关键词： 自动驾驶   多传感器融合   3D目标检测   点云编码   自注意力机制  

摘要： 为了进一步解决3D目标图像与雷达信息异构特征难以匹配的问题,设计了一种面向自动驾驶模态融合的相机-激光雷达3D目标(3DMMF)检测方法。将约束条件引入到多维空间中,根据稀疏张量用于概率信息融合,利用最大池化方法与概率得分的预期目标对应,获得最终融合效果。研究结果表明,与纯点云相比,所提方法在各项指标上实现了很大程度的改进,MAP平均提高6.23%,在简化效果方面达到了最优状态。所提方法增强后的预传输延迟降低95.35%,在两级融合网络中具备最优探测性能,不需要占用过长的前置和后置时间。3DMMF可以有效提高三维目标控制性能,多层次融合方式有效解决视角错位和特征失配等问题。该研究有助于提高汽车自动驾驶能力,具有很高的科技推动价值。

关键词： 图像处理   图像降噪   深度学习   火焰光场图像   3维温度场重建  

摘要： 火焰光场图像在形成过程中夹杂的辐射噪声和成像噪声会降低火焰温度场3维重建精度,该文提出一种基于改进U型网络(UNet)的降噪模型,该模型针对辐射噪声和成像噪声的特性以及复杂火焰图像的纹理信息设计了背景净化模块和边缘信息优化模块。通过密集卷积操作对图像背景层进行特征提取,着重净化夹杂在图像背景层的辐射噪声。通过UNet模块中对称的编码器-解码器网络结构和跳跃连接,对通道间的辐射噪声和表层的成像噪声降噪。最后利用边缘优化模块对图像细节信息进行提取,从而获得更高质量的火焰光场图像。数值模拟部分,在火焰光场图像上混合加入信噪比为10 dB的辐射噪声和成像噪声,经该文模型降噪后的峰值信噪比(PSNR)和结构相似指数(SSIM)高达47 dB和0.9931,与其他降噪模型相比有明显优势。随后,将火焰光场图像先经该文降噪模型降噪,再进行温度场重建,测得重建平均相对误差比未降噪时降低了约37%~57%,明显提升了火焰温度场3维重建的精度。实验部分,获取真实蜡烛火焰和丁烷火焰光场图像,经该文降噪模型降噪后的蜡烛火焰图像SSIM高达0.9870,降噪后的丁烷燃烧火焰图像SSIM为0.9808。

关键词： 线激光   图像处理   中心线提取   海森矩阵   感兴趣区域  

摘要： 提出一种基于海森矩阵的改进了Steger算法流程的线激光中心线提取方法。首先,采用高斯滤波、图像锐化等方法对图像进行预处理,去除噪声,加强灰度差别。其次,采用迭代式的全局阈值分割方法,将图像中的图像分割,得到图像中的感兴趣区域。最后,改进海森矩阵的计算原理,对Steger算法进行了优化,以求出亚像素点的位置,并采用非极大值抑制去除噪声点。计算结果表明,相较于传统的Steger算法,这一改进型算法能将中心线的提取速度提高4倍以上,而且能去除传统Steger算法上提取中心线会出现的冗余点,提取精度相比传统的灰度重心法和Steger算法分别提高了28%和19%。

关键词： 无监督学习   显著性目标检测   西藏古建筑   冲量扩张   室内检测  

摘要： 针对西藏室内复杂纹理背景下显著性目标检测算法难以全面标记显著区域的问题,在A2SNet模型基础上提出改进的MA2SNet模型。引入高效通道注意力模块,增强预训练模型对复杂场景的检测能力;添加基于区域扩张的冲量策略,结合高置信度标签和噪声线索,提高伪标签的全面性和准确性;改进实时标签纠正策略,实时优化伪标签质量。采用深度学习的无监督显著性目标检测方法,降低了为众多物品手动注释标签的人力成本。实验结果表明,F2和召回率相较于基线模型,在西藏数据集和公共数据集都有所提高,可稳定、全面地检测图像占比大于40%的单物体显著目标。

