关键词： 目标检测   SIFT算法   特征描述符   KPCA降维  

摘要： 针对基于SIFT算法的图像识别中存在着识别准确度不高,匹配速度慢问题。提出了一种快速获取特征点和匹配特征点方法。首先基于图像边缘的特征点获取方法,对图像边缘进行扩展,只在扩展区域内判断特征点。然后在特征点描述符中增加特征点周围16个子区域归一化后的灰度差分值信息,增强特征点描述能力。通过KPCA降维方法对描述符降维,最后在特征点匹配阶段使用余弦相似度预处理噪声特征点,加快匹配速度。在实际测试中,相对于SIFT算法图像识别率提升了8%左右,识别速度提高了50%左右。

关键词： 光伏组件   深度学习   目标检测   ResNet50   YOLOv5  

摘要： 利用无人机对光伏组件进行故障巡检通常从可见光和红外光两种场景分别处理和检测。该文提出基于残差神经网络ResNet50和改进的YOLOv5故障检测方法,实现对两种影像图像高精度自动分类和故障检测。针对红外数据进行色度变换去除太阳反光而保留热斑,针对可见光数据采用锐化的方式凸显异物、裂痕等小目标,使用不同的YOLOv5目标检测算法实现可见光下小型异物故障和红外光下热斑故障的快速检测和定位。

关键词： 发作性睡病   猝倒   人工智能   图像处理   横断面研究  

摘要： 目的应用深度学习图像识别网络ResNet-18,基于临床拍摄视频,建立猝倒面容预测模型。方法本研究为横断面研究,收集2020至2023年在南昌大学第二附属医院首诊未经治疗的1型发作性睡病患者25例及健康对照25名,采集的图像预处理后,共获得1180张图片,其中583张猝倒面容,597张正常面容。从中抽取90%作为训练集与验证集,随后数据扩增5倍,扩充后的数据集抽取80%作为训练集,20%作为验证集,即训练集数量为(583+597)×0.9×0.8×5=4248,验证集数量为(583+597)×0.9×0.2×5=1062,训练集与验证集用于训练参数建立模型,并通过五折交叉验证法进行训练,构建采用迁移学习方式的ResNet-18猝倒面容识别模型。原未扩增前图像抽取10%(118张)作为测试集,测试集数据不参与数据增强和模型训练,仅用于测试模型最终效果。最后将ResNet-18与VGG-16、ResNet-34和Inception V3深度学习模型进行比较,用受试者工作特征曲线评估ResNet-18图像识别网络在猝倒面容识别中的价值。结果25例1型发作性睡病患者中,男15例,女10例,年龄[M(Q_(1),Q_(3))]为14.0(11.0,20.5)岁;25名健康对照者中,男14名,女11名,年龄16.0(14.4,23.0)岁。ResNet-18图像识别网络在测试集中的总体准确率为90.9%,灵敏度为96.4%,特异度为85.2%,受试者工作特征曲线下面积为0.99(95%CI:0.96~1.00)。ResNet-18模型参数量为11.69 M,浮点运算量为1824.03 M,单张图片识别时间为5.9 ms。结论基于深度学习图像识别网络ResNet-18构建的猝倒面容预测模型在猝倒面容的识别上有较高的准确率。

关键词： 多目标跟踪   Transformer   卡尔曼滤波   检测置信度   多特征匹配  

摘要： 针对无人机多目标跟踪面临目标遮挡、尺度变化、快速运动、复杂环境等问题,提出了一种基于Transformer的无人机多目标跟踪算法,采用Focal Transformer来捕获高分辨率输入的Transformer层中的局部和全局交互。该算法能够生成目标的检测信息以及目标的外观特征,从而提高了跟踪性能。在轨迹预测方面,采用了卡尔曼滤波方法,以准确地预测目标的运动轨迹,有助于提高跟踪的准确性和鲁棒性。在数据关联过程中,同时考虑了检测置信度、外观嵌入距离和IOU距离3个因素,以更有效地处理数据关联过程,提高了多目标跟踪模型的鲁棒性,使其能够在复杂场景中更好地跟踪目标。此外,还使用了轨迹的二次匹配方法,进一步提高了算法的性能。在VisDrone和UAVDT数据集上进行了对比验证,证明了该算法在实际应用中的有效性和可行性。本研究为无人机多目标跟踪提供了一种新的解决方案,具有广泛的应用前景。

关键词： 电力视觉   生产全周期   图像处理  

摘要： 随着我国工业化进展不断加快,人们对电力系统的稳定运行提出了更高的要求。电力视觉技术作为一种新兴的监测技术,能够获取设备运行过程中的瞬时信息,并及时作出响应动作,从而实现高效、实时的监控与管理。本文从电力视觉技术的基本概念、目标对象等理论入手,综述了近年来电力视觉技术在电力生产全周期(发电、输电、变电)中的相关研究现状,在总结前人所取得研究成果的基础上,提出了目前电力视觉技术研究仍存在的一些问题,并对其今后的发展趋势进行展望,以期为电力视觉技术进一步的研究与应用提供参考。

