关键词： 文本识别   阴影消除   阴影检测   小样本学习   目标检测  

摘要： 阴影消除是计算机视觉领域中面对阴影场景的重要任务,旨在检测和消除图像中的阴影区域。由于图像编辑技术受到阴影图像质量的制约,现有方法利用其他任务中的知识和阴影特性来获得更加有效的特征向量,从而实现阴影消除。在带有文本内容的阴影图像中,由于文本颜色和形状等特征不同于前景和背景,因此可能将文本错误地检测为阴影的一部分进而导致错误的阴影消除结果。针对该问题,提出了一种面向文本识别的小样本阴影消除方法。在小样本目标检测基础框架模型中,利用被错误识别为阴影的文本特征生成基类数据和新类数据,增强对该类文本的特征学习;在部分检测框合并算法中,利用文本本身长宽比多样化、变化大的特性,以多个约束为前提合并结构相关性较强的检测框,实现对目标的正确框定。建立在真实数据与合成数据上的实验结果验证了所提方法的有效性。

关键词： YOLOv5算法   EIoU   Focal Loss   CA注意力机制   目标检测  

摘要： 为了减少YOLOv5模型在复杂环境下的误检率和漏检率,提出一种基于CA(Coordinate Attention)和EIoU(Efficient Intersection over Union)的目标检测模型YOLOv5-CCE。首先向Neck网络中的部分C3_2模块中嵌入坐标注意力机制CA,增强模型对特征的提取能力;其次为提高回归精度,提出一种基于Focal EIoU Loss改进的Focal CEIoU Loss。实验结果表明,在PASCAL VOC 2007+2012数据集上,YOLOv5-CCE模型在参数量和计算量基本保持不变的情况下,相较于原模型mAP@0.5、mAP@0.5:0.95和准确率分别提升了1.4%、1.3%和3.7%,因此,YOLOv5-CCE模型可以更好地适应复杂环境下的目标检测任务。

关键词： 葡萄   目标检测   YOLOv5s   轻量化网络   特征融合  

摘要： 针对农业自动采摘机械对目标检测模型准确率、实时性及轻量化的需求,提出了一种轻量级葡萄目标检测网络YM-GDM(YOLOv5s-MobileNetV3 grape detection model)。使用MobileNetV3代替CSPDarknet53作为YOLOv5s的主干网络,以实现模型的轻量化;引入Res2Net_C2f模块和BiFPN(Bi?directional feature pyramid network)结构,以提高模型的多尺度特征融合能力;同时,改用VariFocalLoss损失函数对模型进行训练,以减少正负样本不均带来的影响。使用包含5类食用葡萄的自制数据集与包含5类酿酒葡萄的公开数据集(WGISD)作为试验数据集进行测试。结果表明,YMGDM网络对10个品种葡萄的目标检测平均精度均值(mAP50)达到90.8%,比YOLOv3-tiny、YOLOv5s分别提升6.2、2.2百分点;模型体积为9.72 MB,相比YOLOv3-tiny、YOLOv5s分别缩小44.4%、32.8%。此外,进一步减少参数量得到了轻量特化模型YM-GDM-tiny,模型体积缩小到4.73 MB,mAP50达到86.8%,以部署于算力更低的移动设备。

关键词： 无人机图像   松材线虫病   深度学习   目标检测  

摘要： 【目的】针对无人机松林图像中早期松材线虫病害特征不明显、尺度多变导致的目标漏检、误检问题,提出一种基于深度学习的早期松材线虫病害检测方法。【方法】首先,为达到在无人机机载端的模型部署需求,提出一种降低计算量和参数量的松材线虫病害检测方法;其次,为获取早期松材线虫病害更准确的特征,采用多种方式同时提取特征并融合以增强对有效特征的学习能力;然后,为进一步提高不同尺度特征的融合能力,添加注意力机制对齐相邻两级特征;最后,以辽宁抚顺大伙房试验林场无人机拍摄的早期松材线虫病害为研究对象,利用LablImg开源软件标注拍摄高度为100~240 m的图像,构建无人机早期松材线虫病害图像(EPI)数据集。【结果】在EPI数据集上的测试结果表明,本研究方法的平均精度(AP)最高达95.2%,相比YOLOv5s、YOLOX-s和YOLOv6s的AP分别提高3.1%、4%和0.9%;该模型体积仅12.8 M,分别是YOLOv5s、YOLOX-s和YOLOv6s模型体积的23.6%、17.8%和8.9%。【结论】本研究方法具有较高识别精度,同时模型体积较小,可为无人机在机载端识别早期松材线虫病害提供可能。

