关键词： 图像处理   图像识别   小白菜虫害   YOLOPC模型   注意力机制   目标检测   损失函数   空洞卷积  

摘要： 小白菜是中国种植面积较广、深受大众喜爱的蔬菜,真实菜地环境中虫害往往出现在叶片的特定区域,且受环境因素如光照和背景干扰较大,影响对其的智能检测。为提高小白菜虫害的检测效率和准确率,该研究提出一种基于YOLOv5s网络框架改进的YOLOPC(YOLO for Pak Choi)小白菜虫害识别模型。首先,引入CBAM(convolutional block attention module)注意力机制,将其放在CBS(卷积层Convolution+归一化层Batch normalization+激活函数层SILU)的输入端构成CBAM-CBS的结构,动态调整特征图中各个通道和空间位置的权重;使用上采样和1×1卷积操作来调整特征图的尺寸和通道数,实现不同层次特征的融合,增强模型的特征表示能力。同时,改进损失函数,使其更适合边界框回归的准确性需求;利用空洞卷积的优势提高网络的感受野范围,使模型能够更好地理解图像的上下文信息。试验结果表明,与改进前的YOLOv5s模型相比,YOLOPC模型对小白菜小菜蛾和潜叶蝇虫害检测的平均精度均值(mean average precision, mAP)达到91.4%,提高了12.9%;每秒传输帧数(Frame Per Second, FPS)为58.82帧/s,增加了11.2帧/s,增加幅度达23.53%;参数量仅为14.4 M,降低了25.78%。与经典的目标检测算法SSD、Faster R-CNN、YOLOv3、YOLOv7和YOLOv8相比,YOLOPC模型的平均精度均值分别高出20.1%、24.6%、14%、13.4%和13.3%,此外,其准确率、召回率、帧速率和参数量均展现出显著优势。该模型可为复杂背景下小白菜虫害的快速准确检测提供技术支持。

关键词： 计算机视觉   青光眼   辅助诊断   深度学习  

摘要： 青光眼是一类视神经损伤疾病,青光眼筛查工作对眼科医师的诊断水平有很高的要求。为帮助医生更好地观察青光眼病理特征,提高医生的主观诊断效率和准确率,本文应用计算机视觉辅助诊断算法增强视网膜图像,并使用神经网络构建图像的分类识别模型。实验结果显示,所构建的神经网络对视网膜图像分类的准确率为92.05%。

关键词： 自适应光学   非共光路静态像差检测   图像处理   随机并行梯度下降算法  

摘要： 非共光路静态及准静态像差是限制大型地基天文望远镜高分辨力高对比度成像的关键因素,该静态像差不能被望远镜自适应光学(AO)系统波前传感器探测且严重影响成像性能。传统非共光路静态像差检测方法存在计算量大、复杂度高、迭代收敛慢、像差符号模糊性等问题。基于焦面畸变图像,建立了AO系统波前传感器残余像差约束的成像光路静态像差检测模型,开展了相关实验,使用随机并行梯度下降(SPGD)迭代算法对静态像差进行离线检测。实验结果表明,该方法在成像光路静态像差检测中的精度较高,且在不同噪声影响下的鲁棒性与稳定性较好。该研究结果为大型地基自适应光学望远镜成像光路静态像差检测提供了新思路,并为后续系统静态像差补偿与校正提供了理论依据与算法指导。

关键词： 磁定位   目标尺度   磁场   非线性滤波   自适应  

摘要： 针对磁定位中由于目标尺度不可忽略导致的观测模型不匹配问题,提出一种仅需2个三轴磁传感器测量数据,且能够自适应目标尺度的滤波估值型实时磁定位算法。该方法基于最大似然选择思想,建立了不同个数磁偶极子构成的均匀线列阵模型作为候选观测模型;推导了一种适用于高维非线性动态参数估计的随机高斯流滤波算法,克服了大尺度目标模型高维度和强非线性导致的性能下降问题,提高了实时定位精度。同时,采用该算法对各个偶极子线阵模型分别进行滤波解算,选取最大似然值对应的滤波结果作为当前时刻估计值,实现了对目标尺度的自适应。通过双层壳体潜艇有限元磁场仿真模型数据对算法的有效性进行了验证,结果表明,相比现有方法,该算法估值更为准确,能够满足精确实时定位目标的需求,且具有更好的收敛性能。

关键词： 红外成像   热工性能   图像处理   定量检测   热工缺陷   建筑节能  

摘要： 综述红外热成像技术在建筑围护结构热工性能定量检测领域的研究成果,介绍国内外定量红外热成像法的理论基础、发展历程以及在量化热工缺陷能量损失中的应用,从构建稳态热流环境、对流辐射换热计算、测试操作选择3个方面总结现场检测的影响因素,归纳图像处理技术在排除光学干扰、辨识热工缺陷、热工信息可视化等方面对红外检测领域的贡献,分析未来红外热成像的应用前景与发展方向。研究表明,红外热成像技术可成为围护结构热工性能定量检测与热工缺陷量化识别的优秀方法。

