关键词： 数字图像处理   工程测量   实践应用  

摘要： 现代信息技术以及通信技术的迅猛发展,在前沿科学技术融入不同领域的基础条件下催生了数字图像处理方法,其在工程测量领域扮演的角色无可取代。数字图像处理技术具有精确度较高、分辨率高、非接触远程测量、形象信息丰富等多方面的特征,以其独特的优越性在我国的工程测量领域中得到了广泛的应用。本篇文章主要分析了数字图像处理在工程测量中的关键应用技术,并且就数字图像处理技术在工程测量中的实践应用进行了探究,希望能够为推动数字图像处理技术在工程测量领域中进一步发挥应用价值提供参考意见。

关键词： 目标检测   无人机航拍图像   RT-DETR   边缘信息增强   卷积加法标记混合器   小目标增强金字塔  

摘要： 针对无人机航拍图像中存在的目标边缘信息模糊、复杂背景干扰以及小目标分辨率低、难以辨识等问题，提出了一种新型改进RT-DETR的无人机航拍图像目标检测方法，记作MCS-DETR。首先，在主干网络中设计多尺度边缘增强模块，通过构建边缘信息增强机制，并结合深度卷积操作和特征融合策略，实现在不同尺度上提取特征信息，增强模型对图像边缘信息的感知能力。接着，在尺度内特征交互机制中融入卷积加法标记混合器，以优化特征交互过程，提升模型对全局上下文关键信息的捕获能力。最后，在原有特征融合方式的基础上进一步改进创新，提出小目标增强金字塔网络，增强模型对小目标细节特征的提取能力。实验结果表明，与RT-DETR模型相比，改进后的MCS-DETR算法在Visdrone2019-DET-Test上，参数量减少了20.7%，准确率、召回率、mAP@50和mAP@50:95分别提升了2.4%、3.1%、2.8%和2.0%，能够有效改善复杂场景下无人航拍图像目标检测的误检、漏检问题。

关键词： 船舶目标检测   YOLOv8-CKS模型   SAR图像   跨层连接   坐标注意力机制  

摘要： 针对复杂场景下合成孔径雷达(synthetic aperture radar, SAR)图像中船舶目标的像素尺度差异较大以及船舶密集排列导致目标漏检的问题，论文基于YOLOv8目标检测模型进行改进，基于SSDD数据集设计训练出YOLOv8-CKS网络模型，用于船舶多尺度SAR图像目标检测。首先，在输出层前引入坐标注意力机制，将位置信息嵌入到通道关注中以解决位置信息丢失的问题，实验结果表明，该方法可有效解决靠岸船舶和远海船舶目标漏检问题；其次，在主干网络部分加入跨层连接，以解决特征提取过程中特征丢失的问题，实验结果表明，该方法可有效解决靠岸船舶和近海船舶目标漏检问题；最后，对空间金字塔池化进行优化，用SPPFCSPC代替SPPF模块，进一步提升了模型对靠岸船舶目标的检测精确度。在SSDD数据集上的实验结果表明，YOLOv8-CKS模型检测的平均精确度(mAP@IoU=0.5)达到了98.3%,相比于YOLOv8基准网络提升了1.1%;与YOLOv5基准网络相比，YOLOv8-CKS网络模型的平均精确度提升了1.6%,而模型参数量降低了48.7%,在目标检测精度和检测效率方面获得双重改善。

关键词： 多波束声纳   目标检测   概率统计   Otsu   图像分割  

摘要： 受多波束声纳自身结构及复杂环境的双重干扰，声纳图像常含有大量噪声，严重干扰了水下目标信息的有效获取。为此，本文基于局部双阈值分割提出了一种水下目标检测方法。首先，依据多波束声纳图像的特征，提出了图像分块策略，将图像裁剪成若干子块，并为每个子块设计了改进的双阈值Otsu(Bi-Otsu)分割算法，以提升分割精度。其次，结合形态学运算与概率统计方法，设计了一种目标边缘检测算法，从分割后的图像中准确提取目标边缘。实验结果表明，该方法有效改善图像质量不均对分割结果的影响，具有较高的鲁棒性和分割精度。相比现有方法，Bi-Otsu算法在分割精度和计算速度上均有显著提升，适用于水下目标的高效检测。

关键词： 浓香型白酒   包包曲   截面识别   包包曲分级   深度学习   计算机视觉  

摘要： 包包曲是浓香型白酒五粮液在酿造过程中至关重要的发酵原料，其精准分级对于稳定酿酒质量和提高生产效率具有重要作用。然而，传统的包包曲分级方法主要依赖于人工经验，效率较低，且培养一位经验丰富的工程师耗时较长，导致分级结果易受人为因素影响，鲁棒性较差。本研究提出了一种基于深度学习的五粮液包包曲分级框架，包含包包曲截面识别与分级判别两个核心模块，旨在实现分级过程的数字化与高效化，从而辅助工程师提升分级准确率与效率。针对传统人工检测方法的局限性，本研究建立了包包曲图像数据集，并构建了两阶段深度神经网络框架：第一阶段通过目标检测模型识别包包曲截面，第二阶段利用图像分类模型进行分级判别。实验结果表明，该自动化方法的分类性能可媲美经验丰富的工程师，为白酒酿造工业的智能化发展提供了技术支持。

