关键词： PCB缺陷检测   膨胀挤压卷积   空间向通道集中卷积   细微特征增强   目标检测  

摘要： 为了解决现阶段的印刷电路板(Printed Circuit Board,PCB)缺陷检测方法没有同时关注缺陷的细节信息以及全局信息,跨像素卷积或池化的降采样操作更是造成了PCB表面缺陷全局信息与细节信息的丢失。虽然部分方法使用注意力进行层内信息的关注,但是对普通卷积提取特征后造成的权重偏差问题缺乏关注的问题。本文提出了PCB表面缺陷检测网络(PCB defect detection Network,PCBNet),该方法通过设计膨胀挤压卷积(Dilation and extrusion Convolution,DeConv)提取PCB表面缺陷全局信息与细节信息,使用空间向通道集中卷积(Spatial to Passage Directed Focused Con⁃volution,SPD-Conv)进行降采样以减少信息丢失,设计细微特征增强模块(Subtle Feature Enhancement Module,SFEM)调节PCB表面缺陷特征的层内关系以及减少权重偏差的同时增强算法对细微特征的感知能力。在现场采集的PCB表面焊接缺陷数据集以及PCB Defect-Augmented数据集上与多种先进方法进行的对比的实验结果表明,PCBNet不仅在PCB表面焊接缺陷数据集上能够以每秒83帧的速度进行准确识别,还在PCB Defect-Augmented数据集上取得了COCO数据集评价指标mAP0.5的最佳精度。表明本文的方法拥有可部署在嵌入式设备上运行的潜力。

关键词： 目标检测   SIFT算法   特征描述符   KPCA降维  

摘要： 针对基于SIFT算法的图像识别中存在着识别准确度不高,匹配速度慢问题。提出了一种快速获取特征点和匹配特征点方法。首先基于图像边缘的特征点获取方法,对图像边缘进行扩展,只在扩展区域内判断特征点。然后在特征点描述符中增加特征点周围16个子区域归一化后的灰度差分值信息,增强特征点描述能力。通过KPCA降维方法对描述符降维,最后在特征点匹配阶段使用余弦相似度预处理噪声特征点,加快匹配速度。在实际测试中,相对于SIFT算法图像识别率提升了8%左右,识别速度提高了50%左右。

关键词： 无人机   目标检测   可变形卷积   YOLOv8s   注意力机制  

摘要： 针对目前无人机航拍图像目标尺寸较小,图像背景复杂,导致现有的无人机目标检测算法检测精度较低的问题,提出一种改进YOLOv8s的无人机目标检测算法。首先使用可变形卷积替换标准卷积,以增强网络对不规则形状目标的特征提取能力;然后使用可分离大核注意力机制(LSKA)改进快速空间金字塔池化(SPPF)模块,改善因目标尺度差异较大导致检测精度较低的问题。在网络颈部结合双向特征金字塔网络(Bi-FPN)实现多尺度特征融合,改善网络对小目标的漏检和错检问题。在网络头部,使用自注意力机制动态检测头(DyHead)替换原检测头,增强对遮挡物体和小目标的检测能力。最后,针对数据集中存在大量低质量样本对训练过程产生负面影响的问题,使用Wise-IOU损失函数,提升模型收敛速度和检测精度。实验结果表明,改进后的方法在VisDrone2019数据集上获得了41.7%的平均精度均值(mAP),与原YOLOv8s算法相比,mAP@0.5提升了3.0%,mAP@0.5∶0.95提升了1.9%,参数量下降了17.5%,计算量下降了12.63%。实现了模型轻量化和检测精度双重提升。

关键词： 多模态识别网络   毫米波雷达   目标检测   YOLOv5s   微光场景  

摘要： 近些年来,在目标检测以及图像分割等领域涌现了许多先进的算法。在能见度较差的微光场景下如夜晚、大雾天气等场景中,视频图像具有像素声高、对比度低、无彩色信息等特点,算法的检测性能受到明显限制。与目前主流的RGB相机相比,毫米波雷达对上述复杂环境具有一定的免疫能力,可以在不利条件下辅助RGB相机进行目标检测工作。以单阶段目标检测器中实时性较高的YOLOv5s为基础,结合毫米波雷达的特性,提出了用于微光环境下目标检测的多模态识别网络。与现有的传感器融合方法相比,多模态识别网络有几个关键优势。系统以基于学习的方式融合了2种模态,只需要少量新场景的标记图像和雷达数据,因为其可以充分利用已经开源的大型图像数据集进行大批量的训练。这一突出特性使新系统能够适应高度复杂的现实环境。由于使用了高度计算效率的融合方法,系统是非常轻量级的,因此适用于各个复杂场景下的实时应用。为了评估系统的性能,制作了一个小批量的雷达和摄像机融合数据集,包含普通光照和不同强度微光光照条件下的多模态数据。实验结果表明,微光场景下多模态识别网络的平均精度达到76.6%,相比Faster R-CNN算法和YOLOv7算法,全类平均精度(mean Average Precision,mAP)提高了16.8%和9.3%,且误检、漏检率低,达到了在微光环境下完成目标检测任务的要求。