关键词： 交通标志识别   目标检测   卷积神经网络   坐标注意力机制   颜色衰减先验   伽马变换   深度学习  

摘要： 针对现有交通标志检测模型在雾霾环境下出现漏检、错检以及参数较大等问题,设计一种基于YOLOv5s改进的CF-YOLO检测模型。为加强在雾霾环境中对交通标志的检测能力,提出一种基于颜色衰减先验的自适应伽马变换图像预处理算法;为增强对目标的定位能力及检测精度,将坐标注意力机制融合到网络中;为实现模型轻量化,引入FasterNetBlock构建网络。实验结果表明,改进算法在雾霾环境下交通标志检测相比原YOLOv5模型权重减少了2.3 MB,精度提高了8.5个百分点。

关键词： 图形图像处理技术   计算机技术   图形渲染   可视化计算   动画设计   并行计算   数学算法   计算机图形图像处理  

摘要： 21世纪,全社会进入数字化时代,计算机技术被广泛应用到各行各业,其中包括图形图像处理技术,在一定程度上提高了图形图像处理效率和质量,尤其在可视化计算、动画设计、工业制造等方面呈现出了无可比拟的优势。与其他图形图像处理技术相比,以计算机技术为支撑的处理技术能够通过数学算法,将矢量数据转化为可视化的图像,并通过可编程的并行计算,极大地提升了图形渲染的速度。因此,本文将从计算机图形图像处理技术的应用展开研究,并对几种关键技术展开深入分析,旨在为更多研究提供参考。

关键词： 深度学习   小目标检测算法   铁路货场   异物侵限   SSD算法   特征金字塔网络  

摘要： 为解决铁路货场异物侵限场景中小目标检测难度大、准确率不高、检测效果不佳的问题,提出基于特征金字塔网络的改进型单阶多框检测(SSD)算法。通过研究现阶段铁路货场业务管理现状、异物侵限场景及对应的检测技术,对小目标检测现存问题进行归类总结;通过在SSD算法的检测网络部分增加不同特征层信息的金字塔网络结构,提高小目标检测效率。根据改进前后2种算法在铁路货场异物侵限场景的试验数据对比,得出改进型SSD算法推理阶段的检出精度更高,可有效提高小目标检测效率和准确率,为铁路货场智能化安全管控提供有力的技术支撑。

关键词： 矿井智能监控   边云协同   目标检测   Swin Transformer   YOLOv5  

摘要： 矿井视频监控在保障煤矿企业生产安全方面有着关键作用。目前矿井智能监控技术主要在云端进行监控数据处理,存在着网络拥塞,计算要求高等问题。针对该问题,研究了边云协同矿井视频监控总体架构,提出了基于任务卸载的自适应视频帧卸载策略,利用边缘端检测速度快、精度高、实时性强的优点,进行模型的优化更新,实现边云协同架构的不断完善。针对YOLOv5模型检测精度低,深层网络结构易发生梯度消失和过拟合的问题,Transformer应用到视觉领域面临同一种目标的多尺度无法识别和高分辨率图像构成的序列过长,计算量大,显存资源不足的问题,构建了基于Swin Transformer-YOLOv5的目标检测模型。实验结果表明,基于ST-YOLOv5的目标检测模型,提高了平均检测精度,适用于矿井智能工作面边缘端设备部署。

关键词： 计算机视觉   显著性目标检测   全卷积网络   上下文信息  

摘要： 显著性目标检测目的是识别和分割图像中的视觉显著性目标,它是计算机视觉任务及其相关领域的重要研究内容之一。当下基于全卷积网络(FCNs)的显著性目标检测方法已经取得了不错的性能,然而现实场景中的显著性目标类型多变且尺寸不固定,这使得准确检测并完整分割出显著性目标仍然是一个巨大的挑战。为此,该文提出集成多种上下文和混合交互的显著性目标检测方法,通过利用密集上下文信息探索模块和多源特征混合交互模块来高效预测显著性目标。密集上下文信息探索模块采用空洞卷积、不对称卷积和密集引导连接渐进地捕获具有强关联性的多尺度和多感受野上下文信息,通过集成这些信息来增强每个初始多层级特征的表达能力。多源特征混合交互模块包含多种特征聚合操作,可以自适应交互来自多层级特征中的互补性信息,以生成用于准确预测显著性图的高质量特征表示。此方法在5个公共数据集上进行了性能测试,实验结果表明,该文方法在不同的评估指标下与19种基于深度学习的显著性目标检测方法相比取得优越的预测性能。