关键词： 数字图像处理   Mobilenetv2   遥感目标   目标检测   YOLOv4  

摘要： 针对遥感目标的多尺度、多样性、背景复杂等特点,为提升YOLOv4算法的检测速度和平均精度,提出了一种基于YOLOv4模型改进的遥感目标检测算法,首先,用Mobilenetv2替换YOLOv4的主干特征提取网络,减少参数数量,提升检测速度;其次,在Mobilenetv2的残差网络中嵌入新型注意力机制CoordAttention模块,捕获方向感和位置感知的信息,精准定位和识别感兴趣的目标;最后,借鉴Inception的思想在颈部特征增强网络处添加改进过的RFB模块,增强感受野并且提升网络的特征融合能力。研究表明,论文提出的MCR-YOLOv4(Mobilenetv2-CoordAttention-RFB-You Only Look Once)算法相比于原YOLOv4算法,模型大小减少了45.27 M,平均精度提高了1.03%,检测速度提高了56帧/s,更适用于对复杂遥感目标的检测。

关键词： 目标检测   YOLOv8   CPAM   小目标检测   知识蒸馏  

摘要： 安全帽在保护施工人员免受事故伤害方面发挥着至关重要的作用。然而,由于种种原因,工人们并没有严格执行戴安全帽的规定。为了检测工人是否佩戴安全帽,本文提出了基于YOLOv8改进的目标检测算法(CPAM-P2-YOLOv8)。在YOLOv8的颈部添加CPAM结构,增强网络对图片的特征提取,在YOLOv8的头部引入处理后的小目标检测层P2。CPAM-P2-YOLOv8提高了目标检测的精确度,实验结果表明,改进模型的精确度达到了91%。与YOLOv8对比,CPAM-P2-YOLOv8的mAP50提高了1.0%,参数量减少了17%,同时通过对比发现,CPAM-P2-YOLOv8比YOLOv8在检测小目标方面更有优势。与YOLOv10对比,CPAM-P2-YOLOv8的mAP50提高1.9%。使用知识蒸馏方法,使CPAM-P2-YOLOv8的精确度进一步提升,达到91.4%。Safety helmets play a crucial role in protecting construction workers from accidents and injuries. However, due to various reasons, workers did not strictly adhere to the rule of wearing safety helmets. To detect whether workers are wearing helmets, this article proposes an improved object detection algorithm based on YOLOv8 (CPAM-P2-YOLOv8). Add CPAM structure to the neck network of YOLOv8 to enhance the feature extraction of safety helmets, and introduce a processed small object detection layer P2 at the head of YOLOv8. CPAM-P2-YOLOv8 improved the accuracy of object detection, and experimental results showed that the improved model achieved an accuracy of 91%. Compared with the YOLOv8 model, CPAM-P2-YOLOv8 improved mAP50 by 1.0% and reduced parameter count by 17%. Through comparison, it was found that CPAM-P2-YOLOv8 has more advantages in detecting small targets than YOLOv8. Compared with YOLOv10, the mAP50 of CPAM-P2-YOLOv8 increased by 1.9%. By using the knowledge distillation, the precision of CPAM-P2-YOLOv8 was further improved to 91.4%.

关键词： 计算机视觉   视觉提示学习   情境学习   图像恢复   扩散模型  

摘要： 尽管现有的天气退化图像恢复方法在单一天气去除任务上已经取得良好表现,但其无法适应真实场景下多变的天气类型.为此,本文提出一种基于视觉提示学习的天气退化图像恢复算法,其是预训练语言图像模型与天气退化图像恢复任务结合的新范式.该算法首先设计一个查询提示约束网络(Query Prompt Contrained Network,QPC-Net),其利用对比语言图像预训练模型中的文本编码器和图像编码器来根据给定的退化图像直接编码其对应真实背景的潜在描述特征.同时,该算法还包括一个示例提示引导网络(Example Prompt Guided Network,EPG-Net),其利用给定的示例图像来引导预训练扩散模型去除查询图像上对应的天气退化.相比类似设定的现有算法,本文算法在8个天气退化数据集上平均改善峰值信噪比2.11 dB,平均改善结构相似性4.74%.

关键词： 图像处理   缺陷检测   YOLOv7   SimAM   轻量化   NWD  

摘要： 针对现有的小目标焊点缺陷检测方法存在错检、漏检等问题,提出一种改进YOLOv7的小目标焊点缺陷检测算法。考虑到焊点尺寸较小,添加小目标检测层和检测头以提取更多的浅层特征信息。引入无参注意力机制(SimAM)为特征图分配三维权重,提高模型特征提取能力。使用部分卷积(PConv)重构ELAN模块,减少冗余运算和内存访问次数,在颈部利用长径特征网络(GiraffeDet)融合不同尺度特征,提高模型轻量化程度。最后,利用NWD(Normalized Wasserstein Distance)损失函数改进原有的CIoU损失函数,加快模型收敛速度并提高小目标检测精度。实验结果证明,改进后的YOLOv7算法平均检测精度达到90.3%,相较于原算法提升了5.1%,召回率提高了3.2%,参数量降低了36.3%,且在收敛速度方面有了较大的提升。本文算法为边缘设备检测小目标焊点缺陷提供了参考。

