关键词： 结构化照明显微系统   卷积神经网络   超分辨显微成像   图像处理  

摘要： 结构光照明显微成像(SIM)技术是一种在超分辨显微成像领域极具代表性的技术。尽管结构光照明能够提升空间分辨率,但其在实现超分辨过程中需要采集多幅图像,而且,诸如样本厚度不一、结构光平移的系统误差及环境噪声等因素均可能会对SIM成像质量产生影响。为解决这些问题,神经网络技术被引入SIM图像处理中。目前,常用的算法模型有卷积神经网络(CNN)及其变体以及生成对抗网络(GAN),它们通过训练样本来分析和纠正上述系统误差,提高时间分辨率,实现快速超分辨成像。据查,目前尚未有文章对于基于深度学习算法的结构光照明显微技术进行综合分析。鉴于此,本文介绍了SIM的基础原理并分析了深度学习算法近年来在提高SIM系统性能方面的应用,并对SIM技术未来的发展方向和面临的挑战进行了前瞻性探讨。

关键词： 苹果   YOLOv3   目标检测   深度学习  

摘要： 苹果采摘机器人依赖于精准的苹果目标检测来达到智能采摘。然而苹果数量、光照强度、生长阶段等条件使得苹果检测变得复杂,为此以苹果为试材,采用基于YOLOv3(You Only Look Once version 3)的目标检测方法,研究了不同场景下的苹果目标检测效果。针对苹果的外形特征,调整了YOLOv3的锚点尺寸以优化苹果在不同尺度上的变化。为了验证模型有效性,试验以苹果数量、拍摄不同光照的角度、苹果不同生长阶段为变量,对所提出的算法与YOLOv2(You Only Look Once version 2)、SSD(Single Shot MultiBox Detector)2种现有算法在目标识别效果进行了比较分析。结果表明:在不同条件下,所提出的方法在苹果目标检测的F1值上均达到了88%以上,可为苹果采摘机器人的开发提供技术支持。

关键词： 多扩展目标   势平衡多目标多伯努利滤波器   椭圆方向   椭圆半轴长度   自适应新生  

摘要： 针对杂波环境下扩展目标外形难以估计、新生目标先验信息未知等问题,在扩展目标势均衡多目标多伯努利(ET-CBMeMBer)滤波器的基础上,开展基于椭圆方向和半轴长度(OAL)的参数化多扩展目标跟踪研究。借助乘性噪声构造考虑目标空间信息的显式量测方程,并推导OAL-CBMeMBer滤波器高斯混合实现的封闭形式解;基于显式的量测方程,利用已知的量测数据自适应构造考虑了质心位置和外形状态的新生目标先验信息,并提出自适应新生OAL-CBMeMBer滤波器。仿真实验结果表明:所提OAL-CBMeMBer滤波器提高了目标数目和状态的估计精度,能够有效地对多扩展目标进行跟踪。

关键词： 弹道导弹   主动段防御   目标跟踪   轨迹预报  

摘要： 主动段拦截是多层反导防御体系中的第一道屏障，高精度的弹道导弹目标跟踪与预报是主动段拦截成功的重要前提和基础。主动段跟踪与预报的主要目的是输出目标导弹在当前及未来时刻的运动状态估计值和相关弹道参数。从弹道导弹目标主动段实时跟踪与轨迹预报两方面，对国内外研究现状及发展动态进行了综述。回顾了主动段跟踪中涉及的主动段运动建模和状态估计方法；将弹道导弹轨迹预报归纳为轨道解析、数值积分和函数逼近3类方法，并对各类方法的特点进行了分析；最后总结并展望了该领域的技术发展方向。

关键词： 三维目标检测   多模态融合   边缘差分信息   扩散函数   注意力机制  

摘要： 基于多模态的三维目标检测可以利用点云的几何信息和图像的语义信息。针对多模态三维目标检测中存在的边缘信息无法充分利用、异构数据融合困难、推理速度慢等问题，提出一种高效的基于边缘差分信息融合的多模态实时三维目标检测算法（Multimodal real-time 3D object detection based on edge differential information fusion， EDMR-Net）。在融合阶段提出了一个差分特征增强融合模块，通过扩散函数利用图像的差分信息增强点云语义表达以实现异构数据的互补，使用丰富的边缘信息和特征的稳定状态精准定位小目标；利用自适应上下文感知网络对多模态特征进行自适应权重分配，进一步细化多尺度上下文信息；为了提升模型对细节信息的捕获能力，在浅层特征中引入了多尺度交叉轴向注意力机制。在KITTI数据集上进行了大量的实验结果表明，所提方法在速度和准确性上都优于主流方法，有效解决了边缘信息利用不充分和多模态推理速度慢的问题，EDMR-Net在保证简单和中等难度检测性能的前提下大大提高了困难场景的检测性能。

关键词： 改装电动车   中小目标检测   YOLOv7-tiny   BiFormer   BiFPN  

摘要： 由于电动车的普及,越来越多的电动车进行非法改装雨棚.然而,这种改装行为会增加一些安全隐患.首先,挡雨板会遮挡骑行者视野,增加事故的风险.其次当速度过快时,挡雨板也会在不经意间擦伤行人,带来极大地安全隐患,给交通安全带来了严重威胁.本文提出了一种改进的YOLOv7-tiny算法,用于电动车非法改装检测.首先在网络的结构上加入BiFormer注意力机制,不仅可以捕获更多电动车细节的信息,而且可以使得模型更加关注一些较小的目标信息.其次将改进的特征金字塔结构和特征融合网络的张量拼接操作进行结合,提升对中小型目标的检测能力.最后对框架的ELAN模块和SPPCSPC模块进行改进和优化,可以在不增加过多参数量的同时,提升对中小目标的检测精度,增强提取特征的效果.

