关键词： 无人机航拍影像   深度学习   目标检测   语义分割   数据集   性能评价指标  

摘要： 无人机(UAV)因其小型轻便、操作简单等优点获得了广泛的应用。将深度学习方法与无人机系统相结合,有助于在清晰度高、视野范围广的无人机航拍影像上快速准确地检测出所需目标,相关课题已成为当前的研究热点之一。对近十年来无人机航拍影像目标检测与语义分割的深度学习方法研究进展进行了综述。首先概述了无人机及其航拍影像的特点和广泛的应用场景,简述了无人机航拍影像目标检测与语义分割方法的发展历程。然后对基于深度学习的无人机航拍影像目标检测与语义分割方法按照不同的网络模型进行分类,分别总结了它们的改进策略、应用场景、贡献和局限性。随后收集梳理了近些年无人机航拍影像的数据集,归纳了常用的卷积神经网络模型的评价指标。最后指出了本领域目前存在的相关问题,并对未来的研究趋势进行了展望。

关键词： 目标检测   YOLOv8   BotNet   EMA  

摘要： 火灾发生初期,烟雾状态变化多端火焰的尺寸大小也非常小,现有的目标检测算法面对这复杂情况下会出现检测速度慢、检测准确率低。针对类似这样的问题,本文提出了基于改进YOLOv8的火灾目标检测系统。在YOLOv8的骨干网络末端添加BotNet结构,用来增强网络对火灾的特征提取,在YOLOv8的头部末端引入EMA注意力机制防止权重剧烈变化。改进的YOLOv8模型提高了目标检测的精确度。实验的结果表明,改进的YOLOv8模型与YOLOv8模型对比,改进的YOLOv8模型在mAP上提高了2.3%、火灾与烟雾的预测准确率也分别提高了1.4%和1%,进一步说明改进的YOLOv8模型可以满足对火灾的目标检测。

关键词： 遥感小目标   特征金字塔   多尺度扩张   信息混淆   通道注意力  

摘要： 针对Faster-RCNN算法在遥感图像当中对小目标的漏检、检测精度不高等问题作出改进.用特征提取能力更强的ResNet50网络替换VGG16;同时为了加强对遥感小目标信息的提取,引入特征金字塔,添加多尺度扩张卷积模块来增强特征金字塔的上下文特征,扩充小目标信息,使用通道注意力机制来减少特征融合过程中带来的信息混淆,提高模型对遥感小目标的检测效果.实验表明,所改进的方法在HRRSD遥感数据集达到86.7%的检测精度,较改进前提升了5.2%,同时检测效果也优于当前的一些主流检测模型,证明了改进后模型的有效性.

关键词： 旋转截骨术   有限元分析   CT灰度值赋值   图像处理  

摘要： 股骨头坏死是常见的难治性疾病,旋转截骨术是保留股骨头手术治疗股骨头坏死的主要方法。用有限元法分析旋转截骨术手术前后人体骨骼力学特性,评估手术有效性和准确性,为提高手术疗效奠定基础。采集1例患者的髋关节CT图像,通过3D模型提取和优化,建立术前术后有限元模型,得到术前术后的应力变化情况。股骨应力分布情况表明:术后应力最大处从股骨头坏死处重新转移回股骨干,手术前后坏死区下方等效应力最大值分别为27.04,10.97 MPa,减小明显,为后续保守治疗提供了有利条件。

关键词： 计算机视觉   单类分类   弱监督学习   异常检测   自编码器   支持向量  

摘要： 异常检测作为视觉领域中一项独特而关键的任务,在医疗、安保等领域具有广泛的前景。异常检测目前受限于大规模异常数据标注,因此现有方法集中在单类分类和弱监督学习,深度支持向量描述(Deep SVDD)是实现单类分类的常见方法。然而,传统Deep SVDD在开展异常检测时往往面临球体崩塌。针对这一问题,提出了基于球面正则化的SVDD异常检测算法,通过引入软间隔损失与支持向量的思想,优化模型学习流程。进一步地,面向可标注样本,提出了基于SVDD的弱监督异常检测方法。在公开数据集MNIST和CIFAR-10上进行消融和对比实验,实验证明,相比于有监督算法,在MNIST数据集上,SR-WSVDD的性能提高了3.7%,而在CIFAR-10数据集上则提高了16.7%。此外,与其他弱监督算法相比,SR-WSVDD在CIFAR-10数据集上提升了1.8%。所提出的SR-SVDD异常检测算法,弥补Deep SVDD容易发生球体崩塌的缺陷,使模型异常检测结果更加准确。

