关键词： 图像处理   高光谱图像   降维   自监督学习  

摘要： 针对高光谱图像(HSI)分类中有标签样本少和数据高维度降低HSI像素分类精度的问题,提出一种基于自监督学习的特征提取方法,以提取表示HSI数据关键信息的低维度特征。首先利用无监督数据增强方法扩展HSI训练集;随后在自监督学习框架下利用扩展的数据集训练由一个外部注意力模块构造的特征提取模块,在光谱数据内在共现属性的监督下,提取单个样本波段之间的自亲和力特征和不同样本之间的潜在相关性;最后,利用训练的特征提取模块降维原始HSI数据后将其输入后续分类器,实现对HSI像素的分类。通过对Indian Pines、Salinas和Pavia University数据集降维结果的定量评价,验证了所提方法的可行性和有效性。实验结果表明:所提方法生成的特征提取模块可充分提取原始光谱数据中的空间-光谱特征,对训练集尺寸不敏感,适用于小样本HSI数据的场景。

关键词： 锈蚀检测   图像处理   GrabCut算法   HSV色彩模型   机器学习  

摘要： 针对立体车库锈蚀检测的迫切需求,提出基于颜色和纹理特征的锈蚀检测新方法。利用高斯滤波和伽马变换解决锈蚀图片光照不均匀的问题。采用HSV(hue saturation value)色彩空间实现锈蚀的颜色特征筛选,提出基于灰度共生矩阵进行锈蚀纹理特征分析的方法,对锈蚀区域进行测量和形状分析。结合方向梯度直方图(histogram of oriented gradients,HOG)特征提取和支持向量机(support vector machine,SVM)算法实现了立体车库锈蚀检测。试验结果表明,该方法锈蚀识别准确率达到93.19%,实现了立体车库锈蚀表面的视觉检测,大大减少了外部环境的干扰。

关键词： 红外图像   舰船目标检测   GUI软件设计  

摘要： 针对帧间差分算法中对于红外舰船目标特征提取不充分的问题,提出了一种改进的红外舰船目标检测算法。将两帧图像进行帧间差分后通过Ostu进行阈值分割,获得二值图像进行形态学处理,计算图像质心坐标,并在原图像上的质心坐标周围区域进行遍历搜索,获得平均灰度值后进一步进行阈值分割。通过对海天背景及复杂背景下的舰船目标跟踪进行实验分析,结果表明改进后的算法效果较好,能够将所关注的运动舰船目标检测出来并跟踪。

关键词： 车辆工程   环境感知   目标检测   混合固态激光雷达   特征增稳  

摘要： 稳定的点云特征提取对激光雷达三维目标检测至关重要。针对现有深度学习算法仅能处理机械旋转式激光雷达点云数据,而对混合固态激光雷达数据支持不足的问题,本文基于IA-SSD搭建了适用于混合固态激光雷达的目标检测模型。首先,在点云编码前端添加了Cloth Simulation Filtering(CSF)用于地面次优点过滤;其次,利用局部特征融合和全局双线性正则化层组成的注意力机制,从局部和全局共同推动点云几何信息与特征信息融合;再次,利用GhostGConv替换原有低效的逐点卷积,通过通道混洗机制加强点云的特征交互,构建了增强型特征提取网络。最后,在点检测器IA-SSD中整合了上述模块完成模型构建。在混合固态激光雷达数据集SimoSet开展的验证结果表明,所提出的方法显著优于SimoSet数据集支持的其他算法精度指标;在KITTI数据集中等难度检测中,所提方法将IA-SSD三分类平均检测精度分别提升了1.17、1.47、0.5百分点。

关键词： 无人机遥感   图像处理   超像素分割   多元局部二值模式特征   道路边界提取  

摘要： 城市道路环境通常是大规模且复杂的,使得无人机采集图像中的影子和模糊等因素会导致道路边界的模糊或不清晰,使得精确提取变得困难。为此提出基于无人机遥感的城市道路边界高精度提取。利用无人机遥感设备采集城市道路遥感图像,对其实施色调-饱和度-亮度(Hue Saturation Value, HSV)色彩空间变换、反射率转换、图像配准和融合处理,去除图像噪声,提高其清晰度;利用简单线索化迭代聚类(Simple Linear Iterative Clustering, SLIC)超像素分割算法分割遥感图像中的道路和非道路像素区域;通过多元局部二值模式(Local Binary Patterns, LBP)特征提取方法实现城市道路边界的高精度提取。实验结果表明,所提方法在提高遥感图像清晰度和去除图像噪声干扰的同时,具有较高的道路边界提取精度和提取效率,边界提取所用时间仅为2.74ms。