关键词： 发作性睡病   猝倒   人工智能   图像处理   横断面研究  

摘要： 目的应用深度学习图像识别网络ResNet-18,基于临床拍摄视频,建立猝倒面容预测模型。方法本研究为横断面研究,收集2020至2023年在南昌大学第二附属医院首诊未经治疗的1型发作性睡病患者25例及健康对照25名,采集的图像预处理后,共获得1180张图片,其中583张猝倒面容,597张正常面容。从中抽取90%作为训练集与验证集,随后数据扩增5倍,扩充后的数据集抽取80%作为训练集,20%作为验证集,即训练集数量为(583+597)×0.9×0.8×5=4248,验证集数量为(583+597)×0.9×0.2×5=1062,训练集与验证集用于训练参数建立模型,并通过五折交叉验证法进行训练,构建采用迁移学习方式的ResNet-18猝倒面容识别模型。原未扩增前图像抽取10%(118张)作为测试集,测试集数据不参与数据增强和模型训练,仅用于测试模型最终效果。最后将ResNet-18与VGG-16、ResNet-34和Inception V3深度学习模型进行比较,用受试者工作特征曲线评估ResNet-18图像识别网络在猝倒面容识别中的价值。结果25例1型发作性睡病患者中,男15例,女10例,年龄[M(Q_(1),Q_(3))]为14.0(11.0,20.5)岁;25名健康对照者中,男14名,女11名,年龄16.0(14.4,23.0)岁。ResNet-18图像识别网络在测试集中的总体准确率为90.9%,灵敏度为96.4%,特异度为85.2%,受试者工作特征曲线下面积为0.99(95%CI:0.96~1.00)。ResNet-18模型参数量为11.69 M,浮点运算量为1824.03 M,单张图片识别时间为5.9 ms。结论基于深度学习图像识别网络ResNet-18构建的猝倒面容预测模型在猝倒面容的识别上有较高的准确率。

关键词： 多传感器融合   目标跟踪   特征编码器网络   二维卷积网络  

摘要： 针对自动驾驶车辆自动跟踪人员及车辆行驶过程中的目标检测和跟踪问题,提出基于多传感器融合的目标信息检测及信息融合处理方案。利用车辆内置的三种类型的传感器,相互弥补不同工况下识别性能不足的同时,通过二维卷积网络等方法识别不同传感器获取的信息,采用关联方法将不同传感器信息进行融合识别,确保在不同工况下均可识别目标物。通过提出的多传感器融合方法,车辆在结构化道路以及越野道路工况下,可以通过不同传感器的优势互补,实现不同目标的检测和跟踪功能。

关键词： 目标检测   鱼眼图像   多头注意力   可变形卷积   YOLO算法  

摘要： 鱼眼相机捕获的图像具有宽视场、几何失真和尺度差异大等特点,这给基于标准卷积网络的目标检测器带来了巨大的挑战。现有的目标检测算法可以在网络结构设计、特征学习等方面进一步改进以适用于鱼眼图像上的失真目标检测任务。为减轻鱼眼图像上径向畸变的影响,研究在YOLOv7主干引入多分支堆叠结构的多头注意力模块以捕获全局上下文信息,提高检测准确性。同时,在YOLOv7的Neck侧,使用简单高效的融合可变形卷积的层聚合结构以实现有效的多尺度特征融合,提高模型对失真目标的特征提取能力。提出的检测模型直接在鱼眼图像上执行,无须指定先验信息和校准。在公开的综合鱼眼图像数据集VOC_360上进行实验,结果表明,改进后的YOLOv7鱼眼图像目标检测器有效地提高了检测精度,mAP50、mAP50:95分别达到84.3%、70.4%,相比基准模型YOLOv7分别提升3.1个百分点、6.4个百分点。

关键词： YOLOv5   遥感图像   小目标检测   CA注意力机制   BiFPN  

摘要： 遥感图像中小目标占图像的比例极小,准确识别这些目标具有很大的挑战性。针对遥感图像领域小目标检测困难的问题,提出一种改进YOLOv5遥感图像小目标算法。首先,使用改进后的Mosaic-9对数据集进行了预处理,以此解决遥感图像小目标研究数据稀缺的问题。其次,在主干网络中添加CA注意机制模块增加对细节信息的感知力,提升对小目标的检测能力。最后,在特征融合网络引入高效的双向跨尺度连接加权特征融合BiFPN,解决目标特征较少且易丢失的问题。实验结果表明,改进的网络模型对遥感图像小目标检测平均精度(mAP)达到90.3%,优于常规目标检测模型,适合遥感场景下的小目标检测。

关键词： 毫米波雷达   激光雷达   目标检测   融合   对抗学习  

摘要： 自动驾驶的感知系统在目标遮挡、目标拥挤、远距离目标探测等困难场景下检测性能与可靠性有待提升。为此,提出基于Radar和Lidar数据的深度融合网络模型及对抗训练方法。首先,基于Radar回波缺乏高度和含有较大噪声的特点,设计基于鸟瞰图的联合体素划分和点云增强方法,通过空间和通道注意力的计算建立不同模态特征之间的深度信息融合结构,提升单帧目标检测性能;然后,提出基于对抗学习的多模态数据融合学习算法,提高对两种数据优势特征的利用效率。实验结果表明,所提方法在实际大型驾驶场景数据集nuScenes上达到了领先水平。

关键词： 网页设计   动画效果   计算机图像处理技术   用户体验   互联网   实践分析   视觉效果   缩放  

摘要： 计算机图像处理技术在网页设计中的实践分析是一项重要的研究课题。随着互联网的普及,网页设计已经成为了一个重要的领域。计算机图像处理技术可以帮助设计师更好地处理网页中的图片和视频,提高网页的视觉效果和用户体验。例如,通过使用图像处理技术,设计师可以对图片进行裁剪、缩放、旋转等操作,以满足不同的设计需求。此外,计算机图像处理技术还可以用于网页中的动画效果制作,为网页增添更多的动感和趣味性。