关键词： 路面裂缝   图像处理   连通域分析   骨架提取  

摘要： 裂缝是一种常见的路面损坏形式,及时、准确地检测和评估路面裂缝的状态,对于路况监测和养护决策具有重要的意义。文章提出了一种基于图像处理的路面裂缝特征提取方法,首先,对分割得到的路面二值图像进行连通域分析,利用裂缝区域和干扰区域之间的特征差异,筛选出真正代表裂缝的连通域;然后,采用改进的快速并行细化算法提取出裂缝骨架,以端点所在分支的长度为标准来去除骨架中的毛刺,针对骨架断裂和向内缩短的问题,通过端点方向以及端点间距离来进行骨架的连接和生长。实验结果表明,该方法能够有效去除分割结果中的干扰区域,提取出清晰完整且无毛刺的裂缝单一像素骨架,较好地反映了裂缝的主要结构和形态特征。

关键词： 舰船遥感   目标检测   舰船识别   深度卷积网络  

摘要： 近年来,随着高分辨率遥感影像和船舶智能化的发展,通过遥感技术在大范围内对船舶目标进行检测识别已在海洋监管和安全等领域发挥出重要的现实意义。考虑到人类的视觉回路系统中对外界特定目标有很强的方向选择性,借鉴视觉的方向选择性机制,将有助于提升舰船检测识别任务的性能。从3个方面来模拟这种视觉的方向性选择机制:对卷积层采用Gabor卷积核分解的方法来模拟视觉回路的方向性,使深度卷积网络具有方向不变性;通过采用方向回归的方式估计舰船目标的主方向,模拟方向性选择机制;结合方向性目标来提升舰船检测识别任务的性能。试验结果表明:与快速区域卷积神经网络(Faster R-CNN)、单步多框检测(SSD)和定向响应网络(ORN)方法相比,该方法能取得较好的效果,表现出潜在的优势,均值平均精度(mAP)可达到约98%。

关键词： 点云   三维目标检测   图注意力   特征插值   多尺度特征   激光雷达   体素化   车辆检测  

摘要： 目前基于点云的三维目标检测方法未能充分利用点云局部几何特征,导致对点云稀疏的目标检测效果不佳。为此,本文提出基于原始点云体素图注意力的两阶段三维目标检测算法(voxel graph attention region-CNN,VGT-RCNN)。通过多尺度体素特征插值计算网格中心点特征;在多尺度非空体素特征上构造局部图;通过图注意力机制对体素特征进行加权平均,充分提取并利用目标的局部几何特征完成检测。该算法主要针对当前二阶段算法在进行特征聚合时对不同体素特征的重要性考虑不足进行改进,引入可学习的权重矩阵,动态学习体素特性的权重,提高局部特征表达能力。本文在流行的KITTI自动驾驶数据集上进行了充分测试,取得了具有竞争力的检测效果,尤其是在对点云稀疏的汽车目标检测上,准确率有较大提高。本文还对检测效果进行了可视化分析。

关键词： 茶叶嫩芽   目标检测   CBAM注意力机制   自动化采摘   YOLOv7  

摘要： 为了在复杂环境中有效识别茶叶嫩芽并在最大限度避免伤害茶树的情况下,提高智能化采摘精度,本研究针对传统目标检测算法在茶园中存在的检测精度低、鲁棒性差等问题,提出一种基于改进YOLOv7的茶叶嫩芽识别与检测的模型YOLOv7-tea,从而实现对茶叶嫩芽的快速识别与检测。首先,采集茶叶嫩芽图像并完成嫩芽图像的标注和数据增强,构建茶叶嫩芽数据集。其次,通过在YOLOv7主干网络的3个特征提取层中引入CBAM注意力机制模块,增强模型对特征提取的能力;采用SPD-Conv模块替换颈部网络下采样模块中的SConv模块,以减少小目标特征的丢失;通过EIoU损失函数优化框回归损失,提升预测框的准确率。最后,以茶叶嫩芽图像数据集为样本将其他目标检测模型与YOLOv7-tea模型进行对比试验,并对不同距离、不同角度拍摄的茶叶嫩芽图像进行识别效果检测。试验结果表明,YOLOv7-tea网络模型比YOLOv7模型的精确率(Precision,P)、召回率(Recall,R)和识别平均精度(mAP)值分别高出2.87、6.91和8.69个百分点,且模型的检测速度更快,在复杂背景下对茶叶嫩芽的识别与检测具有更高的置信度分数。该研究构建的YOLOv7-tea模型对小尺寸茶叶嫩芽的识别效果较好,减少了漏检和误检的情况,具有良好的鲁棒性和实时性,可为茶叶的产量预估和智能化采摘提供参考。

