关键词： 图像处理   糖尿病视网膜病变分割   深度语义   边缘信息   动态注意力   渐进特征融合  

摘要： 利用深度学习技术分割糖尿病视网膜病变(DR)图像可以有效辅助眼科医生进行DR筛查、分级和治疗进展的监测。然而,不同的DR病变在尺度、形状、位置、颜色和纹理等方面存在较高的类间相似性,给DR图像的自动分割任务带来了较大挑战。为此,本课题组提出了一种新颖的基于深度语义和边缘信息的渐进多特征融合网络(PMFF-Net),以同时分割多类DR病灶。该网络主要包括混合Transformer模块(HT模块)、选择性边缘聚合模块(SEA模块)、渐进特征融合模块(GCF模块)和动态注意力模块(DA模块),其中:HT模块集成了卷积神经网络(CNN)、多尺度通道注意力和Transformer,以增强对DR病变特征的表示能力;GCF模块借助高等级语义特征的引导实现了相邻编码层特征之间的渐进融合,有效弥补了不同等级特征之间的语义偏差;DA模块采用自适应学习策略从融合的特征中进行动态特征推理和选择,提高了多尺度特征之间的一致性;SEA模块通过有选择性地聚合DR边缘特征和语义信息,细化了病变的边缘轮廓并重新校准了病变位置。所提PMFF-Net在IDRiD数据集上的mDice和mIoU分别为45.11%和33.39%,在DDR数据集上的mDice和mIoU分别为36.64%和35.04%,优于当前先进的DR分割方法。进一步,通过跨数据集交叉测试验证了模型良好的泛化能力。最后,通过消融实验验证了所提模型中各模块的有效性。出色的分割结果表明所设计的PMFF-Net在DR筛查和检测临床实践中具有很大的应用潜力。

关键词： 目标检测   CCBAM   特征融合   空洞卷积   RFFM  

摘要： 针对SSD(Single Shot Multibox Detector)目标检测算法在浅层特征层缺乏语义信息和高层特征层缺乏细节信息造成的漏检、误检等问题,提出了一种改进的SSD目标检测算法。首先引入改进的全面卷积注意力模块CCBAM(Comprehensive Convolutional Block Attention Module),提高网络对于小目标的敏感程度。之后构建分层特征融合网络HFFNet(Hierarchical Feature Fusion Network),使浅层的细节信息和高层的语义信息进行充分的融合,同时在下采样过程中,使用空洞卷积提取不同尺度的特征信息;在上采样过程中,使用像素重组增加高层特征层分辨率的同时减少信息的丢失,之后与低层特征层融合,加强低层特征层的语义信息。最后,采用残差特征融合模块RFFM(Residual Feature Fusion Module),加强高层特征层局部信息和全局信息的整合,同时丰富特征信息。实验表明,在PASCAL VOC2007测试集上mAP@0.5达到79.6%,比原始SSD算法提高了2.4%,检测速度达到了47.8 FPS。

关键词： 目标检测   Opencv   边缘检测   中值滤波   Otsu  

摘要： 本文提出一种基于OpenCV图像处理技术的管柱零件目标检测方法。通过对传统检测方法的改进和优化,实现了对管柱图像的快速识别与管径分类。经过图像增强处理和预处理操作,包括图像灰度化、二值化、滤波和边缘检测,对灰度图像反色处理,提高灰度图像的质量,根据灰度直方图的分布确定二值化最佳阈值范围。中值滤波PSNR(peak signal-to-noise ratio)值与SSIM(structural similarity)值与双边滤波和非局部均值滤波相比提高了56%和85%;确定中值滤波内核值为13×13。通过仿真确定采用Otsu的分割方式分割图像与Canny边缘检测阈值相结合,可以有效提高Canny算法的自适应能力以及提高边缘的连接度和准确性。验证结果表明:改进后的Canny-like算法在边缘检测准确率上对比传统Canny、Sobel、Prewitt、Laplacian等算法均有16%左右的提升,该算法优化了传统算法检测的连续性和准确率。最后将该检测方法应用于不同环境下的管柱检测,取得较高的检测精度,满足实时准确检测的要求。