关键词： YOLO   目标检测   农业生产  

摘要： 随着计算能力的提高和机器学习方法的突破,基于深度学习的分类和检测方法在农业领域的应用逐渐增多。YOLO系列目标检测具有高准确性和实时性,且向轻量化、高精度化快速发展,在各个领域展现出了良好的应用前景。本文分析了YOLO系列算法的基本架构,简述了其在农业生产领域中的应用,如病虫害监测、果蔬无损检测、畜禽行为监测等,最后分析了算法的发展趋势。

关键词： 图像处理   特征匹配   煤矸分拣机器人   BEBLID   网格运动统计   ORB  

摘要： 在煤矸石分拣过程中,传统方法通过视觉识别与胶带速度预测煤矸石实时位姿,然而,由于煤矸石随胶带高速长距离运输过程中常发生打滑和跑偏现象,预测位姿与分拣区域实际位姿不一致,导致机械臂空抓、误抓,影响分拣效率。针对这一问题,提出了一种改进的ORB匹配算法用于煤矸石在分拣区域的二次定位,首先引入局部自适应伽马校正的oFAST特征检测,提高低光照下的匹配准确率;此外,针对矸石在高速移动中由于动态干扰产生的较多误匹配点,结合BEBLID描述子和GMS算法进行快速特征匹配,并运用随机抽样一致性算法优化匹配点选择,增强算法鲁棒性;最终,通过得到的匹配点计算最小外接矩形完成位姿获取。实验结果显示,所提算法相较于传统ORB算法在尺度、光照、视角变化下煤矸石匹配正确率分别提升了16.7%、36%和22%,平均误差为1.29 mm,平均匹配耗时在40 ms以内,适用于复杂场景下煤矸石的匹配定位。

关键词： 故障诊断   顶板支护斜盘   对称极坐标   卷积神经网络   故障特征  

摘要： 斜盘是顶板支护设备中的重要零件,为了能够保证顶板支护的安全可靠,需对支护斜盘的健康状态进行检测。针对顶板支护斜盘的故障检测问题,提出了一种基于对称极坐标(SDP)图像处理算法的矿用顶板支护斜盘故障诊断方法,该方法将振动数据转换为对称极坐标图像,再利用神经网络提取故障特征,实现对斜盘的故障诊断。实验中模拟了4种不同的斜盘故障信号,并分析了卷积神经网络使用不同的网络层数、尺寸、卷积核个数和学习率对诊断结果的影响,经过综合考虑模型的稳定性、训练时间及对故障识别的准确率,确定了最佳的参数。故障诊断模型可实现对斜盘4种不同故障的准确识别,识别准确率达92.25%,表明该模型可高效地完成顶板支护斜盘的故障诊断工作。

关键词： 目标   检测   深度学习   YOLOv7   底栖生物  

摘要： 针对水下底栖生物检测模型参数量过多,计算量过大,同时水下环境复杂容易造成错检和漏检,影响模型在水下底栖生物检测任务中的准确性的问题。提出了一种水下底栖生物轻量化检测算法YOLOv7-RFPCW。对YOLOv7网络重新设计轻量级网络结构,降低了特征提取网络的参数量和计算量,减少模型体积。设计了P-ELAN和P-ELAN-W模块,进一步轻量化特征提取网络;针对水下图像颜色失真,目标的空间位置不准确的问题,采用CBAM注意力模块加强特征融合,减少信息丢失,以更好地适应特殊的水下环境;针对水下目标容易出现形状变形的问题,使用WIOU-V3损失函数替换默认的CIOU损失函数,提高水下底栖生物检测的鲁棒性。试验结果显示,改进后的模型YOLOv7-RFPCW的参数量和计算量分别减少了75.9%和30.7%,模型体积减小了75.3%,精度提升了1.9个百分点。这一综合性的提升兼顾了轻量化和精度,为在水下环境中部署提供了可行的解决方案,验证了所提出的改进算法能胜任水下底栖生物检测任务。

关键词： 云自习   行为检测   智能监管   图像处理   Dlib模型  

摘要： 云自习的发展对培养学生的自主学习能力、推动智慧教育的建设有重要意义。然而云自习的用户监管正面临一些困难,如目前已有的视频监控方法仍需由监督者使用完整过程录像观测用户的自习状态。此外,完整的视频监控数据上传云服务器后,有较大的隐私泄露风险。为解决以上问题,文章设计了一种基于Dlib模型的人脸关键点检测算法,通过视频流分析用户自习状态下脸部特征的变化,实现用户自习状态的智能识别检测。根据上述检测算法,文章实现了云自习智能检测和监管系统。该系统无需存储完整的视频数据进行回看,即可展现用户的自习状态变化和自习结果,充分保护用户的隐私。自习场景模拟下的实验数据表明,该系统的平均检测正确率达到80%以上,可实时处理每秒20帧以上的视频流,能够满足自习状态检测准确率和实时性的要求。