关键词： 计算机视觉   橡胶衬套   缺陷检测   YOLOX   多注意力机制  

摘要： 针对橡胶衬套表面微小气泡和中片压伤缺陷检测中存在漏检率高、深度学习模型特征融合不足等问题,提出了基于多注意力特征融合的YOLOX-A模型。搭建橡胶衬套表面缺陷检测试验台并制作数据集,在骨干网络中添加Res2NetBlock和CoT注意力模块,在特征融合层内置坐标注意力模块。试验结果显示:YOLOX-A模型在测试集上的平均精度达到86.68%,较YOLOX提高了11.91%,其中气泡缺陷的F1值为0.99,中片压伤缺陷F1值为0.75,FPS为42.5。

关键词： YOLOv5s   细粒化卷积模块   C3TR   损失函数   软非极大值抑制算法   解耦合头  

摘要： 航拍图像中普遍存在目标尺寸微小、尺度多变以及背景繁杂等问题,从而导致YOLO系列算法的检测精度较低。为此,基于YOLOv5s提出YOLO-SC2算法。首先,在YOLOv5s的网络结构基础上添加细粒化卷积模块、融合基于Transformer架构的C3TR层,并采用C2F模块替换C3模块以增强目标特征信息提取能力;其次,通过替换Focal-EIoU损失函数,使用软非极大值抑制算法增强小目标检测准确性;最后,融合解耦合头,提高多目标下的检测精度。实验数据表明,在VisDrone2019公开数据集上进行实验,相较于原始模型,改进后的模型在P、mAP_0.5、mAP_0.5:0.95指标上分别实现了6.2%、8.2%和8.4%的提升。通过与其他算法对比,验证了该改进算法的有效性。

关键词： 图像处理   速度   位移   可视化   教学融合  

摘要： 传统的教学方法中速度和位移概念讲解相对枯燥乏味且抽象、给学生的理解带来一定的困难。旨在通过图像处理中的图像增强、图像目标检测、重心提取等方法将抽象的物理模型和数据结果以图像方式直观的展示给学生,帮助学生建立基本的位移与速度概念空间,脱离相对枯燥的理论讲解,同时展示图像处理技术如何在物体实际运动中计算速度和位移,并实时可视化地展现结果,加深学生的理解。图像处理技术与物理位移速度教学相融合,在一定程度上促进了物理课堂教学的发展,丰富了教学手段,优化了教学过程,激发了学生的创新精神,增强了学生的科学探究能力。

关键词： 目标检测   图像识别   火灾检测   特征提取  

摘要： 近年来,频频发生的火灾,造成大量的人员伤亡及财产损失,因此,火情预警越来越关键。为了有效解决火情预警系统反应相对缓慢及检测范围有限,造成预警能力受限的问题。结合火情特点,使用Jetson Nano(人工智能边缘计算套件)为主控中心,利用LabelImg(标签)将两千多张图像数据进行标记,通过YOLOv5(目标检测算法)训练,得到火灾图像的训练权重;Jetson Nano读取紫外摄像头采集到的图像数据经训练权重推测是否发生火灾,若发生火灾则通过Jetson Nano的串口向微控制器发送数据,触发报警。本设计经过测试对火灾以及烟雾检测的正确率达97%以上,识别烟雾火灾的准确度高,火情预警迅速。相比于传统火灾检测技术,检测范围更广,精度更高,不易受环境影响。

关键词： 无人机影像   轻量级目标检测   深度可分离卷积   高效通道注意力   锚点框聚类  

摘要： 针对无人机等边缘计算硬件上部署实时目标检测模型问题,设计了一种轻量级单阶段卷积神经网络模型。模型首先使用深度可分离卷积核构建特征提取网络,并通过高效通道注意力机制为特征图内的正样本赋权,然后通过跨尺度融合的特征金字塔获取属性信息丰富特征图,通过改进k-means++算法获取更准确的锚点框,最终通过三组特征图实现多尺度目标检测。实验结果表明,本文模型对于多重复杂场景下的多类别地面目标表现出了良好的检测精度和泛化性,在低算力的测试硬件下能达到实时级的检测水平。