关键词： 低光照   可见光   红外图像   图像融合   目标检测  

摘要： 图像融合是将多个输入图像合并成一个单一图像的技术。可见光红外图像融合能提高目标检测的准确性,但在低光照场景下往往效果不佳。基于此,提出一种新的融合模型DAPR-Net。该模型具有跨层残差连接的编解码结构,将编码器的输出与解码器的对应层的输入相连接,加强各层卷积层间的信息传递。在编码器中设计了双注意力特征提取模块AFEM,使得网络能够更好地区分融合图像与输入的可见光和红外图像之间的差异,同时保留两者的关键信息。在多个公开数据集上与6种先进方法进行对比,实验结果表明,与基准PIAFusion模型相比,该模型在LLVIP和MSRS数据集上的信息熵、空间频率、平均梯度、标准差、视觉保真度指标分别提高了0.849、3.252、7.634、10.38、0.293和2.105、2.23、4.099、27.938、0.343;在YOLOV5目标检测网络上,LLVIP和MSRS数据集的平均精度均值、召回率、精确率、F1值指标分别提高了8.8、1.4、1.9、1.5个百分点和7.5、1.4、8.8、1.2个百分点,相较于其他融合方法表现出更显著的优势。

关键词： 图像处理   人脸表情识别   局部遮挡   机器学习   深度学习  

摘要： 随着机器视觉和人工智能的发展,人脸表情识别的研究开始从实验室场景转变到自然场景。局部遮挡的人脸表情作为自然场景的重要研究方向,受到国内外研究人员的广泛关注。针对目前缺乏局部遮挡人脸表情数据样本、局部遮挡人脸表情数据样本有效特征提取不足的问题,对局部遮挡面部表情的识别算法进行综述探讨。首先,对局部遮挡的人脸表情的研究背景进行介绍;然后,对现有的常用数据集以及遮挡数据样本的处理方式进行介绍;接着,将局部遮挡的人脸表情识别算法分为传统方法、深度学习方法以及传统和深度学习相结合的方法,并对算法主要的技术手段进行综述;最后,对该领域未来的研究方向和挑战进行总结和展望。

关键词： 苹果叶部病害   目标检测   YOLOX   动态跨阶段局部网络(ODCSP)   Varifocal Loss  

摘要： 针对目前苹果叶片数据集的叶片病害种类不全以及图片背景单一等问题,构建了复杂背景下包括苹果叶部六种常见病害的苹果叶片病害数据集。针对目前主流苹果叶片病害检测模型检测精度不高、模型复杂和不满足实时监测等问题,提出了一种基于YOLOX-S(you only look once X-S)改进得到的复杂背景下的苹果叶片病害自适应检测模型Dynamic-YOLOX。设计并使用ECA-SPPFCSPC模块(efficient channel attention cross-stage partial fast spatial pyramid pooling module)更换YOLOX-S模型主干网络尾部Dark5中的空间金字塔池化(SPP)以及跨阶段局部网络(CSPNet)模块来增强模型关注深层语义特征、抑制无用信息的能力,并减少硬件内存开销。设计了动态跨阶段局部网络(ODCSP)模块,并用其更换YOLOX-S模型主干网络中Dark2、Dark3、Dark4部分以及颈部网络中所有的CSPNet模块,使得模型在面对不同输入特征时有更强的自适应性,在减少模型的参数量和计算量的同时提高了模型的平均检测精度。引入Varifocal Loss更换模型中分类置信度损失的BCEWithLogits Loss来提升模型对苹果叶片中密集小目标病害的检测精度。在自制数据集上Dynamic-YOLOX相对原始YOLOX-S模型的mAP提升了4.54个百分点,达到84.63%,同时模型的参数量和计算量分别下降了11.97%和13.45%,检测速度达到44.07 FPS。对比主流苹果叶片病害检测模型,Dynamic-YOLOX具有一定优越性。

关键词： 图像处理   人工智能   双语课程建设   课程思政   协同育人  

摘要： 分析人工智能专业本科生图像处理课程双语教学当前存在的问题,提出一种综合的双语教学模式,根据图像处理课程的特点,从教学准备、教学内容、教学方法、实验设计等方面探讨本科生双语教学的具体实施方案,阐述对图像处理课堂教学与实验教学的研究与探索;最后结合教学考核结果及教学评价说明教学实施效果,并进行教学反思。

关键词： 遥感图像   行人小目标   增强特征提取   感受野增强模块   GKCLOSS损失函数  

摘要： 林业作业人员常常由于复杂地貌而面对坠落、森林火灾等威胁,卷积神经网络结合无人机巡查的方法已经成为主流防范、搜救措施,但遥感图片中的行人小目标有特征少、定位精度要求高以及极易受背景信息干扰的特点。为了能够使森林遥感图片行人小目标检测的精度达到预期,在YOLOv4方法的基础上针对上述特点设计了增强特征提取的目标检测网络(EFEN),通过构建感受野增强模块(RFBA)并结合CBAM注意力机制,在充分利用遥感图片中的丰富上下文信息之余,对相关信息进行动态选择,增强特征的表示能力;基于高斯分布思想,将归一化Wasserstein距离与CIOU结合,提出了一种新的损失函数(GKCLOSS),降低了小目标检测任务中对位置偏差的敏感性;引入一种自适应分割训练检测策略,平衡正负样本,提高目标检测的准确性,进一步提高了检测精度。以河北省张家口市崇礼区采集的无人机行人图像为研究对象,实验表明,EFEN框架在小目标检测方面优于现有的深度学习网络,在与SSD、YOLOv5、YOLOv7等算法比较中平均查准率(mAP)均有所提升,在上述数据集上,mAP高达39.10%,证明了此方法对行人小目标数据的有效性。