关键词： 特征识别   异常行为检测   深度学习   目标检测  

摘要： 以人工智能领域人物属性识别与特征提取为主要内容,探讨如何从复杂多变的人物图像中提取到完整细致的人物特征,融合多个尺度的人物特征,有效利用人物多层信息,提高人物属性分类的准确率。通过构建基于多尺度时空预测网络和预测与重构模型,实验表明模型可实现多尺度时空特征的弱监督异常行为检测,能够有效提高异常行为检测精度、模型对噪声的鲁棒性,可应用于刑侦、自动驾驶、智慧体育、智能家居等领域。

关键词： 计算机   图像处理   人工智能算法  

摘要： 随着计算机技术与人工智能技术的融合应用,各种算法在图像处理领域实现了广泛实践。人工智能算法包含遗传算法、粒子群优化算法、蚂蚁算法、退火算法等常见算法模式,这些算法具有良好的自学习、自适应以及独特的自组织能力,因此逐渐成为计算机图像技术领域的研究热点话题。基于此,文章结合计算机图像处理中人工智能算法的技术原理,分析了计算机图像处理中人工智能算法的应用优势及其价值体现,重点围绕这四种关键算法,对计算机图像处理中人工智能“遗传、粒子群优化、蚂蚁、退火”算法的具体应用进行了研究和论述,旨在为人工智能算法的发展提供参考与借鉴。

关键词： 智能车   赛道识别   目标检测   PID控制算法   模块设计  

摘要： 文章提供了一个智能车系统的设计方案,硬件作为基础,软件来实现细节.系统以百度Edgeboard开发板为上位机,英飞凌AURIX TC264为下位机,通过摄像头采集图像,利用FPGA模块实现AI模型部署识别与加速,传输信息之后使用PID算法控制电机速度和PD环节控制舵机打角,实现对车运动速度和方向的闭环控制.整体设计稳定可行,能够模拟真实世界中的交通情况。

关键词： 多任务感知   自动驾驶   目标检测   语义分割   感受野注意力卷积(RFAConv)  

摘要： 可行驶区域分割、车道线检测及交通目标检测等作为自动驾驶感知的关键部分,并行执行对智能车辆的算力要求较高,多任务感知算法能够实现实际应用中精度与速度的权衡。针对多任务感知算法中路况复杂、目标受遮挡等难点,通过改进YOLOP网络,提出一种基于感受野注意力卷积(RFAConv)的多任务感知算法。将主干网络中的部分卷积替换为感受野注意力卷积,根据感受野中图像特征的重要程度动态分配卷积核权重以提高网络的特征提取能力;重构特征金字塔网络,使用高效跨尺度融合模块替换原有的跨阶段层次模块,充分保留特征融合的有效信息,并使用内容感知特征重组模块作为上采样方法,减少特征融合时上采样的信息丢失;使用MPDIoU函数计算回归损失,解决真实框与预测框之间同比例但不同大小的问题,进一步提高对交通目标的检测能力。在BDD100K数据集上的测试结果表明,该模型在可行驶区域分割、车道线检测及交通目标检测方面检测精度优于其他多任务模型甚至单任务模型,同时保证了网络实时推理性能。

关键词： 深度学习   卷积神经网络   目标检测   船舶数据集  

摘要： 为促进深度学习在船舶检测领域的进一步发展,对基于深度学习的目标检测技术的进展进行梳理,对其优点和局限性进行分析和总结,并以典型技术为线索对目前流行的船舶检测算法进行分析。在此基础上,对船舶检测领域常用的评价指标和船舶图像数据集进行介绍,并对当前基于深度学习的船舶检测技术存在的问题和未来的发展方向进行探讨。研究成果可为深度学习在船舶检测领域的应用提供一定参考。

关键词： 深度学习   目标检测   YOLOv5   表面缺陷检测   重参数化  

摘要： 锯材表面缺陷检测是锯材加工的重要环节,随着深度学习和卷积神经网络的发展,越来越多的目标检测算法被引入并应用于锯材表面缺陷的检测。然而,目前的锯材表面缺陷检测算法仍存在检测速度慢、检测精度低等问题。为了解决这些问题,设计了一种基于YOLOv5的锯材表面缺陷检测算法,针对该算法设计了可重参数化的主干网络,改进了聚类算法和损失函数,使用了多种数据增强方式并且设计了解耦的检测头。将改进后的算法在NVIDIA RTX3090 GPU上进行训练和测试,在本研究使用的橡胶木和松木锯材表面缺陷数据集上的平均精度均值(mAP)分别达到了98.02%和98.37%,推理时间分别为6.79和6.58 ms。将本研究改进的算法与改进前的算法以及Faster R-CNN、YOLOv3等常用算法进行对比,结果表明,本研究改进的YOLOv5在速度和精度方面都有显著提高。此外,还将本研究使用的橡胶木和松木数据集进行了融合,本研究改进的算法在融合后数据集上的mAP达到了94.88%,推理时间为6.89 ms,相比对比算法仍有明显优势。最后,对相关研究成果进行了对比分析,结果表明本研究改进的算法在检测速度上也具有较大优势,验证了该算法的有效性。