关键词： YOLOv5   深度学习   目标检测   可变形卷积   解耦头   无锚框  

摘要： 针对现有安全帽佩戴检测中存在检测精度低等问题,文章提出一种改进的YOLOv5s的安全帽佩戴检测算法,通过可变形卷积结合C3模块嵌入主干网络中提高特征提取的准确性,加入解耦头作为目标检测模型的输出层,提高检测器的准确性和推理速度。同时,使用无锚框方法替代传统的锚框的方法,提升目标检测的准确性,简化模型结构。结果显示,改进后的YOLOv5s模型比改进前的mAP_0.5指标提升1.6%,mAP_0.5∶0.95指标提升3.4%。

关键词： 图像处理   无人机   小目标识别   分割算法  

摘要： 为了解决天空背景下小目标检测与分割的问题,首先根据光电探测设备捕捉到画面,分析了无人机小目标在天空背景下的特征与图像中的主要干扰信号;然后利用图像滤波与改进Sobel算子检测算法抑制天空云层等背景的干扰,引入形态学腐蚀、膨胀等方法增强小目标的信号;最后,提出一种自适应阈值化的目标提取方法,从灰度图像中获取图像中小目标的大小及位置信息。试验结果表明背景抑制与检测方法对背景噪声抑制能力强;目标提取方法在RGB相机成像、红外成像、高功率激光补光等变化环境的情况下,对弱小目标的位置提取有相对稳定的效果。

关键词： AI人工智能   服装款式设计   教学应用   模式创新   计算机视觉  

摘要： 文章深入探讨了人工智能(AI)技术在服装款式设计教学中的应用。通过分析AI技术的基础理论及其在服装设计中的具体应用,揭示了AI如何促进教学模式的创新,激发设计创意,优化设计方案,并构建科学的评估体系。文章提出了基于AI的教学模式设计思路,并展望了AI在服装设计教育中的未来发展趋势,旨在为教育工作者提供有益的参考与启示。

关键词： 视觉采摘机器人   图像处理   番茄成熟度分类   椭圆轮廓拟合   聚类分析  

摘要： 为了实现自动化的番茄分类采摘,基于视觉识别技术设计了识别系统。首先,基于HSV视觉体系中的H分量,采用聚类分析的方法,依据成熟度将番茄分为不熟,半熟和全熟3类,并计算3类番茄成熟度对应的H分量分布范围;其次,根据半熟和全熟番茄H分量的分布范围进行番茄图像分割,并利用形态学的方法得到图像中番茄区域的轮廓曲线;再次,采用椭圆拟合方法实现对番茄轮廓拟合,计算得到图像中番茄区域的中心坐标;最后,采用双目视觉系统实现图像中番茄区域中心坐标向实际空间坐标转化。对番茄轮廓曲线拟合精度和视觉定位精度进行测试,表明系统具有良好的可靠性。

关键词： 语义分割   特征生成   零样本学习   计算机视觉   深度学习  

摘要： 零样本图像语义分割是零样本学习在视觉领域的重要任务之一,旨在分割训练中未见的新类别。目前基于像素级视觉特征生成的方法合成的视觉特征分布和真实的视觉特征分布存在不一致性的问题,合成的视觉特征难以准确反映类语义信息,导致合成的视觉特征缺乏鉴别性;现有的一些视觉特征生成方法为了得到语义特征所表达的区分性信息,需要消耗巨大的计算资源。为此,文中提出了一种基于语义-视觉一致性约束的零样本图像语义分割网络(SVCCNet)。该网络通过语义-视觉一致性约束模块对语义特征与视觉特征进行相互转换,以提高两者的关联度,减小真实视觉特征与合成视觉特征空间结构的差异性,从而缓解合成视觉特征与真实视觉特征分布不一致的问题。语义-视觉一致性约束模块通过两个相互约束的重建映射,实现了视觉特征与类别语义的对应关系,同时保持了较低的模型复杂度。在PASCAL-VOC及PASCAL-Context数据集上的实验结果表明,SVCCNet的像素准确率、平均准确率、平均交并比、调和交并比均优于比较的主流方法。