关键词： 多介质   教学资源   新工科教育   课程思政   数字图像处理  

摘要： 立德树人是高等教育改革的终极目标,而教学资源建设是系列教改的基础。在分析新工科教育与传统工科教育差异基础上,揭示多介质新形态教学资源建设需求,提出立德树人视域下的多介质新形态教学资源建设方法,包括以先进的学习理论为指导安排教材结构、体例;以立体化教材、公众号、小程序和抖音等新形态介质传递教学内容;以新知识新技术为牵引促进创新创业能力;以不同领域新应用实例夯实跨界综合能力;以文化自信、忧患意识等为牵引强化课程思政,实现多介质新形态教学资源建设。

关键词： YOLOv5   目标检测   MobileNetV3   AFPN特征融合结构  

摘要： 在无人机航拍领域,针对难以捕获和精确辨识小目标,以及小目标检测对系统实时处理能力要求较高,提出一种基于YOLOv5改进结构的深度学习算法。通过替换轻量级MobileNetV3作为主干网络,显著减小了模型复杂度与计算负担,同时保留了高效的特征提取能力,以及引入AFPN特征融合结构,实现了图像空间信息多尺度特征的高效融合,不仅增强了模型对小目标的敏感性,还显著提升了目标检测的精度与效率。实验验证:改进后的算法在VisDrone数据集上的整体表现较好。

关键词： 卷积神经网络   声呐图像   水下目标检测   深度学习  

摘要： 声呐探测技术作为水下探测的主要手段之一,在海洋环境中具有广泛的应用,随着卷积神经网络(CNN)在计算机视觉领域表现出卓越的性能,该技术越来越受到研究人员的重视。文章综述了卷积神经网络在声呐图像水下目标检测中的应用与发展,重点讨论基于CNN的典型水下目标检测方法,包括基于候选区域与回归的检测算法在声呐图像上的改进与应用,并分析各类网络模型在处理声呐图像特有问题上的创新策略,如小样本检测、小目标检测及CNN与传统算法融合等。最后总结了当前基于CNN的水下目标检测面临的挑战,并预测该领域技术发展趋势。

关键词： 图像处理   细化算法   干涉圆环   Hough变换   圆心识别   圆环参数提取  

摘要： 为解决光学干涉图像亮暗不均和噪声对干涉圆环半径和圆心识别的影响问题,以Matlab仿真图像为对象,研究细化算法在圆环参数提取中的作用。首先,在仿真干涉同心圆环图像中加入噪声和亮暗不均的因素;然后,在预处理基础上依次应用二值算法、细化算法得到二值图和细化图;最后,分别在预处理图、二值图和细化图上进行Hough变换提取半径和圆心。对比研究发现,二值化基础上的细化处理可以极大地减少亮暗不均的影响,抑制噪声,不仅能够消除粗大误差,提高提取精度,而且使得识别结果变得更加稳定。

关键词： 机器视觉   纸张瑕疵   图像处理   检测系统  

摘要： 近年来,机器视觉技术已经成为工业检测领域一项应用前景十分广阔的高新技术,也成为纸张瑕疵智能检测工作的一个研究热点。在此背景下,简单分析了基于机器视觉的纸张表面瑕疵检测现状,重点在机器视觉技术支持下,设计与实现了纸张瑕疵智能检测系统,明确了检测系统的整体结构、硬件选型,提出了有针对性的图像处理关键算法,最后完成对各类瑕疵的检测试验。结果表明:各类瑕疵平均检出率在98%左右,获得了较好的瑕疵检测效果。

关键词： 点云   点云补全   计算机视觉   深度学习  

摘要： 点云数据蕴含着大量的空间信息,通过LiDAR、3D传感器等设备获取点云数据,被广泛应用在自动驾驶、3D重建、医学图像处理等计算机视觉领域。但由于传感器视野受限、物体遮挡等因素,导致获取的点云数据存在缺失部分。点云补全旨在从不完整的点云数据中推断出缺失的部分并还原完整的点云数据。基于此,对基于深度学习的点云补全方法进行分类,并分析模型的优缺点,描述几个点云补全领域常用的公共数据集和评价标准,对未来点云补全技术的研究方向进行探讨。