关键词： 目标检测   轻量级   YOLOv5s   Ghost卷积  

摘要： 车辆行人检测是智能交通的重要组成部分。针对现有车辆检测算法模型容量大、参数量较多、占用内存大,难以在智能交通场景中适用于算力和内存均有限的边缘设备的问题,提出了一种基于YOLOv5s算法改进的轻量级目标检测网络。首先,将YOLOv5s网络的卷积模块更换成Ghost卷积,以此减少计算量和参数量;其次,采用改进的加权双向特征金塔网络(BiFPN)结构和非极大值抑制(NMS)算法提高模型的精确度;最后,通过Real-world Task-Driven Testing Set(RTTS)雾天数据集对该方法进行模型训练及验证,以测试模型的有效性。实验结果表明,改进YOLOv5的轻量化雾天检测模型在分辨率为640×640的图像上平均检测精度达88.5%,模型大小约为7.5 M,浮点型计算量为8.20 GFLOPs。与原YOLOv5s网络相比,模型大小减少了46.4%,浮点型计算量压缩到原来的52%,精确度提高0.9%,回归率提高0.5%,平均精度提升1.1%。改进后的车辆检测算法在模型轻量化的同时不仅能够保证较高的检测精度,而且能够满足在算力资源有限的边缘设备进行车辆检测的需求。

关键词： 输电线路   无人机巡检   缺陷智能识别   图像处理   红外成像  

摘要： 为解决输电线路巡检效率低下、识别准确性不高等问题,本文围绕无人机巡检缺陷智能识别技术展开分析。介绍了本公司输电线路巡检的现状和存在问题,以及技术应用的重要性,重点分析了无人机巡检技术的基本原理、缺陷智能识别技术组成(包括图像处理技术、深度学习技术、红外成像技术、激光雷达技术)以及该技术在本公司的应用实践。

关键词： 星敏感器   光学畸变   在轨标定   B样条算法   图像处理  

摘要： 星敏感器长期在轨运行时,畸变会逐渐积累,因此对星敏感器进行在轨标定很有必要。目前,大多数星敏感器在轨标定算法仅依赖于星间角距的不变性,并需要较长的标定时间。本文算法的创新性在于利用星间角距关系和星点像素位置关系,将畸变信息解耦为粗校准的参数化信息和精校准的非参数化信息。充分考虑到星敏感器的工作性质,利用B样条算法的特点,使得连续的在轨校正仅需极少的时间。相较于目前常用的地面标定算法,本文算法在实现更准确的星点位置校正和更精确的姿态输出精度的前提下,训练完全部数据只需要几百毫秒的时间。在经过本文算法的标定后,在轨星敏感器的星点位置偏差由0.55766 pixel降低为0.23706 pixel,测量精度由5.857″提高到2.775″,这为未来低成本卫星搭载非专业化设计的星敏感器提供了一定的算法参考。

关键词： 安全帽检测   卷积神经网络   Faster R-CNN   煤矿安全   目标检测  

摘要： 传统的安全帽佩戴检测方式存在浪费人力、环境适应性差等问题,同时,实际应用中的安全帽佩戴检测需结合人体检测来进行,只有检测出戴在头上的安全帽才算符合要求,因此,需要先找出监控图像或画面中煤矿工作人员的人脸位置,再根据人脸的位置识别出人脸上方的安全帽。提出了一种基于卷积神经网络的矿用安全帽佩戴检测模型:基于Faster R-CNN网络进行改进,将VGG16作为特征提取的主干网络;为了更好地对重叠目标进行检测,使用Soft NMS方法代替原本的NMS算法对冗余的候选框进行删除,构建了符合煤矿生产需求的安全帽佩戴检测模型。实验结果表明,提出的模型算法在平均检测精度上明显优于其他现有检测算法;在召回率方面,提出的模型算法比Faster R-CNN高出3%,查全效果明显提高;与原Faster R-CNN算法相比,模型运算速度提升了23帧/s。相较其他模型,提出的模型在检测精度、运算速度上均取得良好效果,满足煤矿智能化建设所要求的部署与应用要求。

关键词： 人工智能技术   图像处理   天气预报   气象领域   蝴蝶效应   大气运动   短时预报   气候模拟  

摘要： 天气预报一直是一个复杂而充满挑战的领域.由于大气系统是高度非线性,即使极其微小的变化也可能对大气运动产生不可预知的扰动,这种大气中普遍存在的“蝴蝶效应”也正是天气预报的难点所在[1].长期以来,天气预报主要依赖于传统的数值天气预报模型.随着具有非线性学习能力的深度学习技术的崛起,气象领域开始应用人工智能模型.人工智能(artificial intelligence,AI)模型在短时预报、气象图像处理以及气候模拟等在内的多个气象领域的应用均有重要的突破[2,3].

