关键词： 太阳能   太阳能聚光发电   定日镜   图像处理   霍夫变换   图像分割  

摘要： 对后向凝视法在定日镜面形检测中的应用进行深入探讨,针对传统方法中太阳形状模型与实际太阳形状拟合误差较大以及处理复杂不规则定日镜反射图像时算法不适用的问题,采用图像处理技术,分析5种太阳形状模型与实际太阳形状的拟合误差。基于统计优化霍夫变换等技术,提出一种适用于不规则定日镜图像的倾斜校正与配准算法。实验表明:Buie模型的拟合精度最高,且更符合实际的太阳亮度分布规律;此外,校正算法实现了0.03°的倾斜校正精度和±1像素内的配准精度。该研究成果可为基于后向凝视法的定日镜面形检测提供更符合实际的太阳形状模型,且可直接用于面形计算的定日镜图像。

关键词： 图像处理   数字化诊断   人物形象风格  

摘要： 引言随着人工智能技术的快速发展,其在图像处理、数据分析和模式识别等领域的能力得到了显著提升[1]。通过自动化分析、多维度数据融合和动态适应性学习,AI能够高效处理复杂的形象风格数据,并实现精准的诊断与推荐。本文从人工智能的基本概念出发,深入探讨其在形象风格诊断中的技术特征、核心技术及其在时尚、影视、社交和文化传承等领域的应用,旨在为相关研究与实践提供技术参考。

关键词： 状态空间模型   YOLO   Mamba   目标检测   输电线路隐患  

摘要： 输电线路巡检是保证电力稳定运输的重要手段,现有的隐患检测方法难以做到在保障模型实时性的同时有效建模全局信息。本文在YOLOv8的基础上引入状态空间模型,通过分块操作与低秩近似实现了空间长距离隐患的检测,以较低的复杂度提取全局信息。在状态空间模型中,使用交叉扫描和动态多路径激活机制来解决状态空间模型对图像数据的方向不敏感和非因果特性,捕获隐患目标结构和模式信息,并利用空间上下文信息识别出局部特征;在目标分类和定位阶段,设计了基于空间对齐的分离式检测头,通过不同的表征方式对齐空间错位,增强分类和定位的精确性。最后,通过实验证明了新模型在平均精度和帧率方面优于主流的单阶段和双阶段目标检测模型,精度提升了2.8%。

关键词： YOLOv8s   轻量化   图像处理   桥梁裂缝   深度学习   目标检测  

摘要： 针对桥梁裂缝检测中精确度不足和处理复杂背景能力有限的问题,设计了一种基于YOLOv8s网络的改进模型。该模型通过在YOLOv8s网络的不同位置添加新模块,以提升网络的性能。首先,采用C2f_GhostNet模块替换主干网络的第2、4、6层的C2f模块,以优化特征融合并保持轻量化;其次,引入BoT3模块以增强模型对长距离依赖关系的捕捉能力;最后,采用VoVGSCSP模块替换颈部网络C2f模块来强化颈部网络中的特征融合,从而提升模型对细微裂缝的识别精度。实验结果表明,改进后的YOLOv8s模型在精确率、召回率及mAP50等关键性能指标上分别达到了83.3%、79.2%和83.6%,显著优于原始YOLOv8s模型的表现,可以满足实际检测要求。

