关键词： 眼底图像   糖尿病视网膜病变   目标检测   出血病灶   特征融合  

摘要： 糖尿病视网膜病变眼底图像中出血点病灶尺寸小且分布密集,导致现有算法难以实现该病灶的精确检测及定位。本文提出一种RCA-YOLO出血病灶检测算法,算法在YOLOv5s基础上,首先在主干网络中使用RCA-Net模块,使网络在获得各通道间联系的同时保留目标病灶的位置信息,增强网络对出血区域的特征提取及定位能力;然后在特征融合阶段采用轻量化特征金字塔网络Tiny-BiFPN,在减少网络参数量的同时,实现高效率的多尺度特征融合;最后提出小目标特征增强模块,提升算法对小出血点病灶的检测精度。实验结果表明,改进后的RCA-YOLO算法能够准确地检测并定位出血点病灶,平均检测准确率(mAP)可达79.3%,较YOLOv5s算法提高了9.5个百分点,其检测结果同样优于Faster R-CNN、YOLOv6s、YOLOv7和YOLOv8s等主流算法。

关键词： 图像处理   图像去雾   偏振图像   暗通道先验   偏振度估算  

摘要： 雾或霾天气下,大气粒子对光的散射作用造成光学图像细节弱化,严重影响了后续的图像分析与处理任务.现有去雾算法存在去雾后图像信息丢失、产生模糊、天空区域过增强等问题.本文从偏振视角与暗通道先验理论出发,提出了一种基于直接透射光梯度特征引导的目标偏振度估算算法,用于图像去雾.通过偏振图像获取场景与大气的偏振信息;再以暗通道先验算法估计的直接透射光强的梯度特征为引导,估算目标偏振度;将估算的目标偏振度转为大气光强,经过原理性约束与引导滤波,得到优化的大气光强,进一步求解去雾图像与优化的目标偏振度.定性实验表明:本文算法去雾后,图像具有良好的平滑度,且克服了现有去雾算法存在的可见性弱、去雾残留、天空区域过增强等问题;定量实验表明:本文算法既不会造成图像信息丢失,也不会产生过多的噪声或模糊.综合对比9种具有代表性的去雾算法,本文算法具有良好的细节恢复能力、图像熵提升能力以及色调还原能力.

关键词： 目标检测   YOLOV5   GSconv   注意力机制  

摘要： 铁轨表面的裂纹图像目标小、背景干扰信息多、分辨率高,使其目标检测效果并不理想。对此,提出一种改进YOLOV5s的目标检测算法以提升铁轨裂纹的检测效果。在颈部网络中引入VOV-GSCSP模块,用更轻量的卷积方式GSconv来替换普通的卷积,在保留更多细节信息的同时减轻网络的计算量。改进特征金字塔结构,提出多路径跨层融合结构,在特征金字塔下采样的过程中跨层融入主干网络的信息,保留更多原始的特征信息,提升目标检测的精度。同时,引入CA注意力模块和Transformer结构进一步加强高阶语义的信息提取。实验结果表明,改进的YOLOV5s算法,平均均值精度(mAP)达到62.4%,相对于原YOLOV5s算法提高了6.2个百分点;召回率(Recall)为92.2%,提升了4.4个百分点。

关键词： 界面检测   机器视觉   目标检测   YOLOv5   非接触式检测  

摘要： 为解决化工生产过程中多相液体界面接触式检测的难题,研究一种基于机器视觉的智能界面检测系统,可实现多相液体界面的外置非接触式检测,并研究界面检测算法的改进及数据集的构建。结果表明,系统的检测误差率仅为5.3%,模型精度达到86.3%,满足了工业应用的精确度要求和实时检测效果,且模型权重文件大小仅为13.6 MB,可在边缘计算设备上部署,在技术上具备了实时、精确、高效的特点,成功地为化工生产中的多相液体分液问题提供了创新的解决途径。

关键词： 目标检测   多尺度特征融合   注意力机制   计算机视觉   图像分类  

摘要： 目标检测中如何将多尺度特征进行有效地融合仍是一个挑战,提出了一种细粒度级别融合多尺度特征的组件,称为语义化多尺度特征融合SMSFF(semantic multi-scale feature fusion)。首先多尺度卷积核生成目标检测网络所需的多尺度语义信息,然后使用新颖的多尺度特征融合方法将其充分融合。最后,利用SE(squeeze-and-excitation)跨通道的加权注意力重新标定多尺度特征,有效地强化了网络的多尺度信息,进而提高了网络的特征表征能力。因此,SMSFF能够有效地提高检测精度,且模型对不同尺度实例目标更具鲁棒性。本工作所提方法在基准数据集COCO 2017 test和Pascal VOC上的YOLOX目标检测器的mAP分别为48.6%和87.6%。

