关键词： 线上教学   新工科   混合式教学   数字图像处理  

摘要： 在新工科明确提出工程教育要将“为新经济培养工程科技人才”作为育人目标的背景下,虽然“互联网+”线上教学模式能够在一定程度上满足日常教学任务和培养目标要求,但该方式授课效果较差,课堂环节不易把握,师生互动无法保障,严重影响了教学效果。以新的教学需求为切入点,以数字图像处理课程为例,开展了线上线下融合教学环节设计和课程实践研究,融合了智能推荐、虚拟仿真等技术,形成了个性化学习和教学路径,并有效整合线上线下教学特征和优势,逐步形成了“知识—能力—素质”三位一体的专业人才培养体系。

关键词： 无人机技术   机场助航灯   目标检测   轻量化  

摘要： 助航灯光系统为飞机在夜间或低能见度的情况下起飞、降落和滑行提供目视引导,是机场安全维护的重要组成部分。目前,仅有少数大型机场具备自动化监测系统,绝大多数以人工视察,定期取样测试为主,效率较低。本研究提出了一种基于无人机技术的助航灯快速自动化巡检方法。在夜间停飞维护期间,无人机按设定路线和角度进行图像采集。考虑到灯光特征单一和轻量化部署,提出基于定位信息的巡检方案,并利用阈值提取法实现助航灯目标的快速识别,为后续应用提供便捷。

关键词： 鸡蛋   光电检测   热成像   图像处理   种蛋活性  

摘要： 鸡蛋孵化产量高,但不同孵化时间节点死胚蛋与无精蛋的检测研究较少。孵化前期由于胚蛋活性较弱、产热较少,热成像检测不能很好地将活胚蛋从死胚蛋和无精蛋中区分出来;孵化中后期由于活胚蛋发育基本成型,光线不能贯穿种蛋,光电检测方法无法区分中后期死亡的胚蛋。将光电检测与热成像检测结合,识别孵化前期(6~12 d)与孵化中期(15~18 d)死胚蛋与无精蛋。通过光电传感器采集孵化6~12 d种蛋的透光量变化,提取特征参数,使用自主开发的软件采集孵化15~18 d自然冷却温降序列的热图像,经过处理获取感兴趣区域模板,利用模板分割序列热图像,获得种蛋区域灰度均值变化曲线,提取反映种蛋活性的特征参数,使用逻辑回归(logistic regression,LR)、K最近邻(K-nearest neighbors,KNN)、支持向量机(support vector machine,SVM)、决策树(decision tree,DT)、朴素贝叶斯(naive Bayes,NB)、随机森林(random forest,RF)建立不同孵化时间节点的检测模型。结果表明,KNN区分孵化第6~12天种蛋活性效果最好,在孵化第10天准确率达98.7%;LR区分第6~12天种蛋活性效果在所有时间最稳定,准确率均达94%。SVM区分孵化第15~18天种蛋活性效果最好,第18天准确率达97.1%。孵化前期使用光电检测利用透光量变化检测死胚蛋与无精蛋,孵化中期使用热成像技术利用种蛋温度变化的灰度均值,提取灰度变化曲线特征检测死胚蛋,可批量检测不同孵化阶段白壳白羽鸡种蛋活性。

关键词： 高能同步辐射光源   高性能像素阵列探测器   在线数据获取   目标检测   数据压缩   DAQ系统  

摘要： 面向高能同步辐射光源(High Energy Photon Source,HEPS)的高性能像素阵列探测器(HEPS-BPIX4)的数据获取系统(Data Acquisition,DAQ)需满足高实时性要求。通过在线压缩图像数据,可有效降低后续传输与存储的压力。针对传统压缩算法在压缩率和实时性方面的不足,本文提出了一种基于深度学习目标检测的图像数据在线压缩方法。采用端到端的YOLO(You Only Look Once)目标检测算法,对深度学习模型进行高效训练,并验证了其在HEPS-BPIX4 DAQ数据流中实现在线数据压缩的可行性。实验结果表明,该方法的图像数据在线压缩平均压缩比达到5.88。同时,设计了高效的部署方案,并对性能进行了测试,单线程下的压缩处理速率可达GB∙s^(−1)量级。此外,进一步提出了适用于HEPS-BPIX4 DAQ框架的多线程部署方案,以满足更高的压缩性能需求,为缓解HEPS-BPIX4 DAQ系统高带宽图像数据处理压力提供了新思路。

关键词： 多传感器融合   激光雷达   单目相机   D-S证据理论   加权框融合  

摘要： 针对单一传感器存在受环境因素影响较大,容易造成漏检,误检且不同传感器之间的数据格式不同,融合复杂度高的问题,提出一种基于激光雷达和相机的决策级融合方法。首先对激光雷达和相机进行时空对齐,然后分别使用PointPillars算法和Yolov5算法对预处理后的点云数据和图像数据进行迁移训练和目标检测得到检测框,最后使用交并比匹配、D-S证据理论和加权框融合方法对目标结果进行融合。通过实车试验,得出提出的融合方法在激光雷达和相机的决策级融合场景中能够有效结合两者的优势,实现对环境的更全面感知,有效提升目标检测精度,减小误检,漏检的概率。