关键词： 数字图像处理与分析   研究生   在线课程建设   混合式教学改革   课程思政  

摘要： 数字图像处理与分析是人工智能学科研究生教育的一门重要专业课。针对数字图像处理与分析研究生课程教学中,授课时间不足、教学资源相对缺乏、理论教学与实验环节脱节和课程思政内容较少等问题,构建在线精品课平台,对传统教学模式进行改革,推进线上线下混合式教学模式。注重课程体系构建与教学内容创新,整合视频、课件、案例库等资源,建设线上教学平台,充实课程思政及实践实验工程训练内容,结合课前、课上、课后三个教学阶段的特点,开展混合式教学。以武汉理工大学为例,验证教学模式的改革效果。

关键词： 异物侵限检测   深度学习   目标检测   YOLOv8算法   CBAM注意力机制   EIoU   RepConv  

摘要： 快速、准确地从监控影像中检测侵入铁路的异物对保障列车运行安全具有重要意义。针对列车运行过程中出现的小型目标和与背景相似度较高的物体难以被准确识别的问题,提出一种改进的YOLOv8算法,可快速、准确地检测铁路图像中的侵限。首先,在Backbone网络主干层引入CBAM注意力机制,提高轨道异物特征提取速度,令模型更加关注于图像中的关键特征,同时抑制不相关的铁路背景信息。其次,针对模型中CIoU损失函数在宽高比上的模糊定义问题,将EIOU损失函数替代原有的损失函数,最小化目标框与锚盒的宽度和高度之差,提高边界框回归的精度的同时加快模型的收敛。最后利用分组卷积对传统目标检测头进行优化,在不损耗模型精度的情况下提高模型的效率,令模型在实际应用中具有更好的性能。实验结果表明,改进的YOLOv8算法在数据集上的mAP值达到96.2%,在检测精度上达到较高的水准,证明该模型在现实生活中具有应用价值。

关键词： 模型   麦穗   目标检测   transformer   轻量化  

摘要： 小麦是重要的粮食作物之一,麦穗计数对于预测麦穗产量至关重要。针对现有的检测计数方法在复杂农田环境下存在检测精度不足、模型参数量大等问题,该研究提出一种轻量级麦穗检测模型RT-WEDT(real-time wheat ear detection transformer)。首先,选择基于transformer的轻量化网络EfficientFormerV2作为RT-WEDT的骨干网络,以提升特征提取效率的同时学习麦穗图像的长距离特征;其次,设计三重特征融合模块(triple feature fusion,TFF)并引入尺度序列特征融合模块(scale sequence feature fusion,SSFF)以构建多尺度增强混合编码器(multi-scale enhanced hybrid encoder,MSEHE),达到浅层和深层特征充分融合,提高模型在不同尺度上的检测精度;最后,采用WIoUv3损失函数作为边界框损失函数来优化模型对麦穗目标的定位准确度。在全球麦穗数据集上的试验结果表明,RT-WEDT模型的交并比阈值0.50的平均精度AP_(50)为90.2%,高于传统的目标检测模型。在自建的无人机视角麦穗数据集(drone perspective wheat spike dataset,DPWSD)上的交并比阈值0.50的平均精度AP_(50)为96.8%,验证了模型有较好的普适性。此外模型的参数量为12M,检测速度为79.7帧/s,可达到麦穗高通量实时检测的目的。该研究为实现高效、快速的小麦产量估计提供了技术支撑,对推动智慧农业的发展具有重要意义。

