关键词： 机器学习   织针   图像处理   变形检测   模型对比  

摘要： 织针形状不规则、结构精细,但一致性要求极高。为了解决以往人工检测织针一致性的效率低下,以及机器视觉检测织针中出现的程序计算量过大、对图像污点敏感、图像有效特征概况不全面等缺点,提出了一种基于机器学习的织针一致性检测方法。通过对比各类机器学习算法,筛选出最适合织针检测的机器学习模型,实现了更优越的检测织针俯视(前后)方向一致性的功能。本文主要开展了如下工作: (1)明确了基于机器学习的织针检测的总体流程。利用已有的检测设备,拍摄织针俯视(前后)方向图像,去除图像中的噪点,提取图像轮廓,将织针轮廓与模板进行基准定位,最后通过机器学习算法判断待测织针轮廓是否合格,实现俯视(前后)方向检测。 (2)基于工厂实际生产的产品特点,本文提出一种基于机器视觉的标准合格织针模板的制作新方法。基于机器视觉和图像处理技术,获取大量的向前(向后)变形合格织针,并将其轮廓进行定位叠合,再根据叠合图像的实际情况,可最大程度、最贴切地提取出完整的向前(向后)变形标准合格检测模板。该方法创新性在于,基于大量合格织针所制作的模板可以检测织针全部区域并与现实相结合,解决了以往人工检测和机器视觉检测的标准合格织针模板存在的模板不能覆盖织针全部区域、制作向前向后检测模板时缺少实验数据支持、与实际生产不结合等问题和不足。 (3)设计了机器学习模型训练流程,获得了较优的机器学习模型。模型训练的主要流程是先获取大量样本图像,提取样本图像特征,再将图像特征导入各种机器学习模型中进行训练,根据模型评估结果来判断模型的优劣,修改模型参数,最后筛选出评估较好的模型。研究表明,织针检测的较佳检测模型是决策树模型,其准确率为97%。 (4)对织针进行分拣的实验,获得了满意的检测效果。提出漏检和误检的定义,以及漏检率和误检率的计算公式。通过俯视(前后)方向检测实验,一次试验织针误检率为0%,漏检率为0.37%,以50枚/分钟的速度进行检测,能较好地达到检测要求。

关键词： 遥感图像目标检测   多尺度融合   可形变注意力机制   轻量化  

摘要： 在无人机和卫星等遥感设备的广泛应用背景下,本文聚焦于遥感图像目标检测,提出了一种考虑尺度和形变特征的遥感目标检测方法。研究首先深入分析遥感图像目标检测的研究背景与意义,并阐述在该领域国内外的研究现状。针对现有研究的重难点,本文基于通用检测模型,展开针对性的研究。本文的主要研究内容及工作具体如下: (1)在模型的特征提取阶段引入多尺度融合卷积,并与SPPF模块协同工作,增强了多尺度特征提取能力,随后在SPPF模块后添加可形变注意力机制,提升对旋转目标特征的提取效果。在特征融合阶段,用动态上采样因子替换原有上采样因子,加强颈部网络多尺度特征融合。最终在模型检测阶段,使用了一种动态检测模式,使模型对应的检测任务能够适应目标尺度以及形变的变化。为了验证模型的检测性能,本文使用无人机遥感图像数据集对算法进行消融、对比和泛化实验,对性能进行测试。实验结果显示,针对Visdrone数据集,本文所设计的模型在P、R、mAP50、mAP50-95等指标上均取得显著提升,分别提升了2.4%、2.5%、2.3%和1.7%。在Drone Vehicle数据集上,模型同样表现出色,R、mAP50、mAP50-95指标分别提升了4.3%、1.5%和1.8%。 (2)为满足实际应用对模型体量的约束,本文尝试对提出的算法模型进行轻量化。通过在特征提取阶段引入基于“星运算”的StarConv卷积,提升了主干特征表达能力并降低主干体量。其次,为进一步将模型体量降低,在特征融合阶段采用了Slimneck模块,使多尺度特征融合与轻量结构结合,在特征通道维度快速交换信息,强化特征表达能力。并在无人机遥感图像的基础上引入卫星遥感数据集RSOD,实验结果表明,轻量化后的模型在保证一定检测精度的前提下,有效的降低模型复杂度,在性能和资源利用之间达到了良好的平衡。 (3)为了方便遥感图像目标检测的实际应用,采用PyQt5框架开发了图形用户系统。此系统支持多种输入方式,包含图像显示、算法调用、测试与分析等功能模块,可以直观展示检测结果并支持保存。并通过对不同场景下以及不同目标的遥感图像进行检测测试,验证了该系统的有效性与实用性。 本文所改进模型不仅在理论上提高了遥感图像目标检测的性能,而且在实际应用中也显示出了广泛的适用性和强大的实用性。