关键词： 低空目标检测   信息几何   协方差矩阵估计   最优传输理论  

摘要： 在低空经济快速发展背景下,无人机物流、近海监测等典型应用场景面临复杂电磁干扰、目标散射特性非平稳性及小样本数据条件下的目标检测难题。传统协方差矩阵估计方法在杂波非高斯性强、参考单元受限时性能急剧退化,导致检测概率下降与虚警概率升高。针对上述挑战,本文首先提出一种基于最优传输理论的信息几何协方差矩阵估计框架,通过引入Bures-Wasserstein(BW)距离建立多维几何空间的自适应度量准则,有效刻画杂波协方差矩阵的流形结构与空间关联性,增强对多维空间中的复杂场景适应性。其次,提出两种高效的协方差矩阵估计求解算法,其中基于黎曼梯度下降(Riemannian gradient descent,RGD)的BWRGD算法在正定矩阵流形上进行迭代优化,可在适当步长下收敛至局部最优解;基于半正定规划(semi-definite programming,SDP)的BWSDP算法通过Schur补定理和线性矩阵不等式约束保证松弛紧性,确保协方差矩阵估计的全局最优性。在此基础上,将协方差矩阵估计结果嵌入自适应归一化匹配滤波器(adaptive normalized matched filter,ANMF),构建BWRGD-ANMF和BWSDP-ANMF检测器,将其统计量表示为协方差矩阵的函数,显著提升杂波抑制能力。最后,利用仿真和实测杂波环境分析了不同参考单元和雷达脉冲个数等因素对所提检测器的性能影响。实验结果表明,所提出的检测器在参考单元数受限条件下的检测性能均优于现有方法,能够有效提升目标检测能力且具有良好的检测鲁棒性。同时,BWSDP-ANMF检测器在牺牲一定计算复杂度的情况下,其性能优于BWRGD-ANMF检测器。

关键词： 电力巡检   特征融合   目标检测   特征聚焦扩散网络   YOLOv8  

摘要： 针对无人机电力巡检航拍图像通常背景复杂、待检目标尺寸较小,使用通用的特征提取网络往往导致漏检、误检率较高,提出了一种用于特征融合的特征聚焦扩散网络(FFDN),利用FFDN对YOLOv8算法进行改进,设计了基于YOLOv8的电力巡检目标检测算法YOLOv8-SFD。在主干网络采用空间到深度非跨步卷积(SPDConv)保留更多小尺度特征,减少跨步卷积造成的特征损失,避免小目标以及遮挡目标特征提取过程中的特征丢失;在特征融合阶段使用FFDN代替传统的特征金字塔网络,利用特征聚焦模块融合多尺度特征并扩大感受野,将特征聚焦模块输出的多尺度特征图扩散传递至不同尺度,提升小目标的检测精度;将原始YOLOv8的头部替换为融合了尺度、空间和任务3种注意力机制的动态检测头(DyHead),进一步提高模型检测性能。实验结果表明,YOLOv8-SFD准确率达到76.7%,召回率达到43.0%,平均精确率均值达到48.2%,分别比YOLOv8n提高了7.6%,2.0%和3.8%。YOLOv8-SFD有效提升了小目标和遮挡目标的检测精度,且检测速度达到119帧/秒,满足实时检测的需要。

关键词： 桥梁工程   计算机视觉   超分辨率   位移解算  

摘要： 针对当前基于计算机视觉的桥梁结构位移测量方法在目标追踪稳定性、光照及成像硬件条件方面面临挑战,难以有效提取空间多自由度位移的问题,文章提出一种融合计算机视觉与深度学习的桥梁结构动挠度监测系统,能够对设定标靶图像进行超分辨率重建与信息解码,实现动挠度信息的高效提取。首先,设计了一种可编码二进制信息的图像标志及其编解码算法,确保复杂环境下目标点的准确识别和持续追踪,并能通过空间解算测量空间位移和旋转,随后采用图像超分辨率算法提升原始图像质量,降低监测误差。实验验证表明,该方法所得结果与桥上传感器信号高度一致,展示了较高的精度。

