关键词： 船舰目标检测   SAR影像   残差增强   可变形卷积   动态稀疏注意力  

摘要： 在SAR影像船舰目标检测任务中,受近海岸区域背景复杂和船舰目标多尺度等因素影响,船舰目标在检测过程中出现检测精度不高、漏检的问题。针对上述问题,本文提出了一种基于YOLOv8s改进的SAR影像船舰目标检测模型,并在SSDD和HRSID数据集上进行试验验证,效果优于其他经典算法。

关键词： 低光照   多级特征   YOLOX   注意力机制  

摘要： 自然环境下普遍存在着低光照场景,导致目标检测任务精度降低。提出了一种低光照目标检测算法MLFEYOLOX。引入轻量级图像增强算法IAT,还原低照度图像更多的细节。设计了一种多级特征提取的CSP-M模块,加强模型在低光照条件下图像的特征提取能力。引入卷积注意力机制CBAM,自适应测量目标位置与背景信息的相关程度,降低背景信息带来的干扰。设计了多级特征融合模块CSP-MC,增强模型融合多级特征和发掘并融合静态和动态上下文信息的能力。采用ExDark、UFDD数据集进行实验验证,实验结果表明,该方法有效克服了光照不足带来的影响,与主流算法相比检测精度明显提升。

关键词： 舰船检测   舰船识别   遥感图像   红外图像   深度学习  

摘要： 舰船目标检测与识别是近年来计算机视觉领域的热点问题,学者们也对此展开了研究,并取得了重要进展。首先,从单模态和多模态2个角度梳理和总结了当前舰船目标检测与识别方法,介绍了基于可见光遥感、合成孔径雷达(SAR)、红外和海平面4种图像的单模态舰船目标检测与识别方法,以及基于不同模态数据的多模态舰船目标检测与识别方法;然后,介绍了14种舰船检测与识别数据集以及舰船目标检测与识别算法在这些数据集上的性能;最后,分析了舰船目标检测与识别技术面临的挑战,并展望了该技术的未来发展方向。

关键词： synthetic aperture radar(SAR)   small ship detection   deep learning   attention module   YOLO   dual‑domain joint  

摘要： Ship detection via spaceborne synthetic aperture radar(SAR)has become a research ***,existing small ship detection methods based on the radar signal domain and SAR image features cannot obtain highly accurate results because of the obvious coherent speckle noise at sea and strong reflection interference from near‑shore *** resolve the above problems,this study proposes a dual‑domain joint dense multiple small ship target detection method for spaceborne SAR image that simultaneously detects objects in the image and frequency *** method uses an attention mechanism module and algorithm structure adjustments to improve the small ship target feature mining *** the frequency‑based image generation,extreme signal strength values are detected in the azimuth and range directions,with the results of the two complementing each other to realize dual‑domain joint small ship target *** comprehensive qualitative and quantitative evaluation results show that the proposed method can attain a final precision rate of 92.25%and achieve accurate results for SAR ship detection in open‑sea,coastal,and port area *** test results for the self‑built SAR small‑ship dataset demonstrate the effectiveness and universality of the method.

关键词： 目标跟踪   孪生网络   轮廓分割   多点回归   尺度估计  

摘要： 准确的尺度估计是目标跟踪中的挑战,现有方法存在计算复杂度高、超参数多和精度低的问题。针对以上问题,提出一个利用目标轮廓进行跟踪的孪生分割网络,它由孪生子网络和轮廓分割网络2部分组成,其优点是不需要根据先验知识预先定义锚框,减少了超参数。在此基础上,实现一种基于多点回归的目标轮廓跟踪方法,该方法用区域分类与轮廓回归对目标跟踪建模,能够同时得到正矩形框、旋转矩形框和轮廓等多种目标状态。该方法的跟踪过程是:首先,利用孪生子网络估计目标的初始矩形框;其次,通过轮廓分割网络将初始矩形框的特征向量变形为目标轮廓;最后,根据目标轮廓拟合最终矩形框。在OTB-2015(Success=70%)、VOT-2020(EAO=52%)、TrackingNet(AUC=78.9%)和LaSOT(AUC=64.1%)数据集上的实验结果表明:与现有先进的目标跟踪方法相比,本文提出的跟踪方法具有较优的跟踪性能。

