关键词： 接触角测量   图像处理   三维重建   结构光  

摘要： 针对不均匀材料表面的液滴2D投影接触角存在误差,且仅有少数国际设备商提供三维接触角测量方案。本文提出一种基于三维重建的液滴接触角测量方法,旨在提供一个完整且效果可行的的三维接触角测量解决方案。该系统利用阵列圆点结构光进行三维检测,适用于接触角小于90°且具良好漫反射的液体。主要步骤包括:特征区域筛选、三维点云获取、液滴曲面拟合和接触角测量。其中,图像预处理部分,提出了基于HSV空间结合形态学操作的方法;在特征区域筛选中,提出一种面积筛选法;通过几何计算完成二维点云到三维点云的转换;提出点云匹配算法以优化点云融合。与二维测量方法对比,实验结果表明,本文方法在测量精度和可靠性上均有显著提升,实现了最大误差小于1°,大部分误差小于0.5°,并能进一步分析材料的物理特性及表面均匀性。

关键词： 数字图像处理   Mobilenetv2   遥感目标   目标检测   YOLOv4  

摘要： 针对遥感目标的多尺度、多样性、背景复杂等特点,为提升YOLOv4算法的检测速度和平均精度,提出了一种基于YOLOv4模型改进的遥感目标检测算法,首先,用Mobilenetv2替换YOLOv4的主干特征提取网络,减少参数数量,提升检测速度;其次,在Mobilenetv2的残差网络中嵌入新型注意力机制CoordAttention模块,捕获方向感和位置感知的信息,精准定位和识别感兴趣的目标;最后,借鉴Inception的思想在颈部特征增强网络处添加改进过的RFB模块,增强感受野并且提升网络的特征融合能力。研究表明,论文提出的MCR-YOLOv4(Mobilenetv2-CoordAttention-RFB-You Only Look Once)算法相比于原YOLOv4算法,模型大小减少了45.27 M,平均精度提高了1.03%,检测速度提高了56帧/s,更适用于对复杂遥感目标的检测。

关键词： 3D目标检测   点云   激光雷达   自动驾驶   深度学习  

摘要： 近年来,3D目标检测作为自动驾驶、移动机器人、虚拟现实等应用产业的重要基础任务,受到了各领域研究人员的广泛关注。其旨在三维空间中对感兴趣目标进行定位与分类,给出相应的3D包围盒,包括目标的位置、大小和方向,为后续对三维场景的理解与感知、对车辆的规划与决策提供基础信息。激光雷达传感器捕获的点云因其具有准确的三维信息与深度信息,成为3D目标检测最为常用的输入数据。本文对基于深度学习的3D激光雷达点云目标检测进行综述,总结了点云的数据特点与处理方法,介绍了相应的几类检测方法以及点云和图像融合的多模态检测方法,对不同方法的性能进行对比分析,最后讨论3D点云目标检测未来面临的挑战和发展趋势。

关键词： 视频SAR   阴影   运动目标   检测与跟踪  

摘要： 视频合成孔径雷达(SAR)是一种融合了SAR和视频成像技术的先进雷达成像系统,不仅具有传统SAR成像的特点,还可以实时获取目标丰富的动态信息,在运动目标检测和跟踪上具有明显优势。运动目标在视频SAR序列中表现出明显的阴影特征,并且阴影特征能够近似反映目标的真实位置,具有定位精度高、检测概率高等优势,这使得基于阴影的动目标检测与跟踪技术成为当前视频SAR领域的研究热点之一。文中对目前基于阴影的视频SAR动目标检测与跟踪方法进行梳理总结,对比各方法的性能,分析目前视频SAR动目标检测与跟踪方法的优势和存在的不足,明确视频SAR运动目标检测与跟踪亟需解决的问题。

关键词： 小目标检测   激活函数   注意力机制   特征提取   损失函数  

摘要： 针对小目标检测时因目标像素小、分布密集且相互遮挡等原因导致的检测精度低、漏检率高等问题,提出一种基于YOLOv7的改进算法。使用ACON激活函数更换SiLU激活函数,增强算法的拟合能力;使用SPPFCSPC替换算法中的SPPCSPC结构,结合BiFormer注意力机制改进SPPFCSPC,使之提高模型检测效果的同时加快模型的速度;使用SPD-Conv卷积改进算法中的MP结构,提高模型的特征提取能力;在WIoU中引入辅助框设计Inner-WIoU,并结合NWD损失函数改进YOLOv7的损失函数。经过在VisDrone2019数据集上的实验证明:在没有增加太多参数量的前提下,改进后的算法比原算法的mAP@0.5提高4.39%,验证了改进算法对提高模型性能的有效性。