关键词： 低照度   目标检测   图像增强   遥感图像   深度学习  

摘要： 遥感技术凭借其远距离、无接触信息获取的优势在智能交通、资源探测、城市规划、智慧农业、林火监控等众多领域受到了广泛的关注,具有极高的应用价值。随着科学技术的发展,遥感设备愈加先进、丰富,获取到的信息指数级增长,如何从海量的数据中快速提取具体应用所需的关键内容已成为当下的研究热点。目标检测可以在图像中快速定位感兴趣对象的位置和类型,是各种高级决策的基础,有着重要的研究价值。然而,低照度环境广泛存在于夜间、遮挡等场景下,不仅会引发弱特征与强噪声等问题,而且与遥感图像中目标尺度的多样性以及背景结构的复杂性相互交织,这无疑给信息解译工作带来了极为严峻的挑战。各类遥感应用对低照度目标检测技术的需求呈现出日益增长的态势。 传统目标检测方法往往过度依赖先验知识,存在设计难度大、流程复杂、局限性高等问题。近年来深度学习技术的应用带来了目标检测效率的快速提升,但遥感目标尺度变化大、分布密度多样、旋转角度任意、背景结构复杂等特点仍使得目标检测技术存在巨大的挑战,特别是在低照度场景下,模糊的目标特征会导致检测性能进一步下降。本文以基于深度学习的低照度遥感目标检测算法为研究重点,深入分析低照度图像增强以及遥感目标检测这两个关键步骤,改进方法流程提升处理效率,并针对特征表示能力不足这一核心问题,在相关领域先进成果的基础上,进一步融合与优化,深入探究能够改善检测精度的算法方案。论文的主要工作及成果如下: (1)针对当前零参考低照度图像增强算法普遍存在的模型结构复杂或者多次循环迭代限制处理效率的问题,本文提出一种基于相机响应模型的零参考相机响应网络(ZRCRN),充分利用传统模型精简凝练的优势简化非线性过程,结合深度学习强大的特征提取和表示能力,提升图像的视觉效果。ZRCRN先根据相机响应模型中的相机响应函数将输入图像逆变换为入射辐射图,再建立一个仅含两层卷积的参数提取网络PGN从中提取增强所需的曝光比参数,最后将该参数代入到相机响应模型的亮度变换函数中,实现低照度图像增强。这种基于逆变换图像获取增强参数的方式,无需依赖复杂的模型结构,且最终的增强变换仅需一次运算即可完成,二者均有助于提高处理速度。此外,为实现无需数据集提供标签数据的零参考训练过程,本方法还设计了对比度保持亮度损失和边缘保持平滑损失两个损失函数。通过进一步保留输入图像中的部分关键信息,它们能够有效提升增强质量。经实验验证,该方法在多个低照度图像增强数据集以及DARK FACE人脸检测数据集上,实现了增强速度达到先进算法两倍的优异表现,并且质量指标并未出现明显下降。 (2)针对遥感图像幅宽广、分辨率高且背景结构复杂,导致检测效率低的问题,本文提出一种基于浅层注意力引导的遥感目标快速检测算法AG-Yolo。该算法以Yolov10为基础构建模型,将水平边界框双标签分配策略拓展至旋转目标检测领域,以降低非极大值抑制后处理过程对检测速度的不利影响。同时,为了改善检测精度,增设注意力分支,从输入图像以及骨干网络的前两层特征图中获取注意力前景图,并在颈部特征聚合之前进行注意力加权操作,进而有效降低复杂背景对检测精度的影响。此外,本方法还基于课程学习策略,根据目标和背景的复杂度整理数据,设计出一种三阶段训练方案。该方案从简单背景单一目标开始训练,逐步过渡到简单背景多个目标,最终到复杂背景多个目标,模拟人类学习过程,由易到难,逐步优化模型,从而提升最终的检测精度。在DOTAv1.0和DOTAv1.5数据集上,与其他先进方法相比,该算法的处理延迟从33.8ms降至19.7ms,减少了约40%,同时mAP指标也实现了一定程度的提升。 (3)针对当前低照度目标检测算法生成的特征表示能力不足,限制检测精度的问题,本文进一步提出一种三分支融合的目标检测模型BFDet。先建立定向特征提取模块(DFE),基于低照度图像生成增强图和照度不变特征图两个额外分支。再经过特征融合模块(FFM)对三个分支进一步提取特征并逐像素合并为一路,直接匹配检测器的输入格式。最后结合检测器获取识别结果,采用检测器的损失函数统一优化DFE局部和FFM整体的参数,改善内部特征对检测任务的适配性。DFE的两个额外分支通过显式建模能够更具针对性地改善亮度和边缘等特征,并且其增强分支采用的是ZRCRN模型,照度不变特征图的提取也是基于输入图像实现的,无需额外数据集监督即可有效提升相应特征的表示能力。FFM则能够高效地聚合各个分支中更有利于检测任务的特征,改善检测精度。此外,通过随机执行两种图像退化算法,本文还基于DOTA数据集生成了低照度遥感目标检测合成数据集LL-DOTA用于模型训练,并标注Darkrs数据集建立了测试集Darkrs-Det,以进一步评估模型的泛化能力。在Exdark以及两个新数据集上的实验验证了该模型的优势。与直接检测低照度图

