关键词： 图像处理   肝脏肿瘤   U-Net   并行卷积   纹理特征   注意力机制  

摘要： 针对计算机断层扫描图像中肝脏肿瘤边界模糊、类型多样、与周围组织对比度低等特点,以及现有网络对医学图像中的纹理信息利用不充分等问题,提出了一种结合多分支纹理特征提取和注意力机制的肝脏肿瘤自动分割方法。首先,设计了一个并行卷积编码器,替换基准网络U-Net中的双卷积模块,用于提取两种不同感受野下的表层特征;接着,提出了一个纹理特征提取网络,将其搭建于U-Net的跳跃连接部分,以提取多尺度特征下肝脏肿瘤的深层纹理信息;最后,在解码阶段引入了一个带有残差路径的通道注意力模块,旨在有效捕获通道间的依赖关系,增强肝脏肿瘤分割任务相关特征。将所提方法在LiTS2017和3DIRDCADb-01肝脏肿瘤分割数据集上进行了实验论证,结果表明,所提方法在评价指标和可视化结果上均优于对比方法,对于小尺寸和边界模糊的肿瘤分割具有优势,有望为肝脏肿瘤筛检提供新的参考。

关键词： 图像处理   仿造数码迷彩   直方图统计   颜色量化   现场可编程门阵列  

摘要： 为了解决传统仿造数码迷彩生成算法开发平台灵活性不足的问题,提出了一种基于现场可编程门阵列(FPGA)的仿造数码迷彩生成算法。采用直方图统计提取主要颜色信息,将背景图像马赛克化获得颜色分布信息,依据色差进行主色替换得到仿造数码迷彩的方法,取得了不同主色数量、色差计算权重、颜色量化数量下的数据。结果表明,颜色量化为3600种后,提取出4种主色作为仿造数码迷彩主色,根据色差主色替换时色彩权重3∶6∶1,生成的仿造数码迷彩具有良好的伪装效果,且基于FPGA实现该算法时系统占用资源少,处理800 pixels×480 pixels分辨率的单帧彩色图像所需时间仅为22.21 ms,满足动态场景下生成仿造数码迷彩的实时性需求。该研究为主动伪装技术提供了参考。

关键词： 半月板撕裂   目标检测   Yolov3算法   图像分类  

摘要： 针对医师进行半月板撕裂诊断时,存在半月板区域面积小,无法有效识别的问题,提出一种改进后Yolov3的定位裁剪方法。用高效通道注意力网络(efficient channel attention network,ECANet)作为移动翻转瓶颈卷积(mobile inverted bottleneck convolution,MBConv)中的注意力机制模块,命名为MBConv+。MBConv+模块堆叠构成EfficientNet-b0+,作为Yolov3的特征提取网络,对半月板进行检测及定位裁剪,并采用支持向量机(support vector machines,SVM)进行分类实验。实验结果表明:改进后Yolov3算法与原算法相比,在平均精确率均值(mean average precision,mAP)相近条件下,训练时间大幅缩减,帧数(frames per second,FPS)提升了1.3221,达到了29.0691。与原始数据集相比,裁剪后图像在分类性能上有提升,精度提升了7.739%,达到91.251%。

关键词： 目标检测   小麦穗   旋转矩形框   YOLOX   坐标注意力模块   KL额度   损失函数  

摘要： 小麦穗检测对于农业估产和育种研究具有重要意义,但由于小麦穗角度和姿态多变且存在遮挡和尺度变化等因素,给目标检测带来较大困难,提出一种针对小麦穗旋转目标检测的改进方法YOLOX-RoC,该方法在YOLOX基础上使用旋转矩形框代替水平矩形框,更好地拟合小麦穗的轮廓和方向,减少背景干扰和重叠区域,使模型更具灵活性,更准确地捕捉小麦穗的特征;添加坐标注意力模块并采用KL散度损失函数代替交叉熵损失函数,提高对旋转目标的感知能力并解决旋转敏感度的误差度量问题,优化旋转目标的定位精度。利用基于图像合成的Copy-Paste数据增强方法,生成更多的训练样本以提高模型对不同尺度、姿态和遮挡情况的泛化能力,提高模型的鲁棒性。试验结果表明,YOLOX-RoC的AP比基准模型提升2.4百分点,针对小尺寸和被严重遮挡的小麦穗目标可以更准确地预测目标边界和角度,减少漏检和误检。本研究为小麦穗目标检测提供了一种准确和鲁棒的解决方案,为小麦估产和育种的智能化奠定了技术基础。

