关键词： 目标检测   无人机   注意力机制   光伏板巡检  

摘要： 随着太阳能光伏板的广泛应用,光伏板的隐患及故障缺陷检测变得越发重要。为了提高光伏板的巡检效率和缺陷检测的准确性,设计了一种基于注意力机制目标检测算法,并结合无人机技术提出了一套完整的光伏板巡检方案。该方法利用无人机搭载的高分辨率相机进行图像采集,并通过注意力机制的目标检测和无人机技术相结合的方式进行光伏板缺陷的检测和识别。实验结果表明,所提方法在光伏板巡检方面具有较高的准确性和可靠性,平均精度均值(mAP)达到83.2%,F1得分为84.5%,有效提升了光伏板巡检的质量和效果,具有很高的实用价值。

关键词： 风景园林   计算机视觉   城市街道   绿化结构   视觉感知   空间异质性  

摘要： 【目的】绿化资源配置是城市公共空间优化的重要环节之一,对居民生活质量的提升有着积极的作用。城市街道绿化泛类结构(urban street greening general structure,USGGS)能够反映街道绿化在行人视觉环境中的整体特征,研究USGGS聚类对于物质空间要素数量以及物质空间形态的改变,能够有效探究街道绿化对行人视觉感知水平的影响。【方法】采用百度街景数据,利用DeepLabV3+神经网络模型,对天津市市内六区街道的物质空间要素进行分割,使用ArcGIS软件对空间分布特征进行可视化处理,结合数理统计分析结果,探讨USGGS与行人视觉感知之间的关系。【结果】USGGS聚类呈现向心聚集型的空间分布特征,城市主干道及快速路的行人视觉感知空间分布特征较为同质化,空间异质化现象集中出现在街道断面狭窄的生活型街道以及商业型街道。不同聚类的USGGS不仅对行人视觉感知有不同程度的影响,也与场所属性以及绿化空间位置密切相关。【结论】提升城市街道环境质量需要考虑行人视觉感知水平。合理的USGGS配置以及适当的种植点位能够更好地适应周围场所的属性,促进城市公共空间与城市街道绿化的有机融合,助推城市更新工作的精细化管理,提升城市人居环境质量。

关键词： 无人机   YOLOv8s   可变深度卷积   注意力机制  

摘要： 针对无人机航拍图像存在拍摄距离远、目标小、密度高且物体相互遮挡易造成目标检测的错检、漏检等问题,提出了一种基于YOLOv8s的融合可变深度卷积与多种注意力机制的改进算法DD-YOLO。该算法融入深度卷积简化网络模型,提出可变深度卷积来优化C2f模块,增强网络骨干的特征提取能力;引入SE、MHSA注意力机制改造SPPF结构,使之兼顾局部和全局特征的提取;在颈部网络添加四倍下采样分支以缓解对小目标的感受野不足的同时优化目标定位,加强对小目标的关注。实验表明,改进后的模型在数据集VisDrone-DET2019上的mAP@50为43.9%,mAP@50∶95为26.7%,对比YOLOv8s分别提高了5.1和3.6个百分点,参数量减少了13.2%,模型大小缩减了12.6%,对实现无人机小目标检测具有重要意义。

关键词： 数字图像处理   创新实践   课程改革   教学质量   教学实践  

摘要： 针对现阶段面向数字图像处理课程教学过程中存在课程理论知识教学内容相对繁杂、实践教学内容容易被忽视,导致学生关于数字图像处理的创新实践能力不足的问题,本文结合江苏师范大学测绘工程专业所开设的数字图像处理课程的教学实际,通过更新与优化课程教学内容,提高课程教学质量,构建“学、研、赛”一体化教学理念,并融合案例教学与半翻转课堂等一系列课程改革措施,提高课堂学习的趣味性及学生学习的积极性,构建一种“以赛促学”课程考核新模式,锻炼学生动手实践与创新开发能力,实现“新工科”建设背景下创新人才的培养目标。

关键词： 图像处理   图像超分辨率   深度学习   残差网络   自适应融合  

摘要： 作为计算机视觉领域的前沿方向,图像分辨率增强技术通过智能算法实现低解析度影像向高解析度版本的重建生成。在人工智能技术迭代演进的驱动下,该技术已在视频编解码传输、临床影像诊断、卫星遥感影像解译及智能监控系统等场景完成实践验证与工程转化。当前主流方法依据重建机理的本质区别可分为三大范式:基于像素插值的重建方法、样本驱动型重建算法以及数据驱动式学习框架。数据驱动式方法依托深度神经网络架构,通过建模低-高分辨率影像间的非线性变换规律,借助参数优化后的网络实现高频纹理特征的精准恢复。在单帧图像重建任务中,此类方法较传统方案展现出显著量化指标优势。文章研究深度学习方法在图像重建任务中的优化算法,提出自适应特征融合残差网络,通过引入自适应融合模块来融合不同层次的特征信息,提高了图像的重建质量。