关键词： 人工智能   智能机器人   家庭服务   语音识别   计算机视觉  

摘要： 在技术原理方面,人工智能的广泛应用(包括语音识别与自然语言处理、计算机视觉与环境感知、机器学习与智能决策)为实现智能机器人的多功能奠定了基础。硬件与软件结构的结合使得智能机器人能够更好地适应家庭环境,实现了精准感知和智能决策。在应用领域方面,智能机器人在家庭助手、医疗健康监护、教育陪伴服务等方面展现出巨大潜力。通过在语音助手、家庭安全监控、智能健康监测、个性化学习辅助等功能中的应用,智能机器人有效提升了生活质量和便利性。

关键词： 水稻病害   YOLOv5算法   注意力机制   目标检测  

摘要： 针对传统深度学习算法难以在复杂环境下准确且高效地识别水稻病害问题,提出一种改进的YOLOv5算法,对水稻常见的白叶枯病、稻瘟病、东格鲁病和褐斑病的病斑进行检测。在原YOLOv5算法上结合混合域注意力机制进行特征校正,提高模型对水稻叶片和病斑位置信息的定位能力。在损失函数部分将原CIoU_loss更换为SIoU_loss,弥补CIoU_loss未关注边界框和真实框角度偏移的问题。选用Soft-NMS筛选预测框,缓和传统NMS因不同病斑重叠区域过大而发生预测框误删造成的漏检情况。在消融试验中,改进算法在水稻病害识别任务中mAP达到0.884,比原YOLOv5算法提升2.9个百分点,在针对褐斑病病斑的识别上提升较大。证明改进的YOLOv5算法在水稻病害识别任务中的有效性。

关键词： 输煤皮带   目标检测   深度学习   U-Net网络  

摘要： 为了提高煤矿井下输煤皮带检测的效率和准确性,进行了基于U-Net的输煤皮带检测技术研究。实验中通过构建U-Net神经网络模型,实现对输煤皮带的自动识别和检测。研究结果表明,该技术有效解决了传统巡检方法存在的低效率、依赖人工干预等问题,可提高煤矿生产的安全性和效率。

关键词： 红外图像   目标检测   注意力机制   特征融合   深度神经网络  

摘要： 目的基于可见光和红外双模态图像融合的目标检测算法是解决复杂场景下目标检测任务的有效手段。然而现有双光检测算法中的特征融合过程存在两大问题:一是特征融合方式较为简单,逐特征元素相加或者并联操作导致特征融合效果不佳;二是算法结构中仅有特征融合过程,而缺少特征选择过程,导致有用特征无法得到高效利用。为解决上述问题,提出了一种基于动态特征选择的可见光红外图像融合目标检测算法。方法本文算法包含特征的动态融合层和动态选择层两个创新模块:动态融合层嵌入在骨干网络中,利用Transformer结构,多次对多源的图像特征图进行特征融合,以丰富特征表达;动态选择层嵌入在颈部网络中,利用3种注意力机制对多尺度特征图进行特征增强,以筛选有用特征。结果本文算法在FLIR、LLVIP(visible-infrared paired dataset for low-light vision)和VEDAI(vehicle detection in aerial imagery)3个公开数据集上开展实验验证,与多种特征融合方式进行平均精度均值(mean average precision,mAP)性能比较,mAP50指标相比于基线模型分别提升了1.3%、0.6%和3.9%;mAP75指标相比于基线模型分别提升了4.6%、2.6%和7.5%;mAP指标相比于基线模型分别提升了3.2%、2.1%和3.1%。同时设计了相关结构的消融实验,验证了所提算法的有效性。结论提出的基于动态特征选择的可见光红外图像融合目标检测算法,可以有效地融合可见光和红外两种图像模态的特征信息,提升了目标检测的性能。

关键词： 合成孔径雷达   飞机目标检测   网络重构   可变形卷积   GAM注意力机制  

摘要： 针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像飞机目标检测算法存在模型复杂度较高、检测效果差、泛化能力弱等问题,提出了一种基于改进YOLOv8的SAR图像飞机目标检测算法。首先,针对SAR图像飞机目标较小的特点,剔除大目标检测层,重构特征提取网络和特征融合网络,降低模型计算量。其次,在主干网络引入可变形卷积(Deformable Convolutional Network, DCN),增强特征提取能力;在颈部网络引入全局注意力机制(Global Attention Mechanism, GAM)提高检测精度。最后,采用WIOU(Wise-IoU)损失函数提高收敛速度和回归精度。在SADD数据集(SAR Aircraft Detection Dataset)上实验结果显示,改进算法较原YOLOv8算法模型体积压缩59.66%,参数量降低61.18%,计算量减少18.29%,最高精度提高至98.1%。与其他算法相比,所提算法在保证较高检测精度的情况下大幅降低了模型体积、参数量和计算量,实现了模型复杂度和检测精度的平衡。