关键词： 红外热成像   露天矿   火灾探测   煤层自燃   深度学习  

摘要： 为及时发现露天矿煤矸自燃,避免火势蔓延而造成更大损失,对于露天矿面积大、单一检测方法无法做到全方位的煤矸自燃和火灾探测,研究基于红外热成像和深度学习的露天矿自燃和火灾探测技术。首先,提出通过红外热成像和火灾图像目标识别的方法实现不同区域的自燃和火灾探测,构建露天矿煤层自燃识别与预警系统架构;然后,利用固定在露天矿地面上的热成像设备实时拍摄未发生火灾的煤矸区域的红外图像,监测煤矸温度的变化情况;最后,利用无人机机载摄像头拍摄煤层、矸石山和周边环境的照片,并基于深度学习的YOLOv8目标检测算法构建火灾探测模型,实现火焰和烟雾图像目标的检测,从而完成火灾的检测与报警。结果表明:基于热红外图像和火焰、烟雾图像识别的联合探测技术,对于火焰的检测平均精度为70.5%、烟雾的的平均识别准确率为74%,能够满足露天矿现场对于自燃和火灾的探测需求。

关键词： 自然语言处理   人工智能   计算机视觉   机器学习   智能控制   深度学习   专科专业   修业年限  

摘要： 一、专业解析人工智能技术应用是专科专业,修业年限为三年。人工智能技术应用专业的学习内容涵盖了多个方面,主要包括人工智能的基础理论、基本知识和基本技能,以及人工智能技术在各领域中的应用。以下是该专业的主要学习内容和课程:(一)基础理论学习人工智能的基本概念、原理和方法,包括机器学习、深度学习、计算机视觉、自然语言处理、智能控制等。

关键词： 雷达目标检测   二阶段   轻量化   神经网络   数据切片  

摘要： 针对海防雷达分辨率低、实时性要求高及传统CFAR算法难以满足日益精细的现代化战争需求的问题。本文将传统的CA-CFAR算法融入到计算机视觉的两阶段目标检测框架中,形成了一种轻量、高效的雷达实时目标检测算法。首先使用低门限CFAR(Lo-CFAR)来判断诸多潜在目标的真实位置或虚警位置。然后,根据点迹位置信息和雷达回波距离-方位图做数据切片。最后,采用高性能分类器对数据切片进行训练。实测数值实验表明:与传统CFAR,Faster R-CNN算法相比,所提方法在提高检测概率、抑制虚警和轻量时效性方面有显著优势。

关键词： 光学层析成像   重建算法   生成对抗网络   图像处理   深度学习  

摘要： 针对光学层析成像中重建图像伪影重、噪声大、耗时长的问题,基于生成对抗网络提出一种LBP-Pix2Pix图像重建方法。通过线性反投影法(LBP)对物体截面吸收系数分布进行初步重建,将初步重建图像与真实分布作为Pix2Pix模型的训练样本,通过生成器与判别器的对抗训练,获得最优重建模型。利用模型对LBP重建图像进行处理,得到伪影较少、边缘清晰的重建图像。对5种截面分布进行测试,结果表明,LBP-Pix2Pix方法重建误差范围为5.20%~13.15%,相关系数范围为88.34%~99.08%。相较于其他重建方法,该方法成像速度显著提高,图像准确度明显提升,为光学层析成像提供了一种新的图像重建方案。

关键词： 中国兵工学会   重点科研项目   基金项目   光电信息   传感技术   图像处理   ISSN   中北大学  

摘要： 《测试技术学报》(ISSN1671-7449 CN14-1301/TP)由中北大学和中国兵工学会主办,是“中国兵工学会测试技术学会”会刊,刊登有关测试技术的重点科研项目、基金项目的研究成果以及兵器及民用测试的应用技术,是“中国科技核心期刊”。本刊稿件来源于全国各大高校、研究院所及国外一些大学,在国内本专业学者中受到高度重视,重点关注测试技术与理论研究、光电信息与传感技术、故障检测、信号检测、数据采集、图像处理、通信技术等领域。

关键词： 火灾探测   火焰检测   烟雾检测   特征增强   目标检测  

摘要： 为了同时准确地检测火焰和烟雾目标,开展了多特征增强融合的视觉火灾探测网络模型的研究。在多尺度特征提取骨干网络的基础上,提出高层语义空间信息增强模块、多尺度特征深度融合模块、空间距离信息注意力模块、分类定位模块。这些模块分别聚焦烟雾和火焰的空间纹理、多尺度特征、视觉注意力以及小火焰和烟雾目标检测等问题。本文参与建构一个新的火焰和烟雾图像检测数据集,方便火灾检测模型的训练和测试。实验结果表明,本文方法取得的检测指标超过对比算法。