关键词： 特征融合   图像处理   深度学习   棉花生长期  

摘要： 基于神经网络的单视角棉花生长期识别时，存在准确率、精确率、召回率和F1-score较低的问题，建立俯视与平视双视角棉花生长期图像数据集，提出一种基于Densenet-Fusion模型的棉花生长期识别方法。首先，采用Fast特征点对应算法和超绿特征因子算法对双视角棉花生长期图像进行预处理，减小无关信息对识别结果的影响；其次，构建由卷积注意力机制模块与Unet-Resnet18串联构成的特征融合模块，实现棉花双视角图像的特征融合；最后将特征融合模块与Densenet相串联，构建了Densenet-Fusion模型，并最终实现了对棉花生长期的识别。实验结果表明，Densenet-Fusion模型在棉花生长期识别测试集上的评价指标均高于Resnet-Fusion、Densenet-Concat、Resnet-Concat和GoogleNet-Concat模型。

关键词： 图像处理   推移质   条带结构   紊流相干结构   流向涡模型  

摘要： 紊流、泥沙运动与床面地形演变之间存在密切关系，但彼此间相互影响关系尚缺乏定量研究。本文开展4组中低水流强度下的推移质输沙试验，通过图像处理技术、PTV(paticle tracking velocimetry)方法以及卡尔曼滤波算法分析泥沙颗粒运动规律。使用SFM方法重构冲刷后的3维床面，并利用PIV(particle image velocimetry)方法获取沙槽和沙脊区域二维瞬时流场，由修正的象限分析法量化分析紊流猝发事件，以研究紊流相干结构、泥沙运动以及床面地形之间相互作用机理。结果表明：1）随着水流强度(Θ=0.068～0.096)逐渐增大，推移质强度分布与床面地形共同展现出的条带结构由密集渐趋稀疏，宽度由窄转宽，数量逐渐减少，当0.068<Θ<0.096时，推移质输沙条带结构最为明显；2）通过对比推移质分布强度和床面地形，床面不同位置处对应着不同的泥沙运动情况，沙槽内的泥沙运动强度显著高于沙脊；3）在近壁区域内，相较于沙脊区域，沙槽区域扫掠事件的发生概率、持续时间、最大剪切应力和传输动量值均更大，但周期值更小。这是床面沙槽和沙脊形成的根本原因；4）间隔分布的推移质运动强度和床面沙槽沙脊结构以及凹凸槽处不同的紊流猝发现象结果验证了大尺度流向涡模型假设的合理性。紊流相干结构、推移质运动以及地形彼此间相互耦合，塑造了稳定且具时间平均尺度特征的床面结构。

关键词： 深度学习   计算机视觉   对抗攻击   数字域   物理域   对抗样本  

摘要： 深度学习引领人工智能蓬勃发展，被广泛用于计算机视觉，在图像识别，目标检测，目标跟踪，人脸识别等复杂任务上取得了突破性进展和显著的成果，展现出其卓越的识别和预测能力。但深度学习模型的脆弱性和漏洞也逐渐暴露，以卷积神经网络为代表的深度学习技术对精心设计的对抗样本极为敏感，容易对模型的安全性和隐私性造成影响。文中首先总结了对抗攻击的概念，对抗样本产生的原因以及相关术语；概述了数字域和物理域中几类经典的对抗攻击策略，对其优缺点进行了分析；其次，专注计算机视觉，从数字域和物理域两个方面，分别总结了目标检测，人脸识别，目标跟踪，单目深度估计，光流估计中对抗攻击的最新研究进展以及常用于研究的各种数据集；并简单介绍了现阶段对抗样本的防御和检测方法，归纳了对抗样本防御和检测方法的优缺点，阐述了不同视觉任务对抗样本防御的应用实例；最终，基于对抗攻击方法的总结，探索并分析了现有计算机视觉对抗攻击的不足和挑战。

关键词： 计算机视觉   深度学习   无监督   异常检测   ROI  

摘要： 【背景和目的】烟叶中实际异物难以预料，而常用的有监督目标识别类算法仅适用于被训练过的已知类型异物。本文的目的是实现对零样本的未知类型烟叶异物实时检测能力，有效提高物料纯净度。【方法】应用无监督的图像异常检测 (Anomaly detection，AD) 技术，考虑人眼视觉系统（Human visual system，HVS）的注意机制与基于深度学习的条件归一化流（Conditional Normalizing Flows，CFlow）框架，将感兴趣区域（Region of Interest，ROI）与正常烟叶样本构建的检测模型结合，共同预测图像像素块的未知异物概率。【结果】1）对未知异物检测F1分数为94.61%，而目标识别类算法YOLO v8对已知异物的检出率为100%，对未知异物的检出率为0%。2）提出的基于计算机视觉的烟叶异物检测部署方案，平均预测时间为0.26s /张，可满足实时性的要求。【结论】本文方案比常见的目标识别类异物检测算法应对非期望输入的鲁棒性更强，能实时检测烟叶中异物，具备成本低、部署快等优点，有良好的推广价值。