关键词： 深度学习   目标检测   注意力机制   无人机   计算机视觉  

摘要： 2021年《国家综合立体交通网规划纲要》首次将无人机经济纳入国家战略布局。2022年民航局发布《“十四五”通用航空发展专项规划》和《民用无人驾驶航空发展路线图V1.0》,推动无人机在交通管理中的应用。2024年至今,相关政策法规的实施为无人机在智慧交通中的应用提供了坚实保障。随着无人机技术的快速发展,在智慧城市交通领域,结合无人机的优势开创新的应用模式。如今,无人机在交通管理中的应用更加广泛和深入,基于无人机交通事故的快速处理,进行交通巡逻,结合5G技术实现对重点路段的动态监管等,为智慧交通的建设与发展提供了有力支撑。基于无人机与计算机视觉技术的结合,成为一种新兴的城市交通信息获取手段,核心价值在于为人类观察地面交通细节信息提供了独特视角,为不同场景下的决策提供信息支持。 在智慧城市交通建设中,针对航拍交通小目标检测的研究在提升城市交通管理水平和保障交通安全方面具有重要意义,不仅有助于降低交通事故发生率,还能在事故发生时迅速提供现场信息,提升应急响应能力。但在成像过程中受光线以及尺度变化影响,目标呈现出尺寸小、密集、分布不均、以及背景复杂等特性。为实现航拍图像交通小目标的精准定位与识别带来极大的局限性。因此,针对上述问题,本文开展基于深度学习的航拍图像交通小目标检测方法的研究。 第一部分提出基于特征融合与高效多尺度注意力机制的航拍小目标检测算法,提升算法对交通小目标的检测精度。针对复杂环境下交通小目标特征利用率低下的问题,引入更高效的特征提取主干网络。通过搭建全卷积掩码自编码器框架,结合自监督学习策略来优化基础算法的主干网络CSPDarknet,提升算法对交通小目标底层特征的敏感度;针对航拍图像交通小目标之间相互遮蔽的现象,结合注意力机制的优势,设计跨空间特征提取模块EC2f。通过构建并行支路实现对不同尺度、方向及形状目标的上下文细节特征交互建模,将位置信息有效嵌入通道注意力中,增强特征的空间表达能力;针对航拍图像交通小目标尺度多样且在复杂背景下难以精确定位的问题,设计多层级共享特征检测头模块。构建共享特征交互网络以及特征交互模块,实现多尺度特征融合,同时对目标分类和定位任务进行分解,有效减少参数量的同时提升整体性能。 第二部分综合考虑实际应用的场景,就无人机边缘设备因有限算力制约算法检测效果的问题,设计基于自适应剪枝与知识蒸馏的轻量化策略。基于第一部分所提算法展开轻量化的研究。