关键词： 区域生长法   焊缝内部缺陷检测   目标检测   Halcon   图像处理  

摘要： 为解决当前人工焊缝缺陷检测过程中存在的检测效率低、缺陷判定存在主观性的问题,提出了一种基于Halcon的焊缝缺陷图像检测与识别方案。将X射线拍摄的焊缝图像预处理后用高频增强显示鱼鳞纹部分,再通过均值滤波和二值化提取出ROI。在普通区域生长法中加入判别条件,自动选择最合适的参数识别气孔和钨夹渣,改进普通开运算卷积核以识别出未焊透部分。相较于机器学习,本文方法无需使用大量训练集。本次试验共检测222张图像,检测精度为89.19%。结果表明,焊接缺陷DR图像自动识别对提高企业的零部件检测效率及质量有重要的意义,计算机识别焊缝缺陷可排除人工缺陷判定中主观因素造成的误差,并能够长时间、高强度地识别焊缝缺陷;可实现对于焊缝缺陷的实时保存与远距离传输。

关键词： 遥感图像   YOLOv5s   旋转目标检测   注意力机制   特征融合  

摘要： 遥感图像目标检测技术广泛应用于矿产勘探、交通运输、国防军事、应急救援救灾等领域中。但是,常见的适用于遥感图像的旋转目标检测算法模型偏大,部署难度高,也无法满足实时检测的要求,忽略了精度和速度之间的平衡。针对以上问题,提出了一种基于YOLOv5s的遥感图像旋转目标检测算法YOLOv5s-R。首先,在YOLOv5s的基础上添加角度参数,将水平检测框修改成旋转检测框,以适应遥感图像目标的角度多样性;其次,引入环形圆滑标签,规避角度回归的周期性带来的角度突变问题;然后,添加高效通道注意力机制模块,提升模型对重要特征的提取能力;最后引入自适应空间特征融合模块,解决特征金字塔内部的不同特征尺度之间的不一致性问题。在数据集DOTA上,实验结果显示:mAP50达到了75.6%,mAP50∶95达到了46.7%,FPS达到了81.9。与基础模型相比,mAP50和mAP50∶95分别提升了1%和3.1%,FPS提升了85.9%。因此,YOLOv5s-R实现了更准确更高速的遥感图像检测,达到了精度和速度的良好平衡。

关键词： 图像处理   语义分割   水稻叶瘟   UNet   病害程度分级  

摘要： 高效、精确地评估叶瘟病害程度对水稻的早期防治、精准施药、产量损失预测至关重要。针对传统病害分级方法效率低、主观性强的问题,该研究提出了一种基于改进UNet(vgg16 coordinate dropout focal-dice mixed loss UNet,VCDM-UNet)的叶瘟分割模型。首先,针对病斑形状不规则、不易分辨问题,将VGG16作为UNet的主干网络,增强模型提取叶片、病斑特征的能力。其次,为了提升模型对叶片、病斑像素的关注度,增强模型的泛化能力,在上采样模块中引入CA(coordinate attention)注意力机制和Dropout机制。然后针对叶片、病斑占比过小问题,采用焦点-骰子混合损失改进模型的损失函数,以优化样本的不平衡性,缓解背景像素占比过大对模型学习带来的影响。基于田间收集的三叶期水稻叶片图像进行了验证,并与UNet、PSPNet、DeepLabV3+进行比较。结果表明,VCDM-UNet的平均交并比、平均像素精度、宏平均F1分数分别为82.93%、88.87%、89.96%,均优于3种对比模型,能够满足叶片和病斑的分割任务。最后,基于分割结果,计算病斑占叶面积的比例对病害程度进行分级,VCDM-UNet的平均分级准确率为83.95%,经验证,该模型可为叶瘟病害程度分级提供技术支持。

关键词： YOLOv5   PyQt5   FastDFS分布式文件系统   目标检测   软件设计  

摘要： 随着深度学习算法的迅猛发展及其在计算机视觉和工业自动化等领域的广泛应用,数据管理的复杂性和训练过程的分散性已成为制约其实际落地的关键问题。针对这一问题,本文提出一个基于YOLOv5的深度学习样本管理和训练自动化平台。该平台集样本管理、样本标注以及训练自动化于一体,重点在于通过高效的样本管理和独特的样本标注工具简化训练过程,并通过自动化训练流程和直观的可视化界面进一步提高模型训练效率。此外,平台的模块化设计使它能够灵活适应不同用户的特定需求。在计算机视觉和工业自动化等领域,本平台展现出其独特的应用潜力。

关键词： 人工智能   图像处理   人脸识别   LBFH分类器   树莓派4B  

摘要： 人工智能的快速发展使得图像处理技术扮演着越来越重要的角色,其人脸识别算法的应用也越来越广泛。本文结合OpenCV计算机视觉库,首先介绍3种经典的通用人脸识别算法,即基于LBFH分类器人脸识别算法、基于特征脸EigenFace分类器人脸识别算法、基于鱼脸特征FisherFace分类器人脸识别算法;并在树莓派4B硬件的基础上,使用基于LBPH人脸识别方法,搭建能够快速进行追踪识别的人脸识别系统,为识别准确率要求不高的场景提供一种技术方案。