关键词： 遥感图像   目标检测   损失函数   YOLOv8   主干网络   CIOU   注意力机制  

摘要： 为解决当前基于遥感图像识别技术中的错误判断问题及遗漏对象问题等缺陷,提出一种改进的YOLOv8目标检测算法来提升其准确率。使用Efficient ViT作为主要框架替代原始架构设计;在核心部分嵌入深度分离式卷积单元,构建Slim Neck构架结合CA注意力机制和Ghostmodules;提出Focal-IOU损失函数重构IOU,取代CIOU。实验结果表明,改进后算法与原YOLOv8算法相比,m AP提升了2.4%,精确度和召回率也有一定提升,验证了改进算法的有效性和先进性。

关键词： 机器学习   自然语言处理   计算机视觉  

摘要： 近年来,人工智能的飞速发展正深刻影响着技术与产业的变革.在计算机视觉、语音识别、自然语言处理以及智能决策系统等领域,人工智能的突破性进展正重塑金融、医疗、交通等多个行业的格局.作为人工智能的核心支柱,机器学习是一门融合优化算法、统计推理和高效计算的跨学科领域,其主要目标是通过算法从海量数据中提取知识,并利用这些知识预测和决策,从而解决复杂的实际问题.

关键词： 计算机视觉   古陶瓷纹饰   智能识别   再创作   策略研究  

摘要： 古陶瓷纹饰是文化遗产的重要载体,传统研究古陶瓷纹饰的方法,效率低,主观性强。计算机视觉技术的出现为古陶瓷纹饰的智能识别与再创作带来了新机遇,这对提升文物鉴定精度、推动文化创新具有重要意义。文文旨在构建一个基于多模态特征融合的智能识别模型,探索自动化再创作方法,以实现传统纹样的数字化保护与转化。具体而言,首先采集纹饰图像数据,然后提取几何、色彩等特征,结合卷积神经网络和迁移学习构建分类模型,接着利用生成对抗网络生成创新纹饰,最后对设计进行优化。结果显示,模型分类准确率能达到92%,再创作出来的纹饰既有传统风格,又符合现代审美,用户满意度达85%。这说明,该技术路线能让古陶瓷纹饰研究从经验驱动转向数据与艺术融合的新阶段。

关键词： 图像处理   图像拼接   最长公共子序列   字符串匹配  

摘要： 图像配准和拼接技术在医学、军事、遥感、航空、农业等众多领域有着广泛应用,是模式识别、虚拟现实的关键技术之一,针对现有方法在亮度差异大、纹理稀疏场景中配准失败率高的问题,本文提出了一种图像拼接算法,通过计算图像灰度值差序列的最长公共子序列来确定重叠区域,并自动定位拼接线。该算法提出多尺度融合策略优化拼接边界,引入灰度差分序列替代原始像素,消除系统性亮度差异,无需手工指定特征点,对亮度差异不大的图像拼接具有较高的精度和效率,适用于多种图像拼接情形,包括同高度、不同高度、有平移和亮度差异等情况。实验结果表明,该算法能够实现快速、无缝的图像拼接,在亮度突变、噪声干扰(SNR ≤ 15 dB)等复杂场景下,本算法的拼接成功率较SIFT提升23.6%,耗时降低48.3%,可处理±30˚旋转和1.5倍尺度变化,具有良好的鲁棒性和实用性。

关键词： YOLOv7   小目标检测   注意力机制   卷积神经网络   计算机视觉  

摘要： 针对目前检测技术在航拍小目标检测任务中存在的漏检率和误检率较高的问题,提出一种基于改进YOLOv7的航拍小目标检测方法。在主干网络中加入CBAM融合注意力机制,将特征图在空间和通道两方面合理分配网络权重,抑制背景干扰,提升检测精度;引入一种用于低分辨率图像和小目标细化检测的SPD-Conv模块,消除原有卷积模块的跨卷积层和池化层,解决了原始卷积模块中存在的细粒度信息丢失以及对于特征表示学习效率较低的问题;在处理后的DOTA航拍数据集上进行性能评估。实验结果表明:改进的YOLOv7算法在处理后的DOTA航拍数据集上准确率P达到83.7%,召回率R达到78.2%,均值平均精度mAP50达到81.5%,比原始YOLOv7算法精度提升了3.1%。说明所提算法可以有效降低漏检和错检率,具有良好性能。