关键词： 语义通信   深度学习   对比学习   扩散模型   图像处理  

摘要： 无监督图像传输语义通信方法的目的是在接收端生成与原始图像尽可能相似的图像。然而,在低压缩比(Compression Ratios,CRs)或低信噪比(Signal-to-Noise Ratio,SNR)的条件下,重建图像的质量往往会显著下降。为了解决上述问题,本文提出了一种能够自监督提取并利用图像高层语义的语义通信模型。为有效地提取包含高、低层的混合语义特征,本文提出了一种基于动量对比(Momentum Contrast,MoCo)的自监督语义编码器。与纯高层语义特征相比,混合语义特征能够提高生成图像与原图的相似性;与纯低层语义特征相比,混合语义特征能够更好地表示图像的核心语义。本文设计了一种基于扩散模型(Diffusion Model)的语义解码器,旨在建立高层语义特征到图像像素的映射关系,将接收到的语义信息还原为图像像素。实验结果表明,在低CRs和低SNR条件下,与传统通信方法和四种无监督语义通信方法相比,本文所提出的模型在加性高斯白噪声(Additive White Gaussian Noise,AWGN)信道、瑞利(Rayleigh)信道和莱斯(Rician)信道下生成的图像在视觉特征方面与原数据集更接近,并在使用第三方图像分类器进行分类时具有更高的正确率。

关键词： 航拍图像   小目标检测   多层级特征融合   L-MobileViT   YOLOv8  

摘要： 针对航拍图像大视野、小尺寸、分布密集从而导致小目标检测精度低的问题,提出一种基于YOLOv8改进的融合多尺度特征的航拍检测算法,构建了轻量化的L-MobileViT模块捕获特征间的有效关系,减缓信息丢失,提高模型的检测性能。提出了多层级的多尺度融合模块HF(hierarchical fusion),融合深层级的语义信息与底层级空间纹理信息,提高密集场景下小目标的检测能力。在YOLOv8基础上增加小目标检测头删减大目标检测头,提升小目标检测能力,减少小目标的漏检。实验结果表明,改进后的模型在VisDrone2019与UAV航拍交通小目标数据集(UAVTrafficTinyDataset)中取得了较优的效果,与基线模型相比,m AP@50分别提高17.6%、15.7%,对小目标的检测效果有明显的提升,综合性能优于主流的航拍检测算法,表明改进算法具有更优泛化性与鲁棒性,适用于航拍场景下的检测任务。

关键词： 计算机视觉   人工智能专业   理论教学设计   实验教学设计  

摘要： 针对人工智能专业本科生在计算机视觉课程学习中遇到的问题,从培养具备深厚的计算机视觉知识、能力和素养的人工智能专业人才出发,结合课程的特点,提出一个内容涵盖丰富的立体结构课程体系,阐述该体系内各模块的设计思路与相互关联,介绍构建过程,通过对学生的调研分析,说明该课程体系可以有效提高学生的学习效果与动手能力,能够为其他高校提供课程建设思路。

关键词： 机器视觉   图像处理   特征提取   深度学习   创新算法  

摘要： 随着人工智能和机器学习技术的不断发展,机器视觉作为重要的研究方向之一,被广泛应用于制造业质量监控、安全防护系统、医疗成像分析等多个行业。在图像分析和处理技术中,特征提取技术的效率和革新程度对整个系统的运作效果起着决定性作用。本文对传统的特征提取技术进行了梳理,进一步研究了近年来在机器视觉领域涌现的先进技术,提出了特征提取技术革新的路径及实际操作心得。

关键词： 目标检测   深度学习   计算机视觉   单阶段   YOLO   DETR  

摘要： 近年来,目标检测算法作为计算机视觉领域中的核心任务,逐渐成为热门研究方向。它使得计算机能够识别和定位图像或视频帧中的目标物体,广泛应用于自动驾驶、生物个体检测、农业检测、医疗影像分析等领域。随着深度学习的发展,通用目标检测算法从传统的目标检测方法转变为基于深度学习下的目标检测方法。其中深度学习下的通用目标检测算法主要分为单阶段目标检测与两阶段目标检测,以单阶段目标检测为切入点,根据采用经典卷积与Transformer两种不同架构,对首个单阶段目标检测算法YOLO系列(YOLOv1~YOLOv11、YOLO主要改进版本)、SSD等和以Transformer为基础架构的DETR系列的主流单阶段检测算法进行分析总结。介绍各个算法的网络结构以及其研究进展,根据各个算法的结构归纳出其特点优势以及局限性,概括目标检测领域主要通用数据集与评价指标,分析各算法以及其改进方法的性能,讨论各算法在不同领域的应用现状,展望单阶段目标检测算法在未来的研究方向。