关键词： 表观裂缝   计算机视觉   裂缝识别   裂缝宽度测量   透视误差校正  

摘要： 对钢筋混凝土(reinforcement concrete, RC)结构表观裂缝的高效识别可以为结构震损快速评估提供佐证。无论在地震现场还是实验室环境,此类工作均表现出量大、重复的特征,适合利用计算机视觉技术完成,以弥补人工方式低效、不确定性强的劣势。以消费级相机输出图像作为数据源,融合U-Net和VGG-16构造适用于混凝土表观裂缝识别的卷积神经网络(convolutional neuralnetwork, CNN)模型,依托多类型RC构件裂缝图像数据库完成模型训练和测试。利用形态学运算、Otsu阈值分割等技术进一步优化裂缝识别结果作为宽度测量的输入数据。为降低相机光轴与裂缝平面不垂直带来的裂缝宽度测量误差,通过特定靶标对原始图像进行透视误差校正,经检验,透视误差校正后的裂缝宽度测量的平均偏差最大可降低约25%。

关键词： 隧道衬砌裂缝   深度学习   目标检测   GSConv   BiFormer   Wise-IoU v3损失  

摘要： 为了克服传统人工目测法的缺陷,提出针对隧道衬砌裂缝特征的改进YOLOv7算法模型TLC-YOLO (Tunnel Lining Crack-YOLO).对比4类骨干网络对隧道衬砌裂缝的检测效果,认为复杂环境下的裂缝检测存在强背景干扰、训练样本质量不平衡等问题,使用轻量级卷积GSConv和Slim-neck架构,嵌入动态稀疏注意力模块BiFormer加强通道信息传输,提高TLC-YOLO模型的实时反应速度和检测精度,实现更灵活的计算分配和内容感知.为较好地训练样本分配梯度和抑制较差的训练实例,采用Wise-IoU v3作为坐标回归损失函数来提高模型的泛化能力.结果表明:通过自建隧道衬砌裂缝数据集训练之后,与YOLOv7相比,在多组试验中TLC-YOLO模型能同时提高隧道裂缝检测结果的准确率、召回率、F1值和mAP@0.5值,证明TLC-YOLO模型在隧道衬砌裂缝智能识别中具有更好的检测和分类能力.

关键词： RGB-D显著性目标检测   互学习   特征对齐   跨模态集成  

摘要： RGB-D显著性目标检测主要通过融合RGB图像和深度图(Depth)从给定场景中分割最显著的对象.由于受到原始深度图固有噪声的影响,会导致模型在检测过程中拟入错误的信息.为了改善检测效果,该文提出了一种基于互学习和促进分割的RGB-D显著性目标检测模型,设计一个深度优化模块来获取深度图和预测深度图之间最优的深度信息;引入特征对齐模块和跨模态集成模块完成跨模态的融合;针对分割造成的精度损失问题,构建了一个基于多源特征集成机制的分离重构解码器.在5个公开数据集上进行了实验测试,实验结果表明:所提模型与其他模型相比,准确率更高,网络更加稳定.

关键词： 图像处理   高光谱图像去噪   深度学习   紧框架   低秩矩阵分解  

摘要： 为了避免现有的高光谱图像去噪优化模型仅考虑有限的高光谱内在结构特点、并未实现图像特征的精确表征的问题,采用了一种基于空谱深度图像先验与平滑的高光谱图像去噪方法,将紧框架变换与具有高表达与强学习能力的深度学习模型进行结合,构建基于深度学习的噪声去除模型。首先在低秩矩阵分解的基础上,利用特定的深度图像先验学习潜在的空谱特征;然后分别构建端元与丰度矩阵的紧框架稀疏正则探究空谱局部平滑,并解决深度图像先验的半拟合问题;最后设计高效迭代算法实现模型求解。结果表明,基于空谱深度图像先验的方法在各种复杂的噪声干扰下均表现出较好的视觉恢复性能,峰值信噪比至少有1 dB以上的提升,得到了高质量的恢复图像。该方法为高光谱图像去噪提供了参考。

