关键词： 热成像望远镜   人工智能   图像增强   目标检测   产品设计  

摘要： 随着科技的飞速发展,热成像技术和人工智能(AI)技术在各自领域取得了显著进展。本文旨在探讨热成像望远镜产品设计与AI相结合的可行性、优势以及具体实现方法。通过将AI技术融入热成像望远镜的设计中,能够提升热成像图像的质量、增强目标检测与识别能力、实现智能化的操作与分析。文中详细阐述热成像原理、AI技术在图像领域的应用,以及两者结合的系统架构和关键技术。通过实际案例分析和实验验证,展示热成像望远镜与AI结合产品的性能提升和应用潜力。同时,对该领域的未来发展趋势进行展望,为相关产品的设计和研发提供理论和实践参考。

关键词： 密度分层   内波尾迹   合成孔径雷达   目标跟踪   灰度共生矩阵   海洋分层   水下目标探测  

摘要： [目的]针对密度分层环境对合成孔径雷达(SAR)图像中水下航行器尾迹的可识别性问题,建立理论求解模型及定量分析方法。[方法]依托海洋分层特征的统计信息,设计移动质量和动量等效源致内波理论,计算每个统计独立的海面单元的调制海浪谱及其映射的SAR图像强度分布,进而基于灰度共生矩阵提取图像中内波尾迹纹理特征信息。[结果]结果表明,在特定参数条件下,SAR图像中内波尾迹的可识别区间为最大浮频率大于0.02 rad/s且所在深度小于100 m。[结论]该方法能够有效计算并分析任意密度分层环境中内波尾迹的可识别性,为水下目标探测提供依据。

关键词： 计算机视觉   卷积神经网络   高效通道注意力机制   生成对抗网络  

摘要： 针对稻谷病害之间差别细微、难以实现精确识别的问题,提出一种基于Res-DCGAN和改进AlexNet的稻谷病害识别方法。首先,针对数据集多样性不足的问题,使用基于残差优化的深度卷积生成对抗网络(Res-DCGAN)联合非生成式方法对数据集进行扩充;其次,设计基于高效通道注意力机制的多分支特征提取结构的AlexNet,使不同尺度特征相融合,同时聚焦图像关键信息,且引入批量归一化方法和全局平均池化层,防止过拟合,减少参数量;最后,引入联合损失函数,使模型同时专注于难分类的样本。本文采用的扩充数据集的方式相较于仅使用非生成式方式,精确率提高了2.2%,且改进后的模型准确率达99.05%。相较于传统的AlexNet,VGG16和Inception v3模型分别提高了3.67,2.84和1.97个百分点,其模型收敛更快,泛化能力更好。

关键词： 头部姿态估计   移动端   在线学习   注意力监测   计算机视觉  

摘要： 针对传统学生注意力监测依赖外接摄像头带来的应用场景受限问题,文章设计了一种基于移动端头部姿态估计的在线学习注意力监测系统。该系统利用移动设备自带的摄像头,结合ERT算法(ensemble of regression trees)和PnP算法(perspective-n-point)在移动端实现实时头部姿态估计。同时,系统开发了教师监控端,借助动态判别机制灵活判断学生的注意力状态,并实现学生注意力状态的实时展示与提醒功能,帮助学生及时调整学习状态。通过移动端与监控端的协同工作,系统不仅实现了学习过程与注意力监测的有效融合,还显著提升了在线教育的教学质量和学生学习效率,具有广泛的应用前景。

关键词： 单目视觉   位姿估计   图像处理   SIFT算法   随机一致性算法  

摘要： 针对制造业中机械臂作业过程中对目标进行识别定位速度较慢、装配效率低、生产成本高等问题,提出了一种基于特征点的单目位姿估计方法,该方法既解决了双目相机成本高的问题又能保证单目位姿估计的精度以及稳定性。首先,通过SIFT算法提取模板图像的特征点构建模板库,然后,进行模板图像与待测图像特征点匹配并采用RANSAC算法剔除错误匹配,建立2D坐标和3D坐标关系;最后,使用多点透视(PnP)算法实现对物体的位置和姿态估计。该方法具有较高的精度和较强的鲁棒性,能够在不同场景和条件下进行有效的位姿估计。通过实验验证,x方向的平移误差为0.35 mm,y方向的平移误差为0.33 mm,z方向平移误差为0.45 mm;水平方向x旋转角度误差为0.77°,水平方向y旋转角度误差为0.73°,垂直方向z旋转角度误差为0.47°。

关键词： 人工智能   深度学习   图像处理   视频超分算法  

摘要： 人工智能(AI)技术在科技领域日益火热。深度学习作为人工智能的一项重要分支技术,已在语音识别、图像处理等多领域实现了突破性的进展。近年来在互联网行业中视频压缩服务已占据主导地位,学术界和工业界也一直在不断追求更高的视频编码效率,以实现更好的传输和存储。为了提高视频压缩效率、降低带宽,基于深度学习的视频编码方法应运而生。目前已有很多基于深度学习的超分辨率视频压缩增强方法存在低码率后处理速度慢、复杂度高等缺点。为了解决这一问题,本文提出基于深度学习的视频压缩增强算法,创造性地引入参考池匹配更新方案,在解码端增强视频质量,降低复杂度。该算法未来可赋能中国移动5G新通话业务,成为降本增效、助力社会行业数智化转型的重要一环。