关键词： 图像增强   计算机视觉   深度神经网络   多粒度建模  

摘要： 在夜间低照度光照条件下,火箭发射初期的箭体表面细节难以得到有效呈现,而现有基于红外、激光雷达的成像手段存在作用距离受限、纹理细节信息缺乏等不足,严重影响火箭运行状态的有效观测。本文从光学相机拍摄的低照度图像出发,利用人工智能算法重构具有清晰细节和自然色彩分布的正常图像,针对低照度图像具有的信噪比低、色彩偏差、噪声严重等问题,受多粒度建模思想的启发,提出多粒度信息融合卷积块,进而构建多粒度信息融合卷积网络。该网络能够在受限的特征中提取更丰富的多粒度特征信息,以提高增强图像的视觉质量。通过与现有图像增强算法的对比实验,证明所提算法在低光照条件下能够获得更好的图像增强效果,在评价指标上优于现有增强方法;在夜间火箭发射场景下,所提算法能够有效增强箭体表面细节信息。

关键词： 视觉自注意力模型   图像处理   多头自注意力   人工智能  

摘要： 传统的图像处理模型依赖于手工设计的特征提取器,在处理全局上下文信息时存在困难,导致模型在理解图像整体语义时受限。因此,提出了一种基于视觉自注意力模型(ViT)的智能图像处理,并对其进行改进,通过引入多头自注意力机制和层级特征提取模块,提高模型的处理能力。结果表明,所提模型在训练集数量为1200左右时的性能趋于稳定,且表现出较好的性能。其他算法在训练集数量为1200时未处于最佳性能。当训练集达到2000时,所提模型的结构相似度值为0.98。结果表明,所提模型在处理图像时表现出了较高的性能和处理效率,为图像处理领域的问题带来了新的解决方法。

关键词： 小目标检测   移动视觉变换器   航拍数据集   注意力机制   增强值通道块   多阶段交并比   卷积  

摘要： 针对YOLOv7-tiny算法,提出一种改进的小目标检测算法。该算法主要包括3个设计要点:采用MobileViT block模块,提升了特征提取能力;基于EVC Block模块,优化特征融合性能;采用MPDIoU损失函数代替CIoU损失函数,应对预测框和真实目标框的长宽比相同而真实大小不同时的情况。实验结果表明,与YOLOv7-tiny相比,改进后的算法在VisDrone数据集上的mAP值结果为42.5%,提升了5.6%。当输入图片大小为640×640像素时,改进后的FPS值为39.5,能够满足无人机在边缘设备上的实时检测要求。

关键词： 燃气管道   视频监控   YOLOv8   目标检测  

摘要： 为了解决燃气管道沿线监控视频中普遍存在的背景复杂、多样的小目标和多尺度目标识别能力不足的问题,提出了基于CBAM注意力机制和4倍下采样检测头的YOLOv8改进算法,并实现了基于该改进算法的智能视频监控系统.实验结果表明,改进的算法精确度、召回率和均值平均精确度mAP@0.5分别达到了80.2%、72.8%和80.2%的性能指标,相比原始的YOLOv8s算法分别提高了1.9%、3.8%和1.6%.以某市燃气管道安全监管为研究案例,验证了该改进算法系统在燃气管道安全监控中的效率、准确率和时效性,为实现燃气管道安全监管的常态化、规范化和精细化,提供了一定的技术支持.

关键词： 车牌识别   图像处理   Unet神经网络   CNN  

摘要： 随着社会车辆的快速增加,车牌识别变得越来越重要。本文车牌识别系统分为三部分。第一部分通过改进Unet模型的网络深度使其更快速确定车牌的具体位置。第二部分使用基于像素直方图的字符分割方法分割字符。第三部分利用TensorFlow框架的Keras模块搭建卷积神经网络,对车牌中字符分别进行识别。实验结果表明,系统识别车牌字符正确率较高。

关键词： 甘蔗叶片病害   目标检测   YOLOv8   LSKA   EIoU  

摘要： 针对现有目标检测算法对甘蔗叶片病害检测精度有待提高的问题,文章提出了一种基于YOLOv8n的改进算法。该算法通过引入LSKA注意力机制改进主干网络SPPF模块,提高了模型在复杂背景下的特征提取能力;并采用EIoU损失函数替代CIoU损失函数,加快了模型收敛速度,进一步提升了检测精度。实验结果表明,改进后的算法mAP@0.5达到84.5%,相比YOLOv8n基线算法提高了5.4%,同时FPS达到250帧/秒,满足实时检测要求。与Faster R-CNN、YOLOv5n、YOLOv6n、YOLOv7-Tiny等算法相比,改进后的算法具有更高的检测精度。