关键词： 计算机视觉   图像去噪   自编码器   卷积神经网络   压缩编码  

摘要： 图像预处理算法的优劣程度直接关系到图像后置处理的效果,如图像分割、目标检测、边缘提取等。为了获取高质量的数字图像,对图像进行降噪处理成了必不可少的前置步骤。图像降噪旨在尽可能地保持原始信息完整性(即主要特征)的同时,又能够去除信号中无用的信息。为此,提出了一种基于有损压缩编码的卷积自编码器(AutoEnconders,AE)去噪模型;并根据最大编码率下降原则(the principle of Maximal Coding Rate Reduction,MCR 2)设计了新的损失函数代替主流深度学习算法中常用的均方误差(Mean Squared Error,MSE)损失,以提高模型的鲁棒性和适应性。模型首先通过编码器处理带噪图像,得到隐变量,然后使用解码器进行解码,消除噪声并得到重构图像。接下来,保持编码器不变,将重构图像输入编码器,使编码器继续学习并得到重构隐变量。最后,通过计算隐变量与重构隐变量的距离来间接衡量重构图像与原始图像的误差,并将其作为收敛代价进行模型训练。在thumbnails128×128和CBSD68数据集上对所提模型进行了大量实验验证。实验结果表明,该自编码器框架(AE-MCR 2)在不同类型的噪声(高斯噪声、伯努利噪声和泊松噪声)下均表现出良好的性能,并具有一定的可解释性。

关键词： 针穿刺   形态学   最小二乘法   曲线拟合   残差   最优解  

摘要： 为了准确测量针穿刺过程中柔性穿刺针的运动轨迹,提出一种基于图像处理的柔性穿刺针运动轨迹模型建立方法。通过图像采集系统采集穿刺实验过程中的动态图像,采集动态图像借鉴图像处理形态学技术提取柔性穿刺针在穿刺实验过程中的针尖位置坐标。根据提取的针尖数据采用最小二乘法进行曲线拟合,建立二阶多项式模型、指数函数模型、自行车模型。通过分析不同模型的优度指标、残差及残差平方和,认为二阶多项式模型更优于其余两种模型,为柔性穿刺针运动轨迹模型的最优解。

关键词： 无人机   目标检测   YOLOv3   BiFPN  

摘要： 无人机航拍图像中的物体通常很小,边界模糊,加上复杂的背景和不断变化的照明条件,所以YOLOv3算法的检测精度相对较低.因此,构造四级BiFPN,既可以对融合的输出特征作出平等的贡献,又可以使得Neck部分变为FPN+PAnet结构,同时充分利用底层与高层特征融合信息,以提高特征提取和目标检测性能.添加更小的检测层,可以使得模型拥有四个先验框,有更高的概率出现对于目标物体有良好匹配度的先验框,使得模型更容易学习.实验结果表明,提出的无人机图像目标检测模型(YOLOv3_Drone)在VisDrone-2019的mAP比YOLOv3算法提高了3.83%,证明了该方法的有效性.

关键词： 杂波   慢速目标检测   变初相   现场可编程门阵列  

摘要： 针对火控雷达在近区强杂波背景下慢速目标的检测问题,提出了一种适用于双极化火控雷达的慢速目标检测方法。该方法采用脉内分时变极化收发的设计,利用极化正交抑制近区杂波对接收动态的影响,同时,给出基于脉内变初相拉偏目标多普勒的闭式解及现场可编程门阵列(FPGA)实现,所提方法能够可靠地实现强杂波背景下慢速目标的检测,工程实现性高。最后,通过仿真验证所提方法的有效性。

关键词： 目标检测   Transformer   编码器   DETR   混合注意力  

摘要： DETR是第一个将Transformer应用于目标检测的视觉模型。在DETR结构中,Transformer编码器对已高度编码的图像特征进行再编码,这在一定程度上导致了网络功能的重复。此外,由于Transformer编码器具有多层深度堆叠的结构和巨大的参数量,导致网络优化变得困难,模型收敛速度缓慢。本文设计了一种无编码器的Transformer目标检测网络模型。由于不需要引入Transformer编码器,本文的模型比DETR参数量更小、计算量更低、模型收敛速度更快。但是,直接去除Transformer编码器将降低网络的表达能力,导致Transformer解码器无法从数量庞大的图像特征中关注到包含目标的图像特征,从而使检测性能大幅降低。为了缓解这个问题,本文提出了一种混合特征注意力(fusion-feature mixing attention,FMA)机制,它通过自适应特征混合和通道交叉注意力弥补检测网络特征表达能力的下降,将其应用于Transformer解码器可以减轻由于去除Transformer编码器带来的性能降低。在MS-COCO数据集上,本文网络模型(称为FMA-DETR)实现了与DETR相近的性能表现,同时本文的模型拥有更快的收敛速度、更小的参数量以及更低的计算量。本文还进行了大量消融实验来验证所提出方法的有效性。

关键词： 变电站   自动化巡检   目标检测   YOLO   注意力机制  

摘要： 变电站巡检对于保障电力供应的可靠性和安全性至关重要,使用巡检机器人进行自动化巡检在变电站中应用广泛,不仅反映了当代变电站管理模式的转变,也体现了技术集成和效率提升方面的进步。电网仪表为电力系统的安全可靠运行提供了必要的支持和保障,然而从巡检机器人拍摄的视频中对电网仪表准确识别较为困难,因此提出了一种基于改进YOLOv7-tiny的变电站机器人设备巡检中目标动态捕捉识别方法,将基于注意力机制的目标检测头融入基准模型,并修改了其损失函数,增强了模型对视频复杂背景中电网仪表的特征提取和整合能力。通过消融试验和算法对比表明,所提出的改进方法有效地保证了模型的识别速度,并且提升了识别精度,在电网仪表的精确高效识别方面具有一定的优势和潜力,有利于提高变电站自动化巡检的效率。