关键词： 稻瘟病孢子   目标检测   YOLO v8   轻量化   注意力机制  

摘要： 稻瘟病由稻瘟病孢子通过空气进行传播,严重影响水稻产量,因此,稻瘟病孢子的检测对于稻瘟病早期诊断与防治具有重要作用。针对现有方法存在检测速度慢的问题,本研究基于YOLO v8模型提出了一种稻瘟病孢子检测方法RBS-YOLO。首先,该算法在主干网络中引入PP-LCNet轻量化网络结构,减少模型每秒浮点运算次数并降低模型内存占用量,其次在颈部网络中引入高效多尺度注意力模块(Efficient multi-scale attention module,EMA),并将原损失函数改进为WIOU损失函数,提高了模型识别稻瘟病孢子的精确率与平均精度均值。改进后的RBSYOLO模型精确率与平均精度均值分别为97.3%和98.7%,满足稻瘟病孢子的检测需求,模型内存占用量与每秒浮点运算次数分别为3.46 MB、5.2×10^(9),同YOLO v8n相比分别降低41.8%与35.8%。RBS-YOLO模型与当前主流的YOLO v5s、YOLO v7、YOLO v8n模型对比,每秒浮点运算次数分别降低67.3%、95.1%、35.8%。研究结果表明RBS-YOLO模型能够满足稻瘟病孢子实时检测的需求,且有利于部署到移动端。

关键词： 植物叶斑病   目标检测   YOLOv5网络模型   MobileNetv3   K-means++聚类算法   SCSE模块  

摘要： 为了提高植物叶斑病的检测效率和精度,引入主流的目标检测模型YOLOv5对叶斑病进行检测。结果显示,模型在检测较小的叶斑病时精度不高,且模型权重体积较大,不利于在终端边缘设备上部署。为此,对YOLOv5模型进行改进。首先,采用经过SCSE模块修改的MobileNetv3轻量化网络结构替代原有的CSP-Darknet53主干网络,从而降低模型的参数量和计算复杂度;其次,使用K-means++聚类方法优化Anchors参数,使先验框更好地为目标检测模型提供信息,增强模型的性能和泛化能力,减少对标注数据的依赖;最后,在主干网络的最后一层引入ASPPF模块,提高模型在不同尺度上的检测性能。实验结果表明,与原YOLOv5s算法相比,改进方法在植物叶斑病检测任务中表现更优,精确率、召回率和mAP等指标分别提高了2%、2.7%和1.5%,模型大小降低了39.1%。通过优化YOLOv5模型,实现了对不同植物类型大小不一的叶斑病的高效检测,有效降低了模型的大小,并提高了模型的检测精度。

关键词： 遥感图像   有向目标检测   Oriented RepPoints   注意力机制   损失函数  

摘要： 为解决Oriented RepPoints算法在遥感图像有向目标检测中因遥感图像背景干扰信息较多和目标尺度大小不一所导致的检测精度不高、易漏检误检等问题,提出一种改进Oriented RepPoints的遥感图像有向目标检测方法MA-RPDet(Mixed Attention RepPoints Detector).首先,采用了PVTv2作为主干网络,该网络利用线性空间缩减自注意力机制提取出更具局部连续性的特征图,并保持与卷积运算类似的线性复杂度.其次,在特征融合阶段设计了串联性混合注意力模块,进一步强化了重要特征,促进了多尺度特征的高效交互.最后,引入平滑GIoU损失函数对模型学习策略进行优化,提高了检测精度.在两个遥感图像目标检测数据集DOTA和HRSC2016上的实验结果表明,所提方法的检测精度mAP分别达到了77.19%和90.3%,均高于其他对比算法,证明了本文方法的有效性.

关键词： 小目标   无人机   航拍图像   目标检测   YOLOv5  

摘要： 针对无人机航拍图像小目标检测时由于小目标像素值少,特征不丰富、难提取和易受环境干扰等局限性,容易导致模型漏检、精度低以及网络参数量过大等问题,提出一种改进YOLOv5s网络的无人机小目标检测模型,改进了YOLOv5s网络结构,在不增加小目标检测头的条件下减化网络结构,减少参数量,使模型更轻量化;提出了金字塔池化模块(ASPPF),将空洞卷积加入到YOLOv5s网络的SPPF模块,加强特征信息的空间不变性,提高了网络对小目标的感知能力;采用跨层上采样(CLAU)注意力模块,在上采样过程后将低分辨率深度特征与高分辨率浅层特征融合,提高了对小目标图像的检测效率;使用EIoU损失函数替换原CIoU损失函数,提升训练的收敛速度。在VisDrone2019数据集上的验证表明,改进后模型的mAP@0.5和mAP@0.50∶0.95分别为41.2%和23.4%,较原模型分别提升了7.2和4.7个百分点,参数量仅为原先的49%。