关键词： 门控快速傅里叶卷积   高频特征融合   红外小目标检测  

摘要： 针对在远距离复杂场景下红外小目标尺寸和形状差异大、检测精度欠佳的问题,提出了一种基于门控卷积和高频特征融合的红外小目标检测模型。为了解决复杂场景下目标尺寸差异的问题,通过在U-Net下采样过程中使用门控快速傅里叶卷积(gated fast Fourier convolution,GFFC)模块提取多尺度的全局和局部特征,为提升模型在不同复杂程度数据集上的训练效果,利用超参数门控调节网络对目标全局和局部特征的权重,以平衡对全局和局部特征的需求。为解决红外小目标形状差异的问题,采用了高频特征融合(high-frequency feature fusion,HFF)模块,进一步提取高频子带特征,增强红外小目标细节纹理信息。在SIRST和IRSTD数据集上的实验结果表明,相比基准UCF方法,提出的方法在两个数据集的评价指标下分别提升了0.83个百分点、0.40个百分点和5.18个百分点、0.23个百分点,证明了该方法的有效性。

关键词： 高光谱成像   图像处理   灰度特征   大津算法  

摘要： 为解决作物胁迫试验中高光谱图像高精度批量分割的问题,提出了一种改进灰度特征的图像灰度变换算法,结合高光谱多通道、高谱段的特点,通过450 nm、600 nm、670 nm及700 nm至1000 nm波段反射率运算生成灰度特征图,提高灰度特征图像中目标植物与背景区域的对比度,降低阈值分割难度,再利用大津算法对图像进行分割。结果表明:提出的改进灰度特征算法结合大津算法,其分割结果的兰德指数和Jaccard相似系数在不同植株的表现中最高达0.9823和0.9799,比常用的超绿特征算法、近红外特征算法和归一化植被指数算法有更好的分割效果。该方法在有效剔除作物高光谱图像多种背景、提取绿色叶片的同时,保留作物叶片本身带有的杂色和胁迫引起的失绿、变黄、萎蔫叶片,最终实现单株作物高光谱图像的批量精确分割。

关键词： 计算机视觉   面部表情识别   知识蒸馏   轻量化  

摘要： 针对复杂神经网络无法在存储空间和计算资源有限的智能终端部署的问题,提出了一种基于知识蒸馏的轻量化面部表情识别模型T-SNet(Teacher-Student Net)。教师模型选用基于细粒度特征提取模块改进后的ResNet18,在MS-Celeb-1M人脸数据集进行预训练。学生模型选用轻量化卷积神经网络ShuffleNetV2,通过优化蒸馏损失函数提高轻量化模型准确性。首先,在面部表情数据集上对教师模型进行蒸馏,提取丰富的特征信息反馈至学生模型,然后综合利用教师模型和学生模型的特征信息训练学生模型,最终训练完成的学生模型作为轻量化面部表情识别模型。T-SNet在FER2013Plus和RAF-DB面部表情数据集,分别取得了88.80%和89.11%的准确率,参数量仅1.20 MB,在准确度和模型复杂度方面均优于其他主流模型。

关键词： 飞行员   异常行为   目标检测   人工智能  

摘要： 随着民航事业的快速发展,飞行员异常行为对航空安全的影响日益严重。为了解决这一问题,文章提出了一种基于目标检测的飞行员异常行为检测系统,该系统基于YOLOv8目标检测算法,旨在实时识别和预警飞行员在驾驶舱内吸烟、玩手机等异常行为,从而提高飞行安全性。实验结果表明,该系统在飞行员异常行为的实时检测和预警方面具有较高的实用性和准确性。

关键词： 计算机   图像处理技术   视觉传达系统   应用实践  

摘要： 本文探讨了视觉传达系统中计算机图形图像处理技术的应用,引入了非局部均值算法、基于PCA的多光谱压缩技术和Otsu自适应阈值法。通过验证,这些技术有效提高了视觉传达系统的效率和表现力,为设计师提供了更多创作可能。