关键词： 汽车涂胶   缺陷检测   机器视觉   图像处理  

摘要： 白车身涂胶是汽车生产中的重要环节,实现白车身涂胶缺陷的自动检测对于提高汽车生产质量和效率具有重要的意义。针对目前基于传统图像处理和深度学习的视觉检测方法均不能很好地完成涂胶缺陷检测的问题,提出一种将深度学习和传统图像处理相结合的白车身涂胶缺陷检测方法。首先,利用Faster R-CNN的区域候选网络完成胶条的定位和抽取,并根据检测到的感兴趣区域个数,判断是否存在断胶缺陷;然后,采用广度优先搜索和骨架提取算法计算胶条的像素面积、长度和宽度;最后,通过相机标定得到实际宽度和像素宽度的映射比值,计算出胶条的实际宽度,由此判断涂胶宽度是否合格,实现涂胶的缺陷检测。采用(10±1)mm涂胶进行验证实验,结果表明:该方法能够准确识别出断胶缺陷;对胶条宽度的测量误差在±0.35 mm以内;检测速度约为19.50 frame·s^(-1),满足实际生产的要求。

关键词： 计算机视觉   血液透析感染防控系统   临床应用   效果评价  

摘要： 目的探讨计算机视觉血液透析感染防控监测系统在血液透析操作感染防控关键行为规范识别与人工观察的一致性及临床应用效果。方法抽取2022年9月─12月血液透析中心护士血液透析上下机操作198人次为研究对象。将系统实时记录规范动作定为计算机组,人工回顾系统视频规范动作定为人工组;系统使用前后同一护士血液透析上下机操作感控关键行为分为干预前和干预后;验证计算机组和人工组血液透析上下机操作一级指标,二级指标规范识别的一致性,比较系统使用前后同一护士血液透析上下机操作感控关键行为的规范率。结果共观察血液透析上下机操作198人次,2组一级指标:血液透析内瘘/导管上下机操作规范识别一致性较强[内瘘上机kappa值=0.718;内瘘下机kappa值=0.714;导管上机kappa值=0.788;导管下机kappa值=0.712]。二级指标:断开导管一致性较差(kappa值=0.173);戴手套一致性一般(kappa值=0.243);导管连接一致性一般(kappa值=0.305);内瘘/导管消毒一致性中等(kappa值=0.556);手卫生执行一致性中等(kappa值=0.590)。干预后护士血液透析上机规范消毒、待干时间、手卫生、通路评估规范率优于对照组(χ^(2)=8.156,P=0.004;χ^(2)=30.462,P<0.001;χ^(2)=21.023,P<0.001;χ^(2)=23.522,P<0.001);戴手套及连接导管规范率(χ^(2)=1.823,P=0.177;χ^(2)=0.410,P=0.520)比较无统计学差异;干预后护士血液透析下机操作中的规范消毒、手卫生执行规范率优于对照组(χ^(2)=4.444,P=0.035;χ^(2)=17.770,P<0.001);干预前后戴手套、断开导管、待干时间规范率比较无统计学差异(χ^(2)=1.309,P=0.253;χ^(2)=3.220,P=0.073;χ^(2)=2.254,P=0.133)。结论计算机视觉血液透析感染防控行为监测系统记录护士在血液透析上下机操作规范识别与人工观察较为一致,通过该系统能提升护士在血液透析上下机操作感染控制关键行为的规范率,防止血液透析相关感染事件的发生。

关键词： Yolov8   小目标检测层   温州蜜柑   冠层果实  

摘要： 为提高在自然环境下对柑桔果实的识别,针对当前柑桔目标检测中树冠大、果实个体小、密集且遮挡严重等导致果实检测难度大的问题,基于自然状态下转色中后期温州蜜柑单侧完整树冠图像构建的果实数据集,提出了一种在Yolov8检测模型上添加小目标检测层的I-Yolov8检测模型。结果表明,以自然环境下的冠层为背景,丰富了数据集的目标特征,而添加的小目标检测层可用于检测4像素×4像素以上的目标。模型的训练平均精度(mAP)达到93.5%,相比Yolov8提升了1.3百分点。在晴天和阴天两个自然场景下分别进行预测,I-Yolov8和Yolov8的检测精确率均为100%;I-Yolov8的召回率分别达72.45%和91.61%,相比Yolov8分别提升了16.33和14.63百分点。I-Yolov8网络模型对于自然环境中柑桔的检测精度高,具备较高的应用潜力。

关键词： 缺陷检测   图像处理   机器视觉   深度学习  

摘要： 飞机蒙皮缺陷是影响飞机正常运行的关键因素之一,及时准确地检测出飞机蒙皮表面的缺陷能够有效的避免飞行事故的发生。目前针对飞机蒙皮表面缺陷检测的方法主要是目视检测或者一些接触类检测方法,这些方法存在漏检率高,风险大等问题。基于机器视觉的检测方法因其检测速度快,非接触式检测,检测精度高等优点,近来得到较多的关注。总结了现有的飞机蒙皮表面缺陷的检测方法,并着重介绍了两类基于机器视觉的缺陷检测方法,即基于传统视觉的方法和基于深度学习的方法,并详细分析了其基本原理、优缺点以及相关的应用算法。对基于机器视觉的飞机蒙皮表面缺陷检测方法进行了总结,对其未来的发展进行了展望。