关键词： 遥感目标检测   FNM-Net   轻量级   剪枝   改进YOLOv7-tiny   SIIM  

摘要： 针对现阶段遥感目标检测精度低、速度慢、模型参数量大的问题,提出基于改进YOLOv7-tiny的FNM-Net轻量级遥感目标检测网络。首先,引入轻量级特征提取网络Faster-Net替换原有主干网络,避免网络对特征图的冗余覆盖;其次,引入焦点调制模块,提出空间信息整合模块(SIIM)来构建新型路径聚合网络,解决特征融合过程中信息冗余和忽略层内特征的问题;然后,针对遥感目标尺度变化大的特点提出多细粒度检测头;最后,采用基于层自适应幅度剪枝(LAMP)评分的剪枝方法,修剪权值较小的连接,减少参数量和计算量并提高检测速度。该方法在公开数据集RSOD上进行验证,结果表明,相比基线模型,参数量减少51.2%,计算量(FLOPs)减少55.2%,检测速度提升6.5 f/s,mAP提升2.1%。同时,在NWPU VHR-10数据集上验证了其泛化能力。

关键词： 改进YOLO-v8   缺陷检测   图像处理   管件   机器视觉系统  

摘要： 随机缺陷具有微尺度、形态和类型多样的特点,传统机器学习模型的缺陷检测精度和泛化性能欠佳,为此提出基于改进YOLO-v8的多源管件表面缺陷检测方法.为了获取管件全局信息,构建基于焦距可调的管件全表面图像采集系统,对不同类型管件样本进行快速、高效的高清成像.针对样本来源多样性问题,在YOLO-v8模型的主干特征提取模块中嵌入渐进特征金字塔网络(AFPN)架构,在瓶颈卷积特征层中融合封装-激励(SE)注意力机制,有效提升缺陷检测模型的泛化性.通过视频抽取关键帧及静态定焦拍摄相结合的方式,对标定后的图像构建训练集和测试集,采用改进YOLO-v8算法自动识别管件表面缺陷.实验结果表明,所提方法在推理阶段的检测mAP50为82.2%,相比传统YOLO-v8提升了3.1个百分点.该结果为金属目标的缺陷通用性检测提供了参考.

关键词： 空间金字塔网络   数据归一化   目标检测   卷积膨胀率  

摘要： 在目标检测任务中,空间金字塔网络是多尺度特征融合的常用方法。但其在不同尺度的特征映射上执行多级池化操作来生成固定大小的特征图,对于目标的空间关系和上下文信息缺乏有效利用,且无法根据需求进行卷积尺寸的适应性调整,造成计算资源浪费。探索了一种通过使用准则化卷积单元EFConv(Strongly Expandable Feature Convolution Units)构建快速准确的特征提取模块的方案。提出了一种强拓展性特征提取网络SEFE(Strongly Expandable Feature Extraction Networks)模块。该模块通过降低内部协变量偏移ICS(Internal Covariate Shift),引入缩放参数和偏移参数,改变膨胀策略和采用分组卷积,可以有效地处理空间层次信息并避免计算负担的增加,增强了网络对不同尺度特征的区分能力。进一步将SEFE模块置换到YOLO多个版本的主干部位,构建SEFE Net特征提取器。在基准数据集BDD100K上进行实验,结果表明:SEFE Net面对多类别目标检测任务时检测效果比原模型提升了1.3%,且平衡了计算量。

关键词： 红外热成像   目标检测   火点判别   烟雾检测  

摘要： 针对滞洪水库地形复杂,大范围内林木防火监测预警困难的问题,本文通过引入红外热成像技术,结合现代化的网络传输技术,介绍了红外图像处理技术的工作原理,重点研究了K-means火点监测和目标检测算法,设计了森林火灾监测预警系统,真正实现库区防火的实时监控和预警信息传输,可以提早发现隐形火灾隐患,为冬季滞洪水库林木防火工作提供了有效的技术支撑。

关键词： 图像处理   裂纹提取   U-net   语义分割  

摘要： 多孔隙材料表面的黑色高辐射涂层在实际使用过程中,由于热应力作用表面产生微米级尺度的微裂纹,为方便后续开展热应力作用下裂纹缺陷演变扩展规律,开展了低对比度涂层表面裂纹形态视觉检测技术研究。提出了融合光学优化与深度学习的检测方法,通过设计光源激励单目视觉系统,首先从系统设计方面优化照明方式与入射角度参数以增强采集裂纹图像局部对比度,其次提出一种适应低对比度图像裂纹对比度增强的算法。进而构建改进U-Net网络,通过嵌入注意力模块、深度超参数化卷积及激活函数,提升低对比度裂纹特征提取能力。实验结果显示,在高照明方式入射光30°时所采集图像局部对比度最高,预处理后图像对比度从10.507提高到42.662,有效降低了图像低对比度时背景噪声对裂纹信息的影响,并且更能突出裂纹的形态特征。在改进网络对裂纹分割性能指标上Dice系数、SSIM指标和准确率Acc分别达到0.862、0.892、0.901,对宽度大于9.6μm裂纹检测率达90%以上,裂纹形态及走向清晰可辨。