关键词： 图像处理   缺陷检测   无监督学习   注意力机制   空洞金字塔池化  

摘要： 针对工业产品表面缺陷检测中特征重建精度低导致图像级、像素级、区域级误判率高的问题,提出了一种改进深度特征重建(deep feature reconstruction, DFR)的无监督缺陷检测方法。首先,在特征重建过程中引入跳跃连接,增强特征重建精度,提高模型对正样本特征的重建能力。其次,引入注意力机制,提升算法对缺陷区域的关注,并探索空间注意力对不同目标缺陷检测的影响。然后,在特征重建算法中引入空洞金字塔池化,在不增加参数量的情况下多尺度捕捉上下文信息,提高模型对不同尺寸缺陷的检测能力。最后,使用L_(2)-SSIM(L_(2)-结构相似性)损失函数约束特征重建,在保持像素相似性的基础上同时保留特征结构。基于MVTecad数据集的实验结果表明,所提算法的图像级检测精度、像素级检测精度和区域级检测精度分别为97.5%、 97.2%和93.1%,均优于对比算法。

关键词： 计算机视觉   网络安全   入侵检测系统  

摘要： 阐述计算机视觉技术在网络安全中的关键应用,包括入侵检测系统(IDS)、视频监控和面部识别。通过评估计算机视觉技术的应用价值,不断加强网络安全管理,有效缓解网络威胁。

关键词： 目标检测   深度学习   数据合成   三维重建   域随机化  

摘要： 深度学习目标检测算法需大量训练数据支撑,数据增广是一种自动生成训练样本的有效手段。为在原始样本稀缺时提供大量高质量训练样本,提出一种基于三维重建的物体空间数据增广合成方法,克服现有数据增广要么需要复杂手工建模、要么样本视角多样性不足的问题。首先用少量多视角图像重建目标三维模型,再通过多域随机化图像渲染得到不同环境下任意视角图像,然后将渲染图与随机背景融合并自动生成标注信息,得到海量多样化合成样本。构建5种训练数据集并在典型目标检测算法上对上述增广方法开展实验验证,结果表明合成样本对原始稀缺样本数据集有显著增强作用,可大幅提高目标检出概率和目标检测定位精度,而且对一般数据集也具有很好的适用性。

关键词： 图像处理   绝缘子   缺陷检测   YOLOv5   轻量级网络  

摘要： 针对绝缘子多类型缺陷检测速度慢、检测精度低的问题,提出一种用于输电线路绝缘子多缺陷检测的轻量级网络(Multi-Defect Detection Network, MDDNet),该算法主要针对绝缘子电弧烧伤和绝缘子伞裙破损的多类型绝缘子缺陷联合检测。基于Ghost-C2f模块构建GC-Darknet53特征提取网络,增强特征提取能力并较少特征冗余;引入三尺度融合(Tri-Fusion)机制构建新型TF-Neck颈部网络,充分融合深层语义信息与浅层的细粒度信息,提高小目标缺陷检测精度;选用结构相似性交并比(Structural Similarity Intersection over Union, SIoU)损失函数提高模型定位能力。实验结果表明,提出的MDDNet模型平均精度均值(mean Average Precision mAP)达到92.1%,与YOLOv5相比,在参数量减少了20%的情况下mAP提升了3.0%,与其他现有一阶段算法相比,MDDNet算法检测速度达到86.1帧/秒,能够在保证轻量化的同时提高检测精度,满足绝缘子多缺陷检测的应用需求。

关键词： 深度学习   目标检测   垃圾识别   轻量化   YOLOv7模型  

摘要： 为提高垃圾分类效果,利用深度学习模型YOLOv7,实现垃圾的智能识别与分类。居民可用手机拍摄垃圾,算法将自动分析并给出垃圾分类建议。该模型在自制数据集上的准确率达到90.7%,具有较高准确性。为优化模型,采用GSConv和PConv替换原卷积,实现轻量化处理,删减冗余参数。实验显示,轻量化后模型参数减少23.1%,推理速度提升30.1%,为居民垃圾分类提供了实用方案,有效提升了居民端垃圾目标检测的准确率,进而为居民日常垃圾分类提供了可行性技术方法参考。