关键词： 彩色化   人工智能设计   深度学习   图像处理  

摘要： 目的以彩色化技术为主要研究内容,从人工智能结合设计的角度重点阐述了彩色化研究的技术特点及适用场景,结合人工智能背景对智能设计发展趋势进行思考和总结。方法首先,对人工智能彩色化研究的技术需求、应用场景进行融合分析,推导人工智能与设计创作结合的可能性;其次,对彩色化传统方法与人工智能基础技术进行调研,以交互设计的理念为灵感启发,将人工智能的彩色化方法分为显式交互彩色化和隐式交互彩色化并进行归纳和总结;最后讨论研究彩色化技术的应用对象、预处理步骤和实践体验。结果总结概括彩色化技术结合人工智能设计的发展趋势与未来技术重点。结论“AI+设计”的趋势背景下,以彩色化为代表的人工智能数字图像处理技术正成为设计师的辅助工具,在科技、艺术、影视、人文等领域展现出交叉融合的大趋势。

关键词： 滚动轴承   保持架轨迹   图像处理   轴承动态特性  

摘要： 现有保持架质心轨迹测量方法会侵入轴承原有结构,难以反映真实的轴承动态特性;现有的基于图像的方法虽然不会破坏轴承结构,却依赖于标记点标记精度与追踪精度,无法直接反映质心运动。针对这些问题,提出了一种基于自主图像处理程序的滚动轴承保持架运动轨迹提取方法,结合亚像素图像处理算法,在不改变轴承原有结构的基础上可以精确识别提取保持架质心轨迹。对两种不同引导方式的保持架开展了轨迹提取实验。实验结果表明,保持架轨迹受保持架与轴承内外圈结构的影响,呈现出不同形状;在实验转速区间内,保持架运动的稳定性随着转速的升高而增大。实验结果证明了所提出的轨迹提取方法的有效性,为轴承保持架动态特性的研究提供了一种便捷、准确的测试方法,能对轴承保持架质心轨迹进行有效的提取。

关键词： 恶意代码   计算机视觉技术   深度迁移学习   目标检测  

摘要： 随着网络技术和人工智能技术的不断发展,恶意代码对网络空间安全的威胁日益增加,对社会经济、国家安全构成严重威胁。恶意程序数量级呈指数增加大大增加了恶意代码分析的工作量,传统的恶意代码检测方式难以应对当下日益复杂的网络空间环境。本文提出了一种面向深度迁移学习的恶意代码可视化检测,基于计算机视觉技术将恶意代码进行可视化操作,并利用深度迁移学习和目标检测技术,对恶意代码相关特征片段进行检测分类。实验结果同样也表明,基于目标检测和计算机视觉技术,进行恶意代码可视化检测分析的方法在检测准确率、检测速度以及识别能力等方面较传统的恶意代码分类方法都表现出了更优异的性能。

关键词： 目标跟踪   Mean-Shift算法   Particle Filter算法  

摘要： 目标跟踪技术是计算机视觉的关键底层技术。采用一种基于Mean-Shift算法的目标跟踪方法实现运动物体的目标跟踪。将Mean-Shift与Particle Filter算法实现目标跟踪效果进行对比。实验结果显示,Mean-Shift比Particle Filter算法实现目标运动的轨迹更加清晰准确。

关键词： 路面裂缝检测   YOLOv5   目标检测   C3TR   CBAM   EIOU  

摘要： 针对现有裂缝检测模型体积较大且检测精度不高的问题,提出一种基于轻量化网络的无人机航拍图像裂缝检测方法。首先,使用MobileNetv3网络替代YOLOv5的主干网络,降低模型大小;其次,引入C3TR和CBAM模块提高网络表征能力,将损失函数替换为EIOU以提高模型的鲁棒性。实验结果表明,该方法在自制数据集上获得98.9%的精度,相较于原始YOLOv5提高1.2%,模型大小减小51.5%,检测速度提高37%。改进后的模型在精度、大小和速度上均优于Faster-RCNN等4种常见裂缝检测模型,满足了裂缝检测的实时性、轻量化和精度需求。

关键词： 多尺度特征融合   遥感测绘   影像目标检测   二值化处理  

摘要： 提出基于多尺度特征融合的遥感影像目标检测方法,本文利用选择性搜索算法对原始数据进行滤波处理和二值化处理,提取遥感影像目标区域图像数据,采用RBM技术获取遥感影像目标的语义特征和细节特征,在此基础上,建立融合网络,对影像目标的语义特征和细节特征进行变形卷积操作和池化操作,将目标的语义特征和细节特征进行多尺度融合,获取目标的深度特征,进而定位遥感影像目标。实验证明,设计方法遥感影像目标检测时间短,可以快速检测到遥感影像目标。

