关键词： 深度学习   图像分类   目标检测   图像分割   隧道渗漏  

摘要： 衬砌渗漏是隧道工程主要病害之一,使用传统的方法进行隧道衬砌渗漏部位识别存在耗时长、效率低、可靠性不高、受外界条件影响大、距离衰减严重等各类问题。深度学习在计算机视觉领域已经取得了很显著的发展,能很好地完成一系列图像处理任务,通过对隧道衬砌图像进行识别,从而可靠地进行隧道衬砌病害目标检测。该研究分别从图像分类、目标检测、图像分割三个方面对隧道衬砌渗漏识别任务中的深度学习模型应用研究进行综述,分析了各模型的优缺点与传承关系,结合精确度、召回率、F1、mAP、mIoU等指标评价了各模型的性能,最后总结了现有深度学习模型的不足,并对其未来发展给出了有针对性的展望。该研究旨在为提高隧道衬砌渗漏识别效能提供依据,以推动深度学习在此方面的应用的进一步发展。

关键词： 深度学习   军事图像识别   目标检测   卷积神经网络   循环神经网络  

摘要： 本文概述了深度学习技术的基础知识和理论背景,详细介绍了军事图像识别技术,并深入研究了深度学习在军事应用中所面临的挑战,进而探讨了基于深度学习的军事图像识别与目标检测方法。结果表明,深度学习在提升军事图像识别效率和准确性方面具有显著效果,但在实际应用中仍存在一些挑战,如数据集的构建和标注、模型的训练和优化等。通过深入研究和解决这些问题,深度学习在军事图像识别领域的应用前景广阔。

关键词： 航海模拟器   视景建模   航空影像   计算机视觉   图像处理  

摘要： 航海模拟器是一种重要的培训工具,可以帮助船员在安全和实际的环境中练习航海操作。然而,传统的航海模拟器视景系统在建模方面存在着一些挑战,例如建模时间长、建模精度低等问题。为了解决这些问题,本研究提出了一种基于航空影像的航海模拟器视景快速建模方法。通过利用航空影像数据,结合计算机视觉和图像处理技术,可以快速生成航海模拟器的视景模型,提高建模效率和准确性。

关键词： 雾天场景   目标检测   图像去雾   深度可分离卷积   注意力机制  

摘要： 文中提出了一个基于深度可分离卷积和注意力机制的雾天目标检测模型,旨在实现在雾天场景中对目标的快速、准确检测。该模型由去雾模块和检测模块组成,并在训练过程中共同训练。为确保模型在雾天场景中检测的准确性和实时性,在去雾模块方面,采用AODNet对输入图像进行去雾处理,以降低雾对图像中待检测目标的干扰,在检测模块中使用改进后的YOLOX_s模型,输出目标的分类置信度和位置坐标。为提升网络的检测性能,在YOLOX_s基础上采用深度可分离卷积和注意力机制来提高特征提取能力,扩大特征图感受野。所提模型能提高有雾场景中模型的检测精度,且不增加模型参数量和计算量。实验结果表明,所提模型在RTTS数据集和合成有雾目标检测数据集上均表现出色,有效提高了模型在雾天场景中的检测精度。与基准模型相比,平均精度(mAP@50_95)分别提升了1.9%和2.37%。

关键词： 深度学习   目标检测   油茶果   采收   定位  

摘要： 针对自然环境下油茶果存在多种类、多遮挡及小目标等问题,该研究基于YOLOv5s提出COFYOLOv5s(camellia oleifera fruit-you only look once)油茶果识别模型,实现油茶果的高精度检测。通过添加小目标检测层、将FasterNet中的轻量化模块Faster Block嵌入到C3模块及添加Biformer注意力机制对YOLOv5s进行改进。试验结果表明,改进后网络在测试集上的精度、召回率、平均精度均值分别为97.6%、97.8%、99.1%,比YOLOv5s分别提高5.0、7.5、4.4个百分点,推理时间为10.3 ms。将模型部署到Jetson Xavier NX中,结合ZED mini相机进行油茶果识别与定位试验。室内试验得到COF-YOLOv5s的召回率为91.7%,室外绿油茶果的召回率为68.8%,小目标红油茶果在弱光条件下的召回率为64.3%。研究结果可为实现油茶产业的智能化和规模化提供理论支持。