关键词： 苹果采摘机器人   目标检测   YOLOv5   深度可分离卷积  

摘要： 为实现复杂环境中苹果采摘机器人目标快速检测,克服传统YOLO v5网络结构复杂、计算性能弱的缺点,提出了一种基于深度可分离卷积YOLO v5的采摘机器人目标检测方法。在采集苹果样本图像并制作实验数据集后,进行模型训练和测试,引入深度可分离卷积YOLO v5网络对苹果图像进行特征提取,解决了网络中参数冗余问题,提高了采摘机器人的识别速度;采用CIoU-Loss损失函数和DIoU-NMS非极大值抑制方法,对损失函数进行优化,提升了机器人视觉系统对苹果的定位精度。机器人采摘试验结果表明:算法检测精度达95.8%,检测速度达53帧/s,机器人单次采摘时间为4.7s,采摘成功率达93.9%。检测方法在减少模型参量的同时可保证检测精度和效率,具有较强的工程实用性。

关键词： 计算机视觉   晶圆缺陷识别   深度学习   通道混洗   深度可分离卷积  

摘要： 针对传统深度神经网络对混合型晶圆缺陷信息提取计算效率低的问题,提出了一种基于通道混洗和深度可分离卷积的轻量化深度神经网络,实现了混合型晶圆缺陷的高效识别。在晶圆图数据集Mixed-type WM38上的实验结果表明,所提出的模型对比于一些现有的深度学习模型,在耗费较少的训练和推理时间的同时取得了较高的模型精度,其平均正确率达97.32%,参数量仅有0.4786 M。

关键词： 人脸识别   计算机视觉   卷积神经网络   深度学习  

摘要： 人脸识别是计算机视觉领域中的一项重要技术,具有广泛的应用场景,如安全监控、身份验证、社交网络等。本文采用深度学习技术提出了一种基于卷积神经网络(CNN)的人脸识别模型,通过训练大量的数据实现了人脸的高精度识别。本文首先详细描述了卷积神经网络模型的设计和实现过程。然后使用ReLU激活函数增加模型的非线性,通过反向传播算法进行实练,最后在公开人脸数据集上对模型进行训练和测试,达到了100%的正确率。实验结果表明,该模型在识别率、鲁棒性和泛化能力等方面都表现出了优异的性能。

关键词： 图像处理   磁共振重建   密集连接残差块   坐标注意力   双域  

摘要： 磁共振成像是一种重要的医学影像临床工具,然而生成高质量的磁共振图像需要较长的扫描时间。为了加速磁共振成像速度,重建高质量的磁共振图像,提出一种级联频域和图像域的密集连接残差模块的磁共振重建网络。所提模型由频域重建网络和图像域重建网络组成,每个网络以U形的编码器-解码器结构为基础架构,两个域之间利用傅里叶逆变换进行转换。编码器采用了新设计的密集连接残差块,在提高特征复用的同时能够缓解梯度消失问题。在跳转连接处引入了坐标注意力,用于全局特征的提取和增强纹理细节的恢复。在公开的CC-359数据集上评估所提模型的性能。实验结果表明,与现有其他方法相比,所提方法在不同的采样率和采样掩模下可以有效去除伪影和保留更多的纹理细节,重建出更高质量磁共振图像。

关键词： 图像处理   图像去摩尔纹   U-Net网络   多尺度   软注意力机制  

摘要： 针对相机拍摄数字显示屏时图像产生的摩尔纹,本文提出了基于联结扩张注意网络的图像去摩尔纹算法。该算法先以轻量级基线U-Net网络为基础,将改进的动态特征金字塔模块DFP引入U-Net的跳跃连接中,并构成联结结构,实现多尺度特征提取与融合,再利用CBAM改进的软注意力机制RMAM来聚焦摩尔纹图像颜色信息,最后构建网络模型对其进行了训练及测试。结果表明,相较于其他算法,该算法具有较高的峰值信噪比和结构相似度。