关键词： YOLO   目标检测   CNN   NMS   算法   ResNet   划分锚框技术  

摘要： 物体检测是计算机视觉中的一个具有挑战性的任务,涉及到在图像或视频中定位和分类物体。其中一个最流行的基于深度学习的物体检测方法是YOLO。YOLO已经在各种物体检测基准测试中取得了最先进的性能,并致力于通过神经网络在单次前向传递中检测图像中的对象的概念,使其成为可用的最快的对象检测模型之一。介绍YOLO的发展、技术、架构以及所利用的算法。

关键词： 配电部件检测   YOLOv8s   红外图像   小目标检测层   GhostConv卷积   Wise-IoUv3  

摘要： 随着电力巡检技术的发展,利用无人机和红外热成像技术进行巡检逐渐成为电力巡检作业的一个重要模式。针对当前网络模型对配电设备识别准确度低、模型参数量大难以部署的问题,提出一种基于红外图像的配电设备目标检测方法。首先,针对原YOLOv8s模型参数量大、模型复杂的问题,提出在骨干网络和Neck部分将部分传统Conv卷积替换为GhostConv卷积,实现模型轻量化;然后,针对原YOLOv8s模型小目标识别能力差的问题,提出增加小目标检测层,提升小目标检测能力;最后,针对原YOLOv8s模型损失函数不利于普通质量样本预测回归的问题,提出使用Wise-IoUv3损失函数,聚焦训练过程中难以拟合的锚框的预测回归。研究结果表明,改进后模型的精确率达到87%,比原模型提升了4.1个百分点;召回率达到79.1%,比原模型提升了3个百分点;平均精确率均值达到83.5%,比原模型提升了1.5个百分点;推理速度为62ms/张,可有效应用于配电设备的部件检测。

关键词： 森林野生动物   检测算法   YOLOv5s   Swin Transformer   网络融合  

摘要： 【目的】为提高野生动物在复杂森林环境中的检测精度,促进森林野生动物保护技术发展,提出一种基于YOLOv5s网络模型、针对陷阱相机所摄取森林野生动物图像的改进检测算法。【方法】以包含湖南壶瓶山国家级自然保护区几种典型森林野生动物在内的数据集为研究对象,首先,对真实标注框图像进行裁剪、归一化和缩放处理,随机将2~4张裁剪图像拼贴组成新的数据集元素,以丰富和增强数据集图像信息;其次,使用一种基于通道注意力思想的加权通道拼接方法,在通道拼接时引入权重改变通道数量,通过反向传播训练方法不断更新权重以增加重要特征信息的通道层数;接着,引入Swin Transformer模块与CNN网络相结合,为卷积神经网络特征提取加入自注意力机制,融合2种网络特征提取层的优势,提高特征提取的感受野;最后,选择更优的α-DIoU损失函数替代GIoU损失函数,针对边界框重叠面积和中心点距离造成的损失,引入新的几何因素惩罚项。【结果】在相同试验条件和数据集下,相比原YOLOv5s网络模型,改进算法极大提高检测的平均准确率和平均回归率,均值平均精度由74.1%提升至88.4%,获得14.3%的精度提升,同时也超过YOLOv3、YOLOXs、RetinaNet、Faster R-CNN等其他流行目标检测算法。【结论】针对陷阱相机所摄取森林野生动物图像背景与目标对比度低、遮挡重叠严重,致使检测误检率、漏检率高等问题,在检测算法中提出一系列改进措施,为我国森林野生动物的保护和数据获取提供一种新的可行性方案和思路。

关键词： 在线多目标跟踪   船闸船舶   改进FairMOT   上下文联系   Contextual Transformer   上下文注意力  

摘要： 目的 满足船闸船舶在线跟踪要求,改善由于复杂背景、遮挡等因素导致轨迹不连续和身份变更的问题,提出一种增强上下文联系和上下文注意力的多目标跟踪方法。方法 基于设计的在线系统,采集连续帧图像,改进FairMOT多目标跟踪模型。首先,通过在骨干网络设计基于Bottleneck和Contextual Transformer的上下文建模模块,以加强上下文联系,增强场景理解的能力。其次,在迭代聚合后的特征图上应用全局上下文注意力,提高定位船舶目标的能力。结果 相对于原生的Fair MOT方法,设计上下文建模模块后,多目标跟踪准确度指标MOTA提高2.1%,继续添加全局上下文注意力MOTA,共计提高3.5%,同时在多项指标中取得了最佳表现。结论 改进的Fair MOT方法不仅拥有更强的轨迹保持能力,而且在身份维持方面更胜一筹。