过边缘计算技术接入摄像头和视频流,利用人工智能和计算机视觉算法对车辆进行识别和检测,可以高效判断车辆是否存在违规行为。借助智能网联的技术,可以对违规行驶区域内的车辆统一发送警示广播,及时制止违规行为,并提醒其他车辆谨慎驾驶。同时,利用物联网技术将违规事件上报至管理平台。这种方法有效解决了传统人工检查费时费力的问题,实现了道路交通的智能化和实时化管控。

关键词： 图像处理技术   高校档案   数字化管理   档案修复   深度学习  

摘要： 在高校档案的数字化管理和修复领域,图像处理技术尤其是深度学习和自动图像增强技术的应用,提供了一种全新的视角和方法。本文提出了一个基于深度学习的图像处理框架,旨在通过先进技术提升档案图像的质量与可访问性,减少对人工操作的依赖。该框架综合考虑了高校档案的数字化管理需求,包括图像增强、恢复和分类等方面,以期达到更高效的档案管理和修复效果。重要的是,本文强调了在高校档案数字化进程中,采用深度学习等现代图像处理技术的重要性和紧迫性。未来,该框架的实验验证和进一步开发将为高校档案的保护和传承提供更加强有力的技术支持。

关键词： 机器视觉   YOLOv8n   AFPN   SA注意力   SPD-Conv   MPD损失函数  

摘要： 针对低空无人机目标的误检漏检等问题,提出改进YOLOv8n的算法模型ASSM-YOLO。首先,添加小目标检测头并使用AFPN替换原有Neck结构,渐近融合低层与高层特征;其次,引入SA注意力机制增强对无人机目标的感知能力;再次,将主干网络卷积层替换为SPD-Conv,改善卷积过程中特征丢失问题;最后,替换损失函数MPDIoU Loss,优化回归损失计算。在DUT-UAV数据集上的实验表明:ASSM-YOLO算法的平均精度值R_(mAP@0.5)、R_(mAP@0.75)和R_(mAP@0.5∶0.95)结果为92.5%、72.2%和62.9%,较原YOLOv8n网络分别提升了5.9%、8.3%和6.5%,显著提升了无人机目标的检测精度。

关键词： 目标检测   YOLOv5   K-Means   机器视觉   制动模块   装配检测  

摘要： 针对动车组制动模块结构复杂,装配过程子部件种类、数量较多,易产生混装、漏装等问题,建立一种基于机器视觉的装配检测模型。首先,通过数据集构建、模型训练、推理测试等步骤,完成YOLOv5部件检测模型的建立并进行计数统计判断。然后,对YOLOv5输出的位置坐标与类别数据,通过坐标转换和标准化处理使位置信息区分度提升。进一步,在训练集上运用K-Means进行聚类学习,生成部件各位置簇的中心坐标和内外限值。最后,计算待测部件位置坐标与各簇中心的欧氏距离,结合内外限值判定位置的正确性。同时,为便于工程部署,在推理端采用ONNXRuntime框架进行可视化系统的开发。结果表明:检测方法具有较高的准确率和查全率,同时具备位置检测功能,较现有人工目视检查方法更加准确、稳定、高效,具备工程应用价值。

关键词： 目标跟踪   目标检测   反无人机   孪生网络   深度学习   注意力机制   细化模块   DUT Anti-UAV数据集  

摘要： 为解决反无人机过程中常见的背景变换、定位不佳、飞出取景范围和长时跟踪等问题,以SiamCAR为基础,提出结合注意力机制和细化模块的目标跟踪算法SiamGR以及融合目标检测算法的变体SiamGR-FR。首先,在主干网络中加入全局注意力机制(global attention mechanism,GAM)来提升复杂背景下的特征表征能力;然后,使用Alpha-Refine模块对跟踪器输出的结果进一步细化以获得无人机目标更精确的定位;最后针对长时跟踪以及无人机飞出取景范围等情况,融合目标检测算法Faster-RCNN对目标进行重定位并重置跟踪器来显著提升跟踪效果。在DUT Anti-UAV数据集上,SiamGR以及SiamGR-FR算法的成功率和精确率分别达到了61.5%、84.2%和66.2%、94.6%,相比基准算法分别提升了5.3%、3.4%和10%、13.8%,在反无人机场景中优于目前主流的算法。研究结果可为视频反无人机目标跟踪提供参考。