关键词： 图像处理   语义分割   算法   草坪杂草定位   融合算法   Zhang-Suen细化提取   平均质心法   最小外接圆  

摘要： 【目的】探究基于多算法融合的草坪杂草精准定位算法,为草坪杂草的自动识别和清除机器人的除草作业提供技术支撑与理论依据。【方法】提出了一种基于语义分割的多算法融合的草坪定位算法。首先,通过PSPNet网络分割草坪和非草坪轮廓。其次,针对分割出来的非草坪轮廓提取感兴趣的区域,去除非杂草轮廓,保留杂草轮廓。然后,利用Zhang-Suen细化算法提取杂草轮廓骨架线,并获取骨架交叉点数量和坐标位置。最后,利用融合算法依据交叉点数量选择不同的定位策略,实现杂草根部的精准定位。【结果】融合算法定位的杂草坐标与真实杂草根部中心坐标的均方根误差为83.17像素,相比平均质心法减少了14%,相比最小外接圆减少了22%。换算到实际场景之下,融合算法定位的杂草坐标与真实杂草根部中心坐标的均方根误差为12.48 mm,误差在可接受的误差范围内。融合算法提高了杂草根部中心的定位精度,降低了杂草定位的误差。【结论】基于语义分割和融合算法的草坪杂草定位方法提高了杂草根部中心的定位精度,降低了单一方法的定位误差,可以为草坪杂草自动识别和除草作业提供技术支持。

关键词： 图像处理   模式识别   系统监控  

摘要： 阐述图像处理与模式识别技术在电力系统监控中的实时异常检测与处理。通过对电力系统监控图像的分析和处理,利用图像处理和模式识别算法,实现对电力系统设备的异常检测和故障诊断。

关键词： 电力设备   指针表   图像去雨   可变形注意力   特征融合中间件  

摘要： 针对复杂天气环境下电力设备图像模糊而造成电力设备识别与检测受到严重影响的问题,设计了可变形特征融合网络来实现图像清晰化,从而提高复杂天气环境下电力设备的检测精度。将可变形注意力作为编码器-解码器组件引入U-Net架构中。将特征融合中间件作为连接上下文信息的桥梁,以此整合上下文信息并保留更多的空间细节信息。以指针式仪表图像为例,进行了指针式仪表图像去雨和指针式仪表自动读数实验。实验结果表明,所设计网络在指针表图像去雨方面有良好的效果,并提高了去雨后指针表的读数精度。

关键词： 光学卫星影像   车辆检测   尺度扩充   注意力机制  

摘要： 为了改善光学卫星影像中车辆目标检测准确率低、速度慢的问题,提出一种基于改进YOLOX算法的卫星影像车辆目标检测方法。首先,以轻量化模型YOLOX的S版本为基线,采用CSPDarknet—53替换原主干特征提取网络,引入基于卷积块的注意力模块(CBAM)提高特征提取时对车辆目标的关注度。其次,扩充主干特征提取网络输出尺度,并在特征强化提取部分设计了一个双向特征金字塔网络(BFP-net),采用亚像素卷积上采样、横向的跳跃连接和纵向的跨尺度连接实现对不同层级、尺度特征的复用,使得最后输出特征层充分融合了分类和定位信息。实验结果表明:本文算法对large-vehicle和small-vehicle两类车辆的检测准确率分别为88.98%和86.58%,相较于原算法,平均检测准确率提高了5.36%,检测速度达到了58.37fps,具有更好的检测效果。

关键词： 图像处理技术   智能控制器   背景差分法   积分滑模控制  

摘要： 为了提高船舶的自主控制能力和运行效率,研究图像处理技术在船舶智能控制器中的应用。利用摄像机采集船舶图像,获取持续更新的船舶序列图像。采用大津法确定船舶目标提取阈值,利用背景差分法提取船舶图像目标。从船舶图像目标中,提取船舶位置、船舶尺寸、船舶航向角、船舶航行速度,作为船舶智能控制的运动态势参数。利用船舶运动态势参数中的位置矢量与速度矢量,构建船舶的动力学模型、船舶的积分滑模控制面,设计船舶智能控制器,实现船舶航行的智能控制。实验结果表明,采用该方法控制船舶,船舶的实际舵角与期望舵角相差较小,可有效提升船舶的自主控制能力。