关键词： 织物疵点检测   深度学习   卷积神经网络   傅里叶变换   频域卷积   织物图像  

摘要： 为解决深度学习模型在织物图像疵点目标检测过程中存在特征提取效率不高和泛化性不足的问题,提出了一种针对机织物图像的频域卷积(FFC-tex)模块。通过结合二维傅里叶变换与传统卷积的优势,设计了FFC-tex模块,用于局部和全局特征解耦,提升模型整体性能。首先基于傅里叶频域表示特性和织物图像特点设计了FFC-tex模块;然后结合该模块与YOLOv5目标检测模型设计了织物疵点检测方案;最后,通过控制织物和疵点构建了不同的数据集组合,用于充分验证提出模块对于模型性能的提升效果,同时设计了消融实验用于验证模块中组件的有效性。结果表明,提出的频域卷积能够通过在网络浅层提供全局感受野以实现织物图像全局特征和局部特征的解耦,优化特征提取流程,解决了传统卷积在织物图像处理中的局限性,有效提升了网络的泛化能力和鲁棒性。

关键词： 计算机应用技术   毫米波雷达   三维目标检测   多头自注意力机制   融合网络   噪声抑制   点云稀疏性  

摘要： 针对4D毫米波雷达在应用中存在点云稀疏和噪声的问题,提出一种基于多头自注意力机制的融合检测方法。利用多头自注意力机制聚焦于缺失点周围的相关点,推断缺失点的特征,减少整体点云的稀疏性;通过调整注意力权重,抑制噪声点的干扰;通过融合全局特征与局部特征,增强对体素柱的空间表示,应对复杂场景中的目标识别问题。通过VoD数据集和Dual-Radar数据集的测试和验证,实验结果表明,所提方法改善了由于毫米波雷达点云稀疏性和噪声引起的漏检和误检问题,提高了目标检测精度。

关键词： 跨区域跟踪   全天候感知   贝叶斯理论   时空约束   层次聚类  

摘要： 现有跨区域车辆跟踪技术在车辆外观信息清晰时效果良好,但在低能见度场景下却面临着非常大的挑战。鉴于此,文中为高速公路场景设计了基于毫米波雷达和相机的多目标跨域跟踪方法(Multi-Target Cross-Region Tracking based on Radar and Cameras,RC-MTCRT)。首先,该方法采用贝叶斯理论融合雷达和相机的数据,实现车辆全天候感知;其次,基于SORT算法仅利用车辆运动信息在单区域内进行稳定跟踪;再次,利用场景的时空约束及层次聚类方法,成功关联不同监测区域内的车辆轨迹,达到跨区域跟踪;最后,该方法在包含低能见度场景的数据集上表现出了稳定性和实时性。

关键词： YOLO   小目标检测   去雾算法   注意力机制  

摘要： 针对雾天场景下遥感小目标检测的漏检错检问题,提出了基于双子网多任务协同训练的GFFA-YOLO算法。利用门控融合的GFFA网络去雾来恢复目标信息。设计SD-SCConv和RepNCSPELAN-SD-SCConv模块,该模块通过融合空间到深度层,同时利用自校正机制来提高特征提取能力。增加了选择注意力LSK模块来增强多尺度特征融合。实验结果表明,所提算法在不同雾浓度的NWPU VHR-10数据集上的mAP分别达到85.6%和74.3%,在雾处理后的DOTA v1.0数据集上mAP达到82.1%,相较主流算法表现出更高的检测能力。

关键词： 计算机视觉   人工智能   分级任务驱动   学科交叉  

摘要： 本文针对计算机视觉课程的教学现状,提出基于产业需求和学科交叉的教学改革路径:通过模块化课程设计,使学生逐步掌握从基础理论到深度学习模型的核心技术及前沿动态;引入分层任务模式强化实践能力,设计跨学科场景促进理论与实际应用融合;多元化考核方式和过程性评估有助于关注学生学习过程与成果,全面提升学生创新意识和工程思维。