关键词： 伪装目标检测   上下文信息   交叉细化   边缘感知  

摘要： 基于边缘感知的模型是伪装目标检测的主流方法之一,其核心是在早期阶段输出边缘预测,能更好地定位和分割伪装目标。而在伪装目标数据集中,由于伪装目标与背景环境有很高的视觉相似性,对早期的边缘预测质量要求很高,错误的前景预测会导致分割不完整,甚至缺失目标,进而造成伪装目标分割效果不佳。为了解决这一问题,提出了一种边缘-分割交叉引导网络ECGNet。利用ConvNeXt模型作为骨干网络,通过1×1卷积对特征通道进行统一处理,在多尺度上提取全局上下文信息。设计了一个分割诱导边缘融合模块和一个边缘感知引导完整性聚合模块交叉融合,关注伪装目标的整体结构,不断细化分割特征和边缘特征。通过引导残差通道注意模块利用这些连接和卷积更好地提取低层特征中的结构细节。在CAMO、COD10K以及NC4K数据集上的实验结果表明,ECGNet性能优于其他22个具有代表性的模型,比HitNet在S_(α)、E_(ϕ)、F^(ω)_(β)和M方面的性能平均提升了0.019、0.019、0.018和0.009。

关键词： 显著性目标检测(SOD)   光学遥感图像(ORSI)   注意力机制   边缘增强   语义信息  

摘要： 针对光学遥感图像多尺度目标和复杂背景导致显著性目标检测效果不佳的问题,提出一种基于金字塔视觉Transformer的ADNet模型。首先,引入随机加权空间注意力模块,提高ADNet对目标区域的关注度,减少背景干扰。其次,设计了一个动态语义融合模块,可以实时理解和融合图像中的语义信息,帮助ADNet更精准地进行图像分割。然后,还设计了一个自适应边缘增强模块,用于提取和增强边缘信息,确保边缘分割更加精准。最后,通过显著性特征解码器对这3个核心模块的结果进行融合,生成最终显著性图。在公共数据集EORSSD和自制数据集FORSSD上均表现出较好的结果。其中,在FORSSD数据集上表现效果最好:F-measure、E-measure、S-measure和MAE指标达到了0.9180、0.9834、0.9316和0.0065。通过金字塔视觉Transformer和这3个模块的协同工作,有效应对了光学遥感图像中多尺度目标和复杂背景的问题,提高了光学遥感图像显著性目标的检测效果。

关键词： 目标检测   变电站   人工智能   YOLOv10-s  

摘要： 变电站作为电力系统的核心枢纽,其安全管控至关重要。针对现有变电站安全意识薄弱、外来施工人员管控困难等问题,本文提出基于YOLOv10-s的智能门禁系统。该系统通过优化调整YOLOv10-s算法,引入BiFPN特征融合网络,显著提升了对安全帽、工作服及人脸的检测精度和速度。系统设计包括YOLOv10-s检测网络、人脸识别网络和基于树莓派4B的硬件部署,实现了与后端数据库的高效交互。实验结果表明,改进后的检测模型在mAP达到了88.94%,FPS提升至56.63张/s,人脸识别模型准确度高达94.98%,FPS提升至65.77张/s,有效强化了变电站的安全管理能力。

关键词： 无人机航拍图像   小目标   YOLOv8   目标检测   可变形卷积   注意力机制  

摘要： 针对现有无人机航拍图像目标检测算法检测精度较低、检测小尺度车辆误差较大等问题,提出一种改进YOLOv8的无人机车辆检测算法Improve⁃YOLOv8。首先,在骨干网络中的C2f卷积层引入可变形卷积模块DCNv2,提高骨干网络适应不规则空间结构的能力,增强模型对遮挡重叠小目标的检测能力;其次,借鉴Large Separable Kernel Attention的思想,提出具有长程依赖性与自适应能力的SPPF⁃LSKA模块,有效减少背景对航拍图像检测的干扰;然后,通过引入DyHead检测头,融合尺度、空间和任务三种注意力机制提升模型检测性能;最后,使用WIoUv3作为边界框回归损失,采用明智的梯度分配策略提高模型的定位能力。实验结果表明,在Mapsai数据集上Improve⁃YOLOv8相较于基准模型,在准确率、召回率、平均精度上分别提升了5.1%、6.1%和5.1%,表现出良好的检测性能,具有实际应用潜力。

