关键词： 人工智能   数字图像处理   遥感   OpenCV   SPOC  

摘要： 数字图像处理教材存在理多实少、难点解析不足等种种问题。针对这些问题,提出一种混合式立体改进方法,从内容、形式和实践方面提出了多项举措,以实现够用学会、讲练透彻的学习目标。通过分析遥感专业课程内容,提炼出相关知识点进行教材编写,得到理实一体的简明化教材。教学实践证明,这种教材建设方法丰富了教学资源,有利于学生对重难点知识理解,大幅提高学习效率和质量,不失为一种有效的逆向教材建设创新方法。

关键词： 智能识别   深度学习   滑坡影像   崩岗影像   目标检测  

摘要： 总结近年来遥感分析技术、机器学习及深度学习的传统方法,分析人工智能中深度学习算法应用于滑坡、崩岗信息提取与识别的优势;通过方案对比与实验分析发现,样本采集数量、数据标注质量、崩岗特征提取方式等极大地限制了崩岗智能识别的精度与泛化性。未来将进一步探究多源数据融合与特征提取优化方法;探索基于迁移学习的崩岗多任务识别方法;并结合遥感影像的崩岗变化检测技术,实现对崩岗的准确识别和动态分析。

关键词： 目标检测   GLRT   Rao准则   Wald准则  

摘要： 为了解决部分均匀环境中训练数据不足时的子空间信号检测难题,采用贝叶斯理论,将噪声协方差矩阵建模为逆威沙特分布,并采用广义似然比准则(generalized likelihood ratio test,GLRT)、Rao准则和Wald准则设计自适应检测器,结果表明3种准则得到相同的结果。基于仿真及实测数据验证了所提检测器的有效性,并得出了影响检测性能的关键物理量。

关键词： 井下图像   目标检测   倒置残差   注意力   YOLOv5s模型  

摘要： 对井下光线昏暗、光照不均、背景复杂等特殊工况环境的影响下,所形成的图像目标存在细节特征少、图像模糊等问题进行了研究,提出了一种基于倒置残差结构改进YOLOv5s模型的检测算法,以此解决井下目标检测精度低的问题。首先主干网络部分引入通道注意力神经网络模块(SE-Net),提高检测精度;颈部网络部分在BottleneckCSP模块中引入倒置残差结构,将通道进行扩充,丰富特征数量,进一步提升检测精度。在自建井下数据集上进行检测试验,结果表明,基于倒置残差的模型平均检测精度均值(交并比为0.5)达84.4%,相比YOLOv5s模型精度提高了16.7个百分点,参数量减少了17.1%,模型轻量化且精度高,可有效改善井下目标检测精度低的问题,基本满足井下无人车目标检测的需求。

关键词： 后期制作   非线性编辑   镜头画面   影视制作   影视作品   创意表现   图像处理   创作空间  

摘要： 引言随着科技的快速发展,数字技术在影视制作领域扮演着重要角色,不仅为影视作品的创意表现提供了更多可能,还提高了后期制作的效率和质量。本文旨在探讨数字技术在影视作品后期制作中的具体运用策略,以加强视觉效果、深化作品主题、调节镜头画面色彩为切入点展开论述。通过分析数字技术在动作制作、对白制作、图像处理、非线性编辑、增强现场、影像捕捉等方面的运用,揭示了数字技术对影视作品后期制作的重要影响,为后期制作人员提供了丰富的创作空间和技术手段。

关键词： 图像处理   路面裂缝检测   语义分割   DeepLabv3+   轻量化   检测精度  

摘要： 裂缝是路面最主要的病害之一,及时、有效地检测和评估裂缝对路面养护至关重要。为实现路面裂缝图像快速、准确的语义分割,提出一种基于DeepLabv3+模型的路面裂缝检测方法。为减小模型参数量、提高推理速度,采用MobileNetv3作为模型的主干特征提取网络,且在空洞空间金字塔池化模块中使用Ghost卷积代替普通卷积,使模型更加轻量化。为避免替换主干网络降低模型精度:首先,在空洞空间金字塔池化模块中使用条形池化模块代替全局平均池化,有效捕获裂缝结构的上下文信息,避免无关区域噪声的干扰;其次,引入轻量级通道注意力机制efficient channel attention(ECA)模块,增强特征的表达能力,并设计浅层特征融合结构丰富图像的细节信息,优化模型对裂缝的识别效果;最后,构造混合损失函数解决裂缝数据集类别不平衡而导致检测精度较低的问题,利用迁移学习的训练方式提高模型的泛化能力。实验结果表明:所提路面裂缝检测模型参数仅为14.53 MB,比原模型参数量减少93.04%,平均帧率达到47.18,满足实时检测的要求;在精度方面,该模型裂缝检测结果的交并比和F1值分别为57.21%和72.76%,优于经典的DeepLabv3+、PSPNet、U-Net模型和先进的FPBHN、ACNet等模型。所提方法可大幅减小模型参数量,在保证路面裂缝检测精度的同时满足实时性,为基于语义分割的路面裂缝在线检测奠定基础。