关键词： 计算机视觉   搅拌站取料机   深度学习   实例分割  

摘要： 搅拌站的生产过程不可视化、管理不规范、质量不稳定、安全隐患多、环境污染严重等问题,亟需采用先进的技术手段进行改造和提升,通过视觉识别技术对混凝土质量进行实时检测,保证了混凝土质量稳定性。本文开展了混凝土粗骨料图像分割与基于计算机视觉的匀质性检测过程技术研究,并将其有效地应用于搅拌站取料机控制环节中,对照验证结果充分表明了提出技术方案的可靠性与有效性。

关键词： 蜀锦   蜀绣   人工智能图像处理技术  

摘要： 蜀锦、蜀绣作为中国优秀传统技艺的代表,具有丰富的历史文化内涵和独特的艺术特征。通过回顾、梳理蜀锦、蜀绣历史时代特征和产业现状,引起对蜀锦、蜀绣传承与保护的思考,并以AI新锦绣创新实践为例,重点探讨AI图像处理技术在蜀锦、蜀绣纹样设计中的创新应用方式和效果,提出构建“互联网+AI设计”蜀锦、蜀绣产品定制体系,为传统蜀锦、蜀绣创新发展带来新思路、新途径。

关键词： 小目标检测   海上救援   RT-DETR   SeaDronesSee  

摘要： 目标检测功能在海上人员搜救中扮演着至关重要的作用,特别是在复杂的海洋环境中,利用该功能可以对海面上的游泳者和船只进行精准定位。本文提出了一种专门设计和优化的DETR-Maritime模型。此模型基于RTDETR实时检测架构,并结合高效部分可重参数化块,可以有效提升对小目标检测的精度和实时处理能力。实验结果显示,与YOLOv8-L相比,该模型的参数量减少了67.7%,计算复杂度降低了73.9%,而mAP提升了2.6个百分点,达到0.544,可以为海上救援提供有效的支持。

关键词： 图像处理   语义分割   计算机视觉   人工智能   深度神经网络  

摘要： 图像语义分割(Semantic Segmentation)是计算机视觉领域的研究热点,图像语义分割不仅能预测一幅图像中的不同类别,同时还能定位不同语义类别的位置,具有重要的研究意义和应用价值。这些方法被用于人工智能当中,应用于无人驾驶、遥感影像检测、医疗影像等研究领域。全卷积神经网络的快速崛起推动了图像语义分割领域的发展,二者的融合取得了显著的成就。主要从语义分割的介绍出发,对近几年的代表性工作进行了阐述,并对未来的研究方向进行展望。

关键词： 图像识别   深度学习   目标检测   轻量化   小麦病害   YOLOv8   PP-LCNet  

摘要： 为提高小麦病害检测精度,实现将模型方便快速部署到移动端,该研究提出了一种基于改进YOLOv8的轻量化小麦病害检测方法。首先,使用PP-LCNet模型替换YOLOv8网络结构的骨干网络,并在骨干网络层引入深度可分离卷积(depthwise separable convolution, DepthSepConv)结构,减少模型参数量,提升模型检测性能;其次,在颈部网络部分添加全局注意力机制(global attention mechanism, GAM)模块,强化特征中语义信息和位置信息,提高模型特征融合能力;然后,引入轻量级通用上采样内容感知重组(content-aware reassembly of features,CARAFE)模块,提高模型对重要特征的提取能力;最后,使用Wise-IoU(weighted interpolation of sequential evidence for intersection over union)边界损失函数代替原损失函数,提升网络边界框回归性能和对小目标病害的检测效果。试验结果表明,对于大田环境下所采集的小麦病害数据集,改进后模型的参数量及模型大小相比原YOLOv8n基线模型分别降低了12.5%和11.3%,同时精确度(precision)及平均精度均值(mean average precision,m AP)相较于原模型分别提高了4.5和1.9个百分点,优于其他对比目标检测算法,可为小麦病害检测无人机等移动端检测装备的部署和应用提供参考。