关键词： 安全帽佩戴检测   改进YOLOv5s   注意力机制   深度学习   目标检测  

摘要： 在各种高危行业,人员在施工中佩戴安全帽是很好的安全保护措施之一。为解决检测模型参数大无法在移动端和嵌入式设备部署等问题,提出YOLOv5-MN检测算法用于安全帽佩戴检测。首先,将GhostNet的轻量级模块Ghost引入YOLOv5的主干网络中进行优化,通过将输入特征图分为两个部分,分别进行不同程度的卷积操作,以减少计算复杂度。其次,采用新的特征融合网络结构BiFPN,将不同层级的特征图进行融合,以获取更丰富的语义信息。最后,增加ECA注意力机制,通过在特征图上引入通道注意力模块,动态地调整通道之间的重要程度,以提升模型的感知能力。实验结果表明,轻量化后的YOLOv5模型复杂度显著减小,推理速度大幅提高。

关键词： 卷积神经网络   深度学习   视觉transformer   地物分类   图像处理  

摘要： 针对传统的基于机器学习和卷积神经网络等遥感图像分类方法整体分类精度不高以及受限于局部感受野造成的全局特征提取不足等现象,为进一步提高遥感图像的分类精度,提出了一种结合三维、二维卷积核混合的神经网络(three dimensional and two dimensional convolutional neural network, 3D-2D CNN)与视觉transformer(vision transformer, ViT)的遥感图像分类方法Hybrid CNN-ViT。算法在3D和2D卷积核充分提取遥感图像空间光谱信息的基础上,通过ViT的多头注意力机制提取全局序列信息,解决全局特征提取不足的问题。实验将影像划分不同比例的训练集、验证集与测试集,并与DBDA、DBMA和3D-2D CNN做对比。结果表明,训练集∶验证集∶测试集为8∶1∶1时,该方法的分类精度达到最高,总体分类精度(99.47%)、Kappa系数(0.9908)均优于其他3种方法。

关键词： 3D点云   数据增强   目标检测  

摘要： 基于深度学习的3D点云目标检测技术在自动驾驶、智慧工业等领域快速发展的过程中起到了关键性及支撑性作用。然而,由于3D点云覆盖空间广阔、数据稀疏的特点,为了实现更高精度的目标检测,需要对原始点云数据进行数据增强操作。目前,针对2D图像数据增强方法的研究较为广泛,但是面向3D点云数据的增强方法研究仍处于早期阶段。因此,本文旨在针对3D目标检测数据增强方法研究进展进行综述,首先介绍了3D目标检测的基本技术和流程,然后介绍并分析了面向3D目标检测任务的数据增强方法,具体分为三个类别,包括基于2D图像衍化而来的3D点云数据增强方法、针对3D点云设计的增强方法以及混合与创新型数据增强方法。最后讨论了该领域存在的挑战以及未来的发展方向,为未来该领域的研究人员提供参考。

关键词： 电力巡检   目标检测   Swin Transformer  

摘要： 针对传统电力电网设备巡检方法存在的巡检效率低和安全隐患多等问题,提出了一种基于人工智能技术的无人巡检方法。通过引入Swin Transformer模型,优化了目标检测算法,提高了巡检的精度和实时性。首先,分析了电力电网设备巡检的现状和传统方法的局限性,并对无人巡检系统的实际应用挑战和未来发展趋势进行了探讨,提出了以深度学习、计算机视觉为核心的技术框架。采用图像增强技术扩充了数据集,并手动标注获取了高质量数据集。将Faster RCNN与Swin Transformer结合,应用于自制数据集,实现了高效稳定的目标检测。与传统方法相比显著提升了巡检效率,降低了漏检率和误检率。本研究成果为电力行业的数字化转型和升级提供了理论和实践价值。

关键词： 图像处理软件Photoshop   OBE理念   视觉传达设计  

摘要： 成果导向教育(outcome based education,OBE)理念旨在回应新工业革命对高等工程教育的挑战,以及公众对教育投资回报和实际产出的关注。Photoshop是迄今为止使用范围最广泛的图像处理软件,也是高等院校艺术设计相关专业的必修课程,是视觉传达设计中一门重要的基础课程。对OBE理念在图像处理软件Photoshop教学中的融入进行研究,通过案例探讨多样化的教学方法,并提出OBE理念在Photoshop教学中的有效实施细则,通过有目的、有计划的教学,充分调动学生的学习积极性,有效提高Photoshop的教学质量。