关键词： 传感器技术   深度学习   目标检测与定位   无人车环境感知   相机与LiDAR融合  

摘要： 针对无人车环境感知过程中相机无法提供道路目标的位置信息,激光雷达点云稀疏以致检测方面难以达到很好效果的问题,提出一种通过融合两者信息进行目标检测和定位的方法。采用深度学习中YOLOv5s算法进行目标检测,通过联合标定进行相机与激光雷达外参的获取以转换传感器之间的坐标,使雷达点云数据能投影到相机图像数据中,得到检测目标的位置信息,最后进行实车验证。结果表明,所提算法能在搭载TX2嵌入式计算平台的无人车自动驾驶平台上拥有27.2 Hz的检测速度,并且在一段时间的检测环境中保持12.50%的漏检率和35.32 m的最远识别距离以及0.18 m的平均定位精度。将激光雷达和相机融合,可实现嵌入式系统下的道路目标检测定位,为嵌入式平台下环境感知系统的搭建提供了参考。

关键词： 小麦条锈病   严重度评估   自动分级系统   病害图像   图像处理  

摘要： 条锈病是小麦上最重要的病害之一,严重影响小麦安全生产。该病害的严重度准确评估对病害预测和病害管理措施制定至关重要。为了实现小麦条锈病严重度的准确评估,本研究基于图像处理技术建立了小麦条锈病严重度自动评估方法,构建了小麦条锈病严重度自动分级系统。借助图像处理软件对获取的小麦条锈病各个严重度级别的发病单叶图像进行了手动分割,获取叶片区域图像和病斑区域图像,并统计获得每一发病单叶的叶片区域和病斑区域的像素数量,计算获得了每一发病单叶的病斑面积占发病叶片总面积的实际百分率。基于图像处理技术,利用4种图像分割方法对发病单叶图像进行叶片区域和病斑区域自动分割,与利用图像处理软件对病害图像进行手动分割所获取结果进行比较,获得了最优的病害图像自动分割方法。利用最优病害图像自动分割方法情况下获得的每一发病单叶的病斑面积占发病叶片总面积的百分率,分别依据每一个严重度级别的基于平均值中间值的实际百分率参考范围和病斑面积实际百分率的99%参考值范围,对每一发病单叶进行严重度评估,评估结果表明,基于病斑面积实际百分率的99%参考值范围的严重度评估方法最优,其严重度评估平均准确率为88.19%。利用最优的病斑图像自动分割方法和最优的严重度评估方法,结合PyQt5库、Qt Designer和PyUIC5设计工具,使用Python语言编程构建了小麦条锈病严重度自动分级系统。本研究为基于图像处理技术的小麦条锈病严重度自动评估提供了基础,并为其他植物病害的严重度评估提供了方法和思路参考。

关键词： 轻量化   架空输电线路   YOLOv5s   鸟巢   目标检测  

摘要： 架空输电线路上的鸟巢侵占会对铁塔上的电力设备造成安全隐患,间接可能影响整个电力系统的稳定运行。针对目前架空输电线路鸟巢检测模型在复杂场景以及小目标场景下检测精度不高,检测效率低,模型复杂等问题。本研究提出一种基于YOLOv5s框架的轻量化架空输电线路鸟巢检测网络。首先在主干部分采用Fasternet重构YOLOv5s特征提取网络,降低模型复杂度,提高运行速度;然后在特征融合网络部分嵌入ConvMixer层,ConvMixer层的结构设计有助于在特征信息中更好的捕捉空间和通道的关系,提升模型对于小目标的检测能力;最后在特征融合网络部分引入ODConv模块,令送入检测头的特征图包含更多有效特征,提高模型对复杂场景和小目标的检测性能。实验结果表明,本文与基线模型YOLOv5s相比,计算量和模型体积分别减少了86%和72%,平均精度均值达到96.4%,检测速度达到104.2帧/s,验证了本文改进模型的有效性和可行性。

关键词： 图像处理   不规则零部件   尺寸测量   张正友标定   Hough检测   RDP轮廓分割  

摘要： 随着机器视觉技术的发展,零部件尺寸测量技术在工业生产中的应用愈加广泛。针对不规则形状且具有一定厚度的零部件尺寸测量难度大、测量不精准的问题,该文研究一种面向不规则零部件的尺寸测量方法。首先对噪音图像进行中值滤波和灰度变换处理,增强图像的对比度;研究相机标定原理和张正友标定方法,通过黑白棋盘标定板求出单应矩阵和相机内外参数。经过透视转换,将图像的立体效果转换成平面形态,并纠正畸变,以消除零部件厚度造成的透视影响;在图像轮廓提取中,针对Canny算法需要人为设定阈值的缺点,利用OTSU算法进行改进,实现零部件图像的自动轮廓提取;针对不规则形状的轮廓尺寸测量,需要先利用基于RDP算法进行多边形逼近,获取关键轮廓点,再将不规则轮廓曲线通过直线和近似圆形拟合,对轮廓进行分割;最后对分割的轮廓段进行Hough变换拟合,获得直线长度和圆弧半径,实现对零部件分割图形的尺寸测量。通过实验结果得出本方法平均检测率大于95%,检测精度小于等于0.044mm,满足应用要求。