关键词： 目标检测   深度特征   感兴趣区域   特征融合   锚点  

摘要： 基于区域的快速卷积神经网络存在资源的浪费和无法有效应对小目标检测的问题,提出基于高可能性区域推荐网络及特征富集的区域的小目标检测卷积神经网络架构。首先,采用区域推荐网络对锚点区域进行筛选,节约分类阶段的处理时间,提高了系统的处理速度。其次,为了解决无法有效检测小目标的问题,提出了融合视觉几何组16层网络的第三、第四、第五层特征信息的方法来强化特征表达的策略。最后,提出次要感兴趣区域的概念,将交通标志的上下文信息融合到目标特征表达中。这些策略提高了目标检测的准确率和速度。

关键词： 铁路调度监控视频   异物检测   雾霾天气   目标检测   图像恢复   数据增强  

摘要： 为实现在雾霾天气下铁路调度视频图像的智能化分析预警,针对性地提出一种铁路视频异物检测方法。首先针对部分视频中存在的雾霾退化问题,引入基于深度网络的恢复模型,可得到清晰视频,用于进一步检测;其次引入YOLOv5目标检测模型,针对铁路场景进行重新训练,并采用冻结训练和串联模型策略,使模型在具有异物检测能力的情况下,保留对常规目标的检测能力;最后针对铁路视频真实数据中缺乏异物的问题,采用数据增强技术,加强铁路视频识别异物的能力。试验结果表明:该检测方法显著提升了在雾霾条件下的铁路视频异物检测效果,有助于提高人员闯入、异物入侵等安全隐患的实时识别能力。

关键词： 图像处理   图像去模糊   深度学习   对抗生成网络   移动应用开发  

摘要： 随着深度学习算法的发展,人们开始研究使用深度学习模型来解决图像模糊的问题。性能优异的DeblurGANv2在图像去模糊应用领域取得了不错的效果,但由于算法的复杂性,对模型运行设备的性能要求也会更高。为了能够将DeblurGANv2模型移植到Android终端上应用,在研究了基于DeblurGANv2模型图像去模糊技术在电脑端应用基础上,用Pytorch对DeblurGANv2模型进行转化,缩小了模型的体积和运算时间,将模型大小由233MB压缩为13.2MB,使模型最终可以在Android系统上运行,运行时间较电脑端模型也有所下降,为其他深度学习算法向移动端或者低性能设备上的部署提供了思路和解决方案。

关键词： 容积卡尔曼滤波   强跟踪滤波   非线性滤波   目标跟踪   空空导弹   制导  

摘要： 针对传统滤波算法在处理目标复杂机动时非线性逼近能力不足、跟踪精度下降等问题,提出一种强跟踪容积卡尔曼滤波(STCKF)方法。首先,根据战斗机规避空空导弹的机动特征,建立了蛇形机动和桶滚机动两种目标运动模型;其次,引入强跟踪滤波(STF)以增强容积卡尔曼滤波(CKF)对系统状态突变等不确定因素的能力;然后,将STCKF应用于导弹末制导目标运动参数估计中,并通过与CKF、无迹卡尔曼滤波(UKF)和粒子滤波(PF)的对比仿真分析验证了该方法的有效性。仿真结果表明,STCKF具有较强的鲁棒性和系统自适应能力,尤其在目标机动突变时其跟踪误差相比CKF减小约10%,能够满足空空导弹末制导高精度和快速响应要求。

关键词： 表面缺陷检测   先验知识   图卷积网络   目标检测   深度学习  

摘要： 当前基于深度学习的表面缺陷检测方法主要侧重于单独识别缺陷实例,即仅从区域特征方面考虑缺陷检测。然而,这种方法忽略了缺陷之间的高层关系,难免会出现缺陷检测误差。针对上述问题,提出了一种融合先验知识推理的表面缺陷检测网络(PKR-Net)。PKR-Net主要由2个部分组成,即显性知识推理模块(EKRM)和隐性知识推理模块(IKRM)。EKRM通过构建显性关系图(ERG)来捕获数据集中缺陷之间的全局共现关系得到共现关系特征,而IKRM通过构建隐性关系图(IRG)来捕获图像中缺陷之间的局部空间关系得到空间关系特征。最后将得到的共现关系特征和空间关系特征进行融合,并重新送入分类层和回归层以改进检测效果。在工业缺陷数据集Textile,NEU-DET和GC10-DET上进行实验验证,实验结果表明,该网络模型相比基线模型Faster RCNN,其mAP分别提升了14.8%,8.2%和18.9%,与其他缺陷检测模型相比能够达到更好的检测性能,验证了模型的有效性。