关键词： 遥感图像   YOLOv8   FasterNet骨干网络   EMA注意力机制   WIoU损失函数  

摘要： 针对遥感图像目标检测任务中进行特征提取时缺少小目标信息,特征融合过程中部分信息丢失,小目标特征信息不明显,导致小目标检测精度不高的问题,提出了一种基于FEW-YOLOv8模型的遥感图像目标检测算法。首先,优化骨干网络架构,使用FasterNet骨干网络,更有效地提取了遥感图像中小目标的空间特征,使得网络模型更专注于微小目标,从而提升小目标检测精度。其次,使用EMA注意力与C2f构建全新的C2f_EMA模块,替换Neck结构中的C2f模块,在融合特征前进行特征注意力加强操作,使网络模型更突出特征信息中小目标部分,有效解决特征融合过程中小目标特征丢失问题。最后,采用带有动态非单调FM的WIoUv3作为边界框的损失函数,提高了模型的边界框定位精度,并且提升了对小目标的检测性能。实验结果显示:在NWPU VHR-10数据集上经过优化的YOLOv8算法的mAP 50相较于原始YOLOv8算法提高了7.71百分点,在HRSC2016和DOTA v1.0上分别提高了9.70百分点和12.32百分点,证明所提算法能够有效提升遥感图像中小目标的检测精度。

关键词： 目标检测   实时检测器   卷积块注意力模块   密集检测  

摘要： 基于深度学习的烟草品规识别系统在现代烟草生产与物流管理中具有重要的应用价值。传统的人工分类方式效率低、成本高,难以满足高效准确的分类需求。在生产生活中,一盒烟草的尺寸非常小,同时每个柜台拥有大量密集的烟草需要进行检测,现有模型不能满足小尺寸烟草品规识别需求。对此,提出了一种增强的基于深度学习的目标检测模型——AYOLO,用于烟草品规的自动识别和分类。首先,将改进的CBAM (Convolutional Block Attention Module,卷积块注意力模块)注意力机制应用于模型中,以增强特征提取过程中的空间和通道信息,从而提高模型对烟草品规图像细节的关注能力;其次,提出了一种更加准确的检测方法,即先进行目标定位,然后通过分类器进行品规分类,这种方式有效避免了传统检测方法中分类与定位的相互干扰,提高了分类准确性;最后,为了应对烟草品规中小目标的识别问题,在模型中添加了小分类头,专门针对小物体进行优化检测。实验结果表明,所提出的模型在mAP上提高了1.2个百分点,为工业自动化中的烟草分拣系统提供了一种高效、可靠的解决方案。

关键词： 数字图像技术   沥青路面   三维纹理重构   抗滑性能评价   计算机视觉   人工智能  

摘要： 沥青路面的表面纹理特性直接决定其抗滑性能,并影响道路交通安全。传统的沥青路面纹理测量方法(如铺砂法、环形纹理测试仪法等)在测量精度、操作便捷性及环境适应性方面存在一定局限。近年来,随着计算机视觉与图像处理技术的发展,基于数字图像技术的沥青路面纹理重构与抗滑性能评价方法逐渐成为研究热点。系统综述了数字图像技术在沥青路面纹理表征中的应用,重点探讨了4类常见的纹理重构方法,包括基于灰度图像、立体视觉、光度立体视觉及三维激光视觉的重构技术,并分析了各自的优缺点及适用范围。此外,梳理了4种主要的沥青抗滑性能评价方法,包括基于几何学指标、频谱分析、分形理论及人工智能的评价策略,归纳了相关研究成果及其在不同工况下的适用性。研究表明:数字图像技术能够精准重构沥青路面的三维纹理形貌,并通过提取关键特征参数(如构造深度、轮廓曲率、分形维数等)实现对抗滑性能的科学评价。深度学习和机器学习等人工智能技术的引入,使得基于图像数据的抗滑性能预测达到了更高的精度和自动化水平。尽管数字图像技术在实验室和现场检测中表现出较好的适用性,但仍面临计算复杂程度高、环境适应性不足及工程应用标准化程度较低等挑战。未来研究应重点关注多模态数据融合、智能算法优化、实时监测及标准化应用,以进一步提高路面抗滑性能评价的精度和工程实用性,为道路安全和智能交通系统管理提供科技支撑。