关键词： 光伏热斑故障   红外检测   图像处理   算法  

摘要： 在水泥厂的整个光伏发电系统中,光伏组件暴露在室外,工作环境恶劣,也就导致了其故障率要更高而热斑故障是最为主要的一种故障形式。采用现在被广泛采用的自适应的中值滤波去噪红外检测方法,本文在MALAB上实现了图像的预处理,所提出的图像处理算法具有相当的可应用性,可以在图像处理中得到所想要的处理结果。

关键词： 裂缝   分割   SCSNet   通道注意力   几何参数   连通域  

摘要： 为及时发现裂缝问题并减少潜在的危害,提出一种公路边坡裂缝的自动监测方法。以公路边坡裂缝为研究对象,针对裂缝图像形态不规则、周边环境干扰大的特点,设计了公路边坡裂缝分割网络(slope cracks segmentation network,SCSNet)和公路边坡裂缝几何参数计算方法。该网络首先采用编码器逐渐捕获更高层次的语义特征,其次采用解码器通过逐渐恢复空间信息并结合跳跃连接融合不同尺度间的信息,然后利用通道注意力机制,学习每个通道间的特征,增强裂缝的特征表达。另外,提出参数计算方法,基于连通域分析得到裂缝连通域,并计算裂缝长度、宽度、面积几何参数。实验结果表明:裂缝分割网络的平均交并比达87.86%,该网络能较好地提取公路边坡裂缝特征;裂缝几何参数计算方法能较准确地测算裂缝的当前状态。

关键词： 合成孔径雷达   目标检测   语义增强   高阶强交互   特征提取  

摘要： 合成孔径雷达(synthetic aperture radar,SAR)图像背景信息复杂、舰船目标边缘模糊,且多为容易丢失的小尺度舰船目标。针对上述问题,提出语义增强与高阶强交互的SAR图像舰船检测。该方法利用部分卷积与非对称卷积构建部分非对称卷积聚合网络,在减少计算复杂度、轻量化主干网络的同时,更好地捕捉多尺度舰船特征,同时在上采样部分引入双层路由注意力,增强对图像上下文信息的利用。另外,通过递归的方式进行特征提取,可以较好解决区域内信息交互的问题,实现不同级别特征之间的高阶交互建模,提升模型检测能力。在公开的HRSID遥感数据集上进行实验的结果表明,该方法的检测精度达到91.23%,相比原模型提升5.13%,准确率与召回率分别提升2.41%和7.16%,与主流算法相比具有较好的检测效果。

关键词： 深度学习   超视距雷达   直升机目标   距离多普勒图   目标检测  

摘要： 针对超视距雷达低速目标检测与识别难的问题,提出一种基于深度学习的超视距雷达直升机目标检测方法。根据超视距雷达直升机目标频谱特点,设计一种专用的超视距雷达直升机目标检测神经网络HDNet,仿真直升机目标距离多普勒谱图并构建数据集,以该数据集为源域向实测数据迁移,对网络模型进行训练并测试。经试验验证,HDNet网络对仿真直升机目标检测的AP@0.5可达92.1%,采用深度迁移学习的方法对模型微调后,网络模型对实测数据的检测效果也有了明显提升。

关键词： 三维激光雷达   目标检测   目标识别   分层特征学习   深度神经网络  

摘要： 随技术进步中的一环,人类对目标检测和识别的要求不断攀升。三维激光雷达,凭其精确性、广阔视界及抗扰力等优点,于目标检测和识别等环节应用广泛。研究的主体是三维激光雷达,提出并实施了新颖的目标检测与识别方案。首步则是利用三维激光雷达捕获周围环境数据,然后通过预处理及噪声过滤,以增强目标检测的精确和稳定。针对各式目标和场景,使用分层特征学习和深度神经网络进行识别。最后,进行了实地测试和模拟实验,验证了算法的有效性。实验结果表明,相比于传统的目标检测与识别方法,本研究提出的算法具有更高的检测准确率和识别效果,对于复杂环境和多目标识别具有良好的适应性。总的来说,本研究的目标检测与识别算法旨在提高三维激光雷达在目标识别中的性能,以满足更高精度和更大规模的目标检测和识别需求,其研究成果有望在自驾车,安防监控等领域得到广泛应用.