关键词： 无线电监测   同源判定   特征点匹配   图像处理   计算机视觉   尺度不变特征转换  

摘要： 随着各类无线电应用的普及,在一定空间范围内,超短波监测过程中的监测数据易受到非同源的同频或邻频信号的影响,仅依靠常规监测中的频谱数据是无法判定信号是否同源的,因而不同监测站点获得的数据缺乏关联性,数据分析结果可能产生误导,降低工作效率。依据人工监测的经验,尝试用计算机视觉等技术分析监测数据的频谱图和时频谱图,结合谱图特性引入角度阈值改进SIFT算法的特征点匹配模式,以适应无线电监测数据分析的需要,并提出以图像特征点检测匹配率为前提,利用卡帕值综合评价两种谱图同源判定结果一致性的方法。通过实验模拟和实例验证,两种谱图同源判定结果的卡帕值为0.7605,达到高度一致;同时,所提方法在实践过程中有提高工作效率的作用,具备操作可行性和实际意义。

关键词： 智能剥锌机   预开口   YOLOv5算法   识别技术   目标检测  

摘要： 预开口作业是锌电解智能剥锌系统的核心工序,预开口效果直接决定后续工序是否能够自动化连续运行。本文以矿冶科技集团研发的新一代智能剥锌机为研究对象,对智能剥锌机基本机构及开口原理进行了分析,提出了一种基于YOLOv5算法的智能剥锌机预开口识别技术,并进行了仿真分析和实验验证。实验结果表明:预开口轮廓平均识别精度达到99%,解决了智能剥锌系统无法连续化作业难题,可很好地满足生产需求,具有重要的工程应用指导意义。

关键词： 运动训练   视频图像   粒子群优化算法   视频增强  

摘要： 传统的运动训练主要基于教练员的目视检查,结合自身经验提出建议,效率相对较低,在一定程度上限制了运动员运动训练水平的提升。基于此背景,将传统体育教学方法与视频图像处理技术相结合,特别是利用粒子群优化算法,可以促进人体动作识别技术在体育训练中的应用。文章主要研究了粒子群优化算法的优化过程,讨论了粒子群优化算法的发展。其次,通过视频解码、图像去噪、视频增强等方法,完成视频图像处理并建立人体结构,实现对目标关键点的采集,然后用实验方法采集相关数据。实验结果表明,文章提出的运动识别系统能够有效检测运动员采样点路径的变化,并能与标准动作进行对比,有很好的辅助作用。

关键词： 深度学习   图像处理   目标检测   反卷积   Swin Transformer  

摘要： 针对Swin Transformer在提取局部特征信息和特征表达能力上存在的不足,提出了一种基于改进Swin Transformer的中心点目标检测算法,以提高其在目标检测方面的性能。通过调整网络结构和引入反卷积模块来增强网络对局部特征信息的提取能力,利用自适应二维高斯核和回归头模块检测目标中心点来增强特征表达能力,并在Swin Transformer block模块中加入dropout激活函数,以缓解网络过拟合问题。在Pascal VOC和MS COCO 2017数据集上分别对改进后的算法进行验证,实验结果表明,改进后的Swin Transformer算法在Pascal VOC数据集上的精确度达到了81.1%,在MS COCO数据集上的精确度达到了37.2%,明显优于其他主流目标检测算法。

关键词： 点云   语义引导下采样   通道感知池化   三维目标检测  

摘要： 随着激光雷达采样率不断提高,系统可以更快速地获取高分辨率的场景点云数据。密集的点云有利于提高三维目标检测的精度,但也增大了计算的负担,基于点表征的三维目标检测方法面临着如何平衡速度和精度的挑战。为提高三维目标检测多级下采样的计算效率,解决前景点召回率低和一阶段网络尺寸歧义的问题,提出基于语义引导的快速二阶段方法。在第一阶段引入语义引导下采样方法,使深度神经网络能够更高效地感知前景点。在第二阶段引入通道感知池化方法,通过添加池化点来聚合采样点的语义信息,丰富感兴趣区域特征描述,获得更准确的建议框。在KITTI数据集上的测试结果显示:相比同类型的二阶段基线方法,所提方法对汽车、行人、骑行者类别的检测准确率最高提升了4.62百分点、1.44百分点、3.91百分点;另外,推理速度达55.6 frame/s,超出最快的基准线31.1%。算法在精度和速度方面都有着良好的表现,具有一定的实际应用价值。

关键词： GAN   无监督学习   YOLOV3   DeepSort算法  

摘要： 社区安全对居民的日常生活至关重要,为提高居民日常生活的安全性,设计研发了面向社区智能安防的视频监测异常行为与目标跟踪系统。该系统基于无监督学习,充分利用丰富的日常生活活动(ADL)数据优势,使用生成对抗网络(GAN)进行异常监测,用对抗性训练建模正常行为,通过测量生成误差监测异常。