训练过程中展开相应维度的特征图,计算每个权重参数的想对重要性权重分值,结合全局重要性进行排序评估,自适应修剪分值低的权重参数,使其达到设定的稀疏值,保证算法结构稳定的同时实现轻量化的目的;为弥补剪枝策略应用过程的性能损耗以及优化整体算法的鲁棒性。结合逻辑蒸馏的优势,构建定位和分类任务的并行蒸馏损失函数。同时考虑特征蒸馏,计算特征图的蒸馏损失函数,加权构建混合蒸馏学习模块。增强算法在定位和分类任务中的学习能力,优化剪枝后算法对交通小目标检测性能。 综上所述,本文所研究的轻量化小目标检测算法,为智慧城市交通建设中无人机的实景应用提供了有力支持,有助于提升在复杂场景下的感知性能和可靠性,推动无人机在智慧城市中的进一步发展与应用。

关键词： 计算机视觉技术   纺织面料   智能检测   卷积神经网络   深度学习技术  

摘要： 在纺织领域，计算机视觉技术的应用不仅能够提高检测速度和精度，还能通过减少对人力的依赖来降低生产成本，并支持生产过程的持续优化。近年来，深度学习特别是卷积神经网络（convolutional neural networks, CNN）取得突破性进展，为复杂图像模式识别提供了强大的工具，使在纺织面料瑕疵检测中实现高度自动化和智能化成为可能。文章主要探讨如何有效利用计算机视觉技术，尤其是深度学习技术，开发一种高效、准确的纺织面料瑕疵智能检测系统。从纺织面料瑕疵智能检测的发展现状、主要方法、意义及面临的挑战出发，提出计算机视觉技术在纺织面料瑕疵智能检测中应用的优化策略，总结其应用流程，旨在为纺织行业提供一套先进的自动化检测解决方案，以应对当前面临的挑战。

关键词： 目标检测   YOLOv8n   共享卷积轻量化   多尺度特征融合   注意力机制  

摘要： 针对水下检测背景复杂、光线暗淡、目标遮挡重叠等问题,本文提出一种基于YOLOv8n改进的实时水下目标检测算法.首先,构造特征融合模块SEHAP,使P2层与P3层融合,再经过EHAPOKM学习全局到局部的特征,以提高识别小目标和低分辨率图像的准确率.其次,增加一个轻量化的检测头SLDH,使用共享卷积,并将其与ASL缩放特征尺度模块结合,在降低参数量和计算量的情况下,减少精度损失.随后,增加C2f-EGMSC模块,采用分组卷积更好地提取不同层次的特征.最后在部分C2f-EGMSC模块后使用注意力机制BAM,使模型同时关注通道和空间维度信息,提升模型性能,将改进后的模型命名为ESE-YOLOv8.基于RUOD数据集上的实验表明ESEYOLOv8可以达到85.2%的检测精度,相较于原始算法提升1.2个百分点,参数量下降了36.7%.改进后的模型兼顾了轻量化和精度,为水下环境部署提供了可行的解决方案.