关键词： 目标检测   无人机   深度学习   计算机视觉   神经网络  

摘要： 无人机在军事/民用/商业领域的广泛应用促使对其识别和分类的需求。随着人工智能的不断发展,深度学习作为一种机器学习技术,在目标检测领域展现出良好的性能,也可应用于无人机识别领域。本文首先介绍了无人机识别的背景和意义,回顾了深度学习的发展历程,并分别介绍了目标检测中两种重要的算法结构:两阶段目标检测算法和单阶段目标检测算法;然后,对目标检测常用算法以及算法中的骨干网络等进行了阐述,归纳了近年来无人机识别改进算法的改进策略,总结了改进效果及其缺点和局限性;最后,针对目前无人机识别的研究现状,提出展望和挑战,有望在建立无人机数据集,提高无人机检测的准确性、实时性等方面取得更大突破,推动无人机技术在各个领域的应用。

关键词： 工程认证   数字图像处理   课程思政  

摘要： 工程认证是以能力培养为导向、按国际标准提高应用技术人才质量的重要举措,当前工程认证教育已成为应用型本科高校人才培养的共识。随着人工智能和无人驾驶等新一代信息技术的快速发展,机器视觉显得尤为重要。《数字图像处理》课程作为机器视觉的基础,亟需在工程认证背景下对其进行改革。结合课程特点,充分挖掘利用课程思政资源并通过案例式和模块化教学激发学生学习热情,为其工程能力培养和进一步深造创造了条件。

关键词： 图像处理   目标检测   语义地图   激光雷达   区域分割  

摘要： 本文提出了一种基于激光雷达和深度相机数据的区域划分方法,通过平均距离检测、宽度判断和平滑性分析实现区域入口的高效识别;结合目标检测技术和深度信息,精确计算物体的三维空间位置,并通过物体类别统计划分功能性区域.本方法融合了几何信息与语义信息,不仅提升了区域入口检测的精度与效率,还在动态场景中实现了物体位置的判断和功能性区域划分.实验结果表明,本方法在区域入口检测、物体识别及区域划分的精度和实时性方面均优于传统方法,能够生成高效的语义分割区域地图.

关键词： 目标检测   YOLOv7   混凝土工厂   障碍物识别   注意力机制  

摘要： 随着人工智能技术的快速发展,目标检测算法在工业领域中的应用越来越广泛。混凝土工厂环境复杂,障碍物种类多样,对障碍物的准确识别对于保障生产安全至关重要。提出一种基于改进YOLOv7的混凝土工厂障碍物识别算法,通过引入SPD-Conv模块与GAM-Attention,在不降低模型检测性能的前提下,优化算法对混凝土障碍物的识别精度。试验结果表明,与原始YOLOv7模型相比,在6个不同障碍物类别上准确率、召回率、综合性的评估指标F1和评估模型性能的核心指标mAP@0.5分别提升了1.0%~10.4%、2.8%~11.3%、0.5%~10.5%、3.5%~8.3%,表明该算法具有更高的识别精度。Improved-YOLOv7的mAP@0.5和mAP@0.5:0.95分别为0.908和0.710,参数量为36.91 MB,Flops为135.2 G,ADT为24.9 ms,相较于Ca s ca de R-CNN、Fa s te r R-CNN、Re tina Ne t、S S D、YOLOX模型,Improved-YOLOv7模型具有更高的识别精度和性能,对于算力需求最小,能够有效识别混凝土工厂中的各类障碍物,为实际生产提供有力支持。

关键词： 深度学习   图像分割   工笔画   提示增强   计算机视觉  

摘要： 由于缺乏带有像素级标注的公开工笔画数据集,使得图像分割技术在工笔画领域的发展严重受阻。工笔画具有物象与背景颜色纹理相似、使用晕染渐变导致物象边界模糊等特性,给图像分割带来了挑战,SAM的出现为解决这些挑战带来新的可能性。尽管SAM在自然图像领域里展现出惊人分割能力和零样本泛化能力,但在处理工笔画图像时存在对物象不敏感、前景背景混淆等问题。针对上述问题,首先建立了一个包含403幅图像的花鸟主题工笔画数据集SegTCRP,其中包含5类前景对象。随后,采用LoRA方法对SAM进行微调,使其适应工笔画图像的特点。此外,提出了一种新的SAM边界框提示增强方法BPA-SAM,通过借助U-Net在边界框提示范围内基于一定策略辅助生成额外点提示来改善SAM前景背景混淆的问题。最终,实验验证了BPA-SAM较原始SAM在边界框提示条件下的分割性能提升了7.1%,为SAM在工笔画领域的图像分割应用奠定了基础。