关键词： TransReID   目标检测   方位估计   姿态估计   计算机视觉   智慧工地  

摘要： 正确识别施工人员的方位有助于施工活动识别和移动轨迹预测，为此整合了目标检测和人员重识别算法提取的图像特征，提出一种基于视觉的感知方法。基于YOLO v8算法训练了能够识别施工人员不同姿态和方位的检测模型，建立了人员重识别模型以匹配不同的作业人员图像，从而解决传统跟踪方法在人员匹配上的局限。估计方位时，首先应用YOLO v8算法识别并截取人员图像，然后利用人员重识别算法进行身份匹配，随后在图像周围添加掩码以维持尺度不变性，最后再次应用YOLO v8进行检测，以获取个体人员在不同时刻的方位和姿态信息。实测验证中，方位评估和姿态识别的总体准确率分别达到92.45%和97.17%，验证了该方法的有效性。本研究利用物联网技术为智能建造与运维管理提供了新的方案，有助于施工个体人员的管理效率提升。

关键词： 计算机视觉   单目深度估计   自监督学习   动态场景   Computer Vision   Monocular Depth Estimation   Self-Supervised Learning   Dynamic Scenes  

摘要： 近年来，自监督单目深度估计因其无需深度标签的优势，在计算机视觉领域获得了广泛关注。然而，传统自监督单目深度预测方法通常基于静态场景假设，这导致在相邻帧中出现动态对象时，深度预测的精度会显著下降。为了解决这一问题，本文提出了一种多帧自监督单目深度估计模型。该模型通过分割网络预先识别图像中的运动物体，并利用多帧图像之间的光流信息来重构图像。通过将静态场景与动态物体分开处理，该方法有效提高了动态物体深度估计的准确性。此外，本文设计了动态物体重构损失(Dynamic Object Reconstruction Loss, DRL)和深度一致损失(Depth Consistency Loss, DCL)，以监督动态重构图和重构深度图的生成。实验结果表明，在三个公共数据集上，该方法优于现有的主流方法，能够在动态场景中准确预测深度图。

关键词： YOLOv8   小目标检测   海洋垃圾   SimAM注意力机制  

摘要： 针对海洋环境下对垃圾污染物的检测精度低，小目标漏检，遮挡以及参数量大的问题，提出了WG-YOLO算法。通过CSP策略与通道洗牌方式提出S-HG Block替换C2f模块，减少了梯度信息丢失的同时，促进了对多尺度特征信息的提取。引入改进后的ESimAM注意力机制，通过生成三维注意力权重和残差连接，不仅增强了主导特征，还保留了特征较弱的特征。在Neck部分，提出了小目标特征增强金字塔网络，将富含小目标信息的低层特征融合到高层增强多尺度表示，又通过三分支通道的CSPO(CSP-OmniKernel)网络细化小目标特征。使用轻量化共享卷积检测头来优化原检测头，在大幅降低参数量的同时，保持了模型的精度。WG-YOLO模型在TrashCan数据集上mAP50达到了68.1%，mAP50:95达到了48.7%，较YOLOv8n分别提高了5.2%和2.7%。

关键词： 激光雷达   目标检测   点云掩码   不确定性估计  

摘要： 激光雷达获取的三维点云数据是自动驾驶的关键数据源，但其标注难度大、数据量有限且标签不确定性高，限制了基于深度学习的三维目标检测模型的训练效果。针对以上问题，提出点云掩码策略构建预训练数据集，结合迁移学习提升模型检测精度；提出基于高斯分布的定位不确定性估计建模方法，使目标检测模型在预测边界框坐标的同时预测每个坐标的定位不确定性。实验结果表明，在不明显增加算法复杂度的前提下，新方法有效减少了误检现象，显著提高了目标检测的准确性。

关键词： 腈纶纱线   摩擦周期   摩擦负载   磨损性能   图像处理  

摘要： 为探究腈纶纱线的磨损状态及其形貌变化特征，采用自制的纱线摩擦性能测试装置对腈纶纱线进行磨损试验并通过图像处理手段对腈纶纱线磨损后的图像进行识别、表征与量化分析。结果表明：随着摩擦周期的增加，腈纶纱线直径、纱线占比以及纤维毛羽像素最大值均呈现先增大后减小的趋势。对于纤维直径为20 μm的腈纶纱线，在60个摩擦周期时，纱线占比和纤维毛羽像素值达到最大，分别为11.02%和394像素；在80个摩擦周期时，纱线直径像素值达到最大值，为96像素。随着摩擦进程增加，磨损程度加强，摩擦区域的纱线条干被越来越多的纤维毛羽包裹，导致纱线直径增大；当摩擦周期进一步增长时，纱线周围的纤维毛羽脱落，进而导致纱线直径和纤维毛羽长度减小。认为：借助纱线条干、毛羽数量及其状态的变化可为评价其力学特性及相关制品的性能提供理论分析依据，有利于监测纱线的磨损性能、评估部件的运行状态。