关键词： 位移测量   动力识别   非接触测量   计算机视觉   变分模态分解  

摘要： 位移是衡量结构舒适性与安全性的一个关键参数,但传统接触式方法测量效率低、成本高且难以精确测量稠密测点位移。为解决以上问题,提出了基于计算机视觉与自适应变分模态分解的结构多测点位移和振动特性非接触测量方法。该方法利用高速摄像机获取冲击力锤作用下悬臂梁振动图像,通过有标靶和无标靶特征检测算法,获取结构在冲击载荷下的动态位移曲线,进一步提出了基于变分模态分解和希尔伯特变换的结构振动频率、阻尼比高精度识别方法。所提出方法利用悬臂梁非接触振动测量试验进行了验证,结果表明:通过圆心检测算法和图像特征检测算法提取位移的最大测量误差分别为0.093 mm和0.046 mm,证明了图像特征检测算法的位移提取精度更高;同时,利用变分模态分解方法对测量的位移信号进行了分离并识别结构振动特征,采用圆心检测和图像特征提取算法获取位移识别的固有频率、阻尼比基本一致。研究成果可为突发事件下桥梁结构多点位移高精度监测与振动特性识别提供一种新的方法,具有成本低、使用方便和测点布设灵活等优势。

关键词： 自动驾驶   YOLOv5   MobileNetV3   Adaptive-EIoU-NMS   K-means++  

摘要： 车辆行驶过程中,对前方目标的检测速度和检测精度一直是自动驾驶领域研究的重点.针对现有的目标检测算法模型,在复杂交通环境下,传统模型面对重叠目标容易导致误检和漏检的情况发生,大幅度提高检测精度又会造成计算量过大导致处理速度缓慢,实时性下降的问题.本文提出基于YOLOv5模型的改进算法.首先采用MobileNetV3网络替换原模型中主干网络C3的方案,实现网络仍保持轻量化的同时,提高模型响应速度.其次,提出一种非极大值抑制算法Adaptive-EIoU-NMS来提高重叠目标的识别精度.最后采用K-means++聚类算法替换原有聚类算法,生成更精确的锚框.实验结果表明,改进后的模型平均检测精度达到90.1%,检测速度达到89 f/s.实验结果可以证实,改进后的模型针对复杂场景检测精度和检测速度都有显著提高.

关键词： 自动驾驶   目标检测   YOLOv7   ACmix   Swin Transformer  

摘要： 针对自动驾驶场景下,车辆目标密集、相互遮挡和目标过小导致的误检、漏检问题,提出一种改进YOLOv7的车辆目标检测算法。在主干网络SPPCSPC后加入ACmix混合注意力机制,充分挖掘特征信息,增强网络对车辆信息的关注度,减少其他目标的干扰,提高检测精度;在Neck端中加入Swin Transformer,收集全局信息;添加160×160尺寸目标检测头,以增加锚点的数量和密度,提高网络对小目标的感知能力;最后利用Soft-NMS柔性非极大值抑制剔除冗余候选框,改善漏检能力。通过实验验证了改进的可行性并与五种主流网络进行了对比,平均精度达到91.5%,与基础网络YOLOv7相比,平均精度提高7.1%,运行速度达到105 FPS,证明了改进方法的有效性。

关键词： 计算机视觉   语义分割   金字塔池化   特征融合  

摘要： 图像语义分割是计算机视觉领域的一个重要研究分支,目前提出的语义分割算法在提取图像细节特征和全局特征方面表现优异,然而,如何将这些特征进行高效融合,是目前语义分割任务的问题之一。因此,本文设计了一种基于金字塔池化的特征融合算法。通过多个尺度的池化操作来处理特征,实现高效的特征融合。本算法在Cityscapes和Camvid数据集上进行消融实验和可视化实验,实验结果表明,加入了本算法模块后的语义分割模型在各项评估指标上均有明显提升,同时在预测图像上也呈现出本算法对于分割效果的实际作用,充分展示了其有效性。

关键词： 装甲目标   目标检测   可见光图像   红外图像   融合  

摘要： 针对基于可见光图像的装甲目标检测算法易受地面复杂环境干扰的问题,提出一种基于可见光与红外图像融合的装甲目标检测算法,通过卷积神经网络自适应融合可见光和红外图像特征,提高对地面复杂环境下装甲目标的检测精度。针对装甲目标检测任务,通过实拍方式构建一个在复杂地面环境下的可见光-红外装甲(Visible-Thermal Armored Vehicle,VTAV)目标图像数据集;基于经典的单阶无锚框检测模型,设计前端特征融合结构、中端特征融合结构和后端特征融合结构;在VTAV数据集上对比不同融合结构和不同融合方式间的检测性能差异。实验结果表明,后端特征融合结构性能最佳,与基于可见光图像的装甲目标检测算法相比,mAP@0.5∶0.95提升2.6%,表明基于可见光与红外图像融合的装甲目标检测算法能够有效提升地面复杂环境下装甲目标的检测精度。