关键词： 飞鸟   小目标检测   上采样算子   NWD   注意力模块  

摘要： 针对小目标飞鸟检测存在的检测精度低、漏检率高等问题,提出了基于YOLOv5的小目标飞鸟的实时检测算法。首先,在YOLOv5原有的检测层上添加了一层小目标检测头;其次,采用CARAFE上采样算子改进了上采样方法,引用NWD度量代替IoU,有效降低了小目标位置偏差的敏感性;最后,使用M-CBAM注意力模块。改进后的算法在自制鸟类数据集上平均精度为77.3%,检测速度达到78FPS,与改进前相比,检测精度提升了9.1%,检测速度提升了23.8%。

关键词： 焊缝检测   深度学习   卷积神经网络   图像处理   语义分割  

摘要： 针对钢件焊缝激光条纹图像中存在强眩光、强弧光和飞溅遮盖等干扰问题,提出了一种基于U-Net卷积神经网络的焊缝激光条纹特征提取方法。该方法融合底层卷积的细节特征与高层卷积的抽象特征信息,生成紧凑的焊缝激光条纹图像特征。在采集到的数据上测试,检测准确率达到99.80%,平均交并比达到82.67%。该网络构建的参数少(大小为22.58 MB),且在与传统方法的对比中获得了更好的效果。因此,构建的网络模型检测准确率高,抗干扰能力强,能够满足自动化电弧焊接中检测焊缝激光条纹的要求。

关键词： 目标检测   深度学习   红外成像   红外小目标检测   注意力机制  

摘要： 随着飞行器机动性能的提升,多帧红外小目标检测方法不足以满足检测要求。近年来,基于深度学习的单帧红外小目标检测方法取得了巨大成功。然而,红外小目标通常缺少形状特征,而且边界与背景模糊不清,给准确分割带来了一定的挑战。针对上述问题,本文提出难点注意力感知红外小目标检测网络。通过基于点的区域建议模块获取目标潜在区域,同时滤除多余背景。为实现高质量分割、细化掩码边界模块、判断粗掩码中无序、非局部难以分辨点,融合这些难点的多尺度特征,进行逐像素注意力建模。最后,由点检测头对难点注意力感知特征重新预测,生成精细分割掩码。在公开数据集NUDT-SIRST和IRDST上进行测试,平均精度均值mAP达到87.4和63.4,F值达到0.8935和0.7056。本文提出的难点注意力感知红外小目标检测网络可在多检测场景、多目标形态下实现准确分割,抑制误报信息,同时控制计算开销。

关键词： 目标检测   多尺度特征融合   注意力机制   计算机视觉   图像分类  

摘要： 目标检测中如何将多尺度特征进行有效地融合仍是一个挑战,提出了一种细粒度级别融合多尺度特征的组件,称为语义化多尺度特征融合SMSFF(semantic multi-scale feature fusion)。首先多尺度卷积核生成目标检测网络所需的多尺度语义信息,然后使用新颖的多尺度特征融合方法将其充分融合。最后,利用SE(squeeze-and-excitation)跨通道的加权注意力重新标定多尺度特征,有效地强化了网络的多尺度信息,进而提高了网络的特征表征能力。因此,SMSFF能够有效地提高检测精度,且模型对不同尺度实例目标更具鲁棒性。本工作所提方法在基准数据集COCO 2017 test和Pascal VOC上的YOLOX目标检测器的mAP分别为48.6%和87.6%。

关键词： 指针仪表   刻度提取   图像处理   Canny边缘提取   外接矩形框  

摘要： 目前指针仪表读数方案大多只针对刻度分布均匀的仪表,只提取某些关键点,并不提取出每条刻度线,这种方案不适用于刻度线不均匀仪表。提出了一种可适用于非均匀刻度线指针仪表的刻度线提取算法,首先使用不同阈值的Canny边缘检测算法对图像进行边缘提取,从而得到多张边缘图像,并提取出边缘图像中所有满足设定条件的轮廓,然后使用类似NMS的方法去除重叠冗余的轮廓,最后使用刻度筛选与排序算法找出真实刻度线框。算法省去了深度学习方案中繁琐的步骤,只需要设定合适的参数即可达到良好的刻度线提取效果,速度快、易移植,非常适合工程实际需求。