关键词： 多色印刷   OpenCV   图像处理   套印精度  

摘要： 为实现多色套准的数据化测量,提升套准调节的客观性,本研究提出了基于OpenCV图像处理的多色印刷品套准检测算法。首先,使用OpenCV算法对印刷品上的套准测量标记图像进行校正处理和圆心标定;其次,确定采集图像与印刷品实际尺寸的相互关系,完成单位像素尺寸的计算;最后,通过计算采集图像各色圆心坐标与标准圆心位置的水平、垂直像素偏差得到印刷品套准偏差值。在胶印机上,打印四色印品进行套准偏差值检测,根据检测值直接对四色套准进行调整并进行二次检测,其单色偏差在±0.02mm,证明了该算法的有效性。

关键词： 地震数据   随机噪声   去噪   生成对抗网络   CycleGAN   图像处理   卷积神经网络   深度学习  

摘要： 针对实际地震数据被大量随机噪声干扰而难以获得配对的无噪数据问题,文中提出一种基于CycleGAN(Cycle Generative Adversarial Network)的地震数据随机噪声压制方法来获得高质量的地震数据。将残差网络引入循环生成对抗网络的生成网络中,通过跳跃连接形式加快网络的训练速度,并扩充残差块中的卷积层,增强残差块结构来更好地获取样本特征。对合成数据和实际数据分别进行实验,利用SNR(Signal to Noise Ratio)和MSE(Mean Square Error)等评价指标验证其去噪效果,并将结果与CNN(Convolutional Neural Network)去噪方法进行对比。结果表明,相较于CNN,所提方法的SNR、MSE和PSNR(Peak Signal-to-Noise Ratio)在合成数据实验中分别提升了0.59 dB、23.72、2.81 dB,在实际数据实验中分别提升了4.63 dB、1.13、0.77 dB,训练时间缩短约58%。

关键词： 现场可编程门阵列(FPGA)   视频数字识别   图像处理   Verilog HDL   视频图形阵列(VGA)  

摘要： 构建了一种基于现场可编程门阵列(field programmable gate array,FPGA)和CMOS图像传感器OV7725的视频数字识别系统.该系统包括人工光感受器、数字电位器阵列相关电路和视频图形阵列(video graphic array, VGA)显示器.由FPGA和CMOS图像传感器OV7725组成的人工光感受器将视频数字输入并进行图像处理,利用数字电位器阵列相关电路进行数字的训练与识别,可通过VGA显示器和FPGA上的数码管进行数字显示.系统采用QuartusⅡ18.1软件平台,通过Verilog HDL语言进行程序编写并进行时序分析验证.该系统能识别0到9的视频数字,取得了良好的效果,从而实现了基于FPGA的视频数字识别系统.

关键词： 目标检测   无人机海上救援   多尺度   渐进融合   轻量化模型  

摘要： 无人机(Unmanned aerial vehicle,UAV)目标检测在海上救援任务中发挥着重要作用。然而,由于无人机空中拍摄的视角和高度多变,检测目标存在多尺度变化。此外,阳光照射海面产生的耀斑会造成误检现象。基于上述问题,为满足无人机实时目标检测的算法轻量化需求,本文以YOLOv8n为基准网络,提出一种基于动态渐进融合的轻量级无人机海上救援目标检测算法(Dynamic progressive fusion YOLO,DPF⁃YOLO)。首先,提出轻量级冗余信息提取模块(Redundant information extraction module,RIEM),通过减少特征图中的冗余信息,突出关键特征,避免耀斑误检问题。其次,提出动态多尺度特征提取模块(Dynamic multi⁃scale feature extraction module,DMFEM),通过动态调整感受野大小以适应不同尺度的目标,增强多尺度特征表达能力。最后,结合DMFEM模块提出动态渐进融合网络(Dynamic progressive fusion network,DPFNet),通过渐进式融合结构,减少非相邻层间不同尺度目标的语义差异,增强多尺度特征融合效果。DPF⁃YOLO设计为P2、P3和P4检测层结构以适应海上救援任务中不同尺度的目标,丰富多尺度信息,增强对小目标的特征提取。在SeaDronesSee v2数据集上的实验结果表明,DPF⁃YOLO以仅1.19M的参数量实现了mAP0.5=72.2%的检测精度,较基准网络YOLOv8n参数量降低60.5%,召回率提升12.4%,精度提升8.2%。在VisDrone数据集上的泛化性实验结果表明,DPF⁃YOLO具有较好的泛化能力。

关键词： 新文科   视觉传达设计   专业基础课程   教学策略  

摘要： 新文科背景下,随着艺术教育的不断发展,视觉传达设计专业基础课程教学面临着新的挑战和机遇。文章以图形图像处理(PS+Ai)这门专业基础课程为例,通过分析新文科背景下艺术教育发展趋势以及视觉传达设计专业基础课程教学的现状,阐述该课程在专业基础课程教学中的应用方法和教学痛点,并从教师授课和学生学习两个角度提出相应的教学策略,包括课程内容、教学方法、教学资源等方面的创新。