关键词： 计算机视觉   深度学习   道路障碍物   目标检测  

摘要： 对基于计算机视觉的道路障碍物检测技术进行了综述,分析了相关技术的特性、面临的挑战以及未来的发展趋势。首先归纳了基于计算机视觉的道路障碍物检测技术的发展现状;然后依据技术原理的差异,将检测技术划分为基于运动信息、基于深度学习和基于双目立体视觉3种主要方法,阐述了各类技术的独特路径;最后基于评价指标对上述检测方法的特点和缺陷加以分析,进一步探讨了当前基于计算机视觉的道路障碍物检测技术面临的关键问题和难点,指出了未来的发展方向。

关键词： 现场可编程门阵列   合成孔径雷达   硬件加速器   YOLOv4-tiny网络   目标检测  

摘要： 主流的基于中央处理器(CPU)和图形处理器(GPU)的合成孔径雷达(SAR)图像目标检测算法,存在模型大、计算复杂度高、并行度低和功耗高等缺点,不适合部署在卫星和无人机等资源有限的平台上。文中在综合考虑板卡资源、功耗、推理速度和精度的条件下,设计了一种基于现场可编程门阵列(FPGA)的SAR图像目标检测加速器。该加速器采用的网络模型为优化后的YOLOv4-tiny,模型通过16位定点数优化数据位宽并加入空洞卷积来替换标准卷积,从而缩减了网络模型及参数,以便于部署在资源受限的FPGA上;在FPGA卷积层的实现中,采用了多重循环展开并行和循环分块并行的方法来加速卷积运算。实验结果表明,优化的算法在FPGA上获得了15.24 GOPS的吞吐量,每张图像识别速度为256 ms,介于CPU与GPU之间,但是由于FPGA硬件功耗仅为3.06 W,所以所提算法的能效比分别达到了CPU和GPU的18.4倍和7.3倍。

关键词： 安全管理   目标检测   YOLO   多尺度  

摘要： 在工业生产中,安全事故往往是由不规范的操作引起的.目前,在工业生产活动中存在着不同尺度之间数据的不平衡,导致了通用目标检测网络性能的检测准确率不足.为此,本文设计出一种适用于工业安全场景的目标检测算法——YOLO-SP,该算法通过引入滑动注意力检测(Swin-Transformer Detection,STD)模块及混合偏分损失函数(Partitioning Discrepancy,PD Loss),能够提升图像局部多尺度特征的提取能力,加强了传统YOLO模型在微小尺度目标检测上的性能.YOLO-SP通过巧妙的运用STD模块,在不显著增加计算负担的前提下,引入局部注意力机制,深入提取不同安全隐患之间的聚合性特征,使用显著的目标与细小目标的相关性,提高了细小目标的检测性能.同时设计了一种新颖的PD Loss,代入了工业先验知识,缓解了工业生产安全中不同尺度带来的数据不平衡问题.为验证本研究提出方法的有效性与实用性,本研究收集并创建了一个来自真实工业生产场景的工业安全(Industrial Safety,IS)数据集,复现了实际工业安全检测中遇到的困难,并在IS数据集及公开的VisDrone数据集上进行了实验.实验结果显示,在这两个数据集上的平均精度(mAP)分别达到了91.4%和65.5%,均实现了当前最佳性能水平.

关键词： 路面病害   YOLOv11n   注意力机制   轻量级算法   目标检测   深度学习  

摘要： 为解决无人机航拍图像中小目标检测困难和复杂背景干扰等问题,提出了空间重建卷积和动态上采样-你只看一次第11版(spatital reconstruction convolution and dynamic upsampling-you only look once version 11,SD-YOLOv11)模型,用于路面病害检测。首先,该模型在YOLOv11纳米型(YOLOv11 nano, YOLOv11n)的基础上引入了空间和通道重建卷积模块(spatital and channel reconstruction convolution, SCConv),减少了特征图在空间和通道的冗余信息,提升了特征提取的质量。然后,该模型在多尺度融合阶段采用了动态上采样(dynamic upsampler, DySample),增强了模型的学习能力,并有效提升了小目标检测性能。最后,结合挤压和激励注意力(squeeze-and-excitation attention, SEAttention)机制,减少了背景信息的干扰,提高了病害检测精度。结果表明,与YOLOv11n模型相比,SD-YOLOv11模型在交并比阈值设置为0.50、0.50~0.95之间的平均精确率均值分别上升了8.2%、15.0%,且计算量和参数量得到了优化。SD-YOLOv11模型不仅提高了路面病害检测的准确性,而且体现了减少复杂背景误检方面的优势,为准确检测航拍道路病害提供了高效的解决方案。