关键词： 风景园林   环境行为   行为性能   数据可视化分析   计算机视觉   儿童游憩场所  

摘要： 【目的】针对儿童人群的行为量化分析是城市公共空间研究的新需求。构建基于定向视觉追踪的多主体行为计算分析方法,可以弥补常规方法难以甄别不同人群类型的问题,揭示儿童、家长与空间的协同交互规律,支撑面向具体人群行为规律的空间优化设计。【方法】以公共空间多主体行为交互规律为研究对象,采用“技术研究—方法构建—实例论证”的研究路径,构建定向目标行人追踪的技术框架,探究针对不同人群交互规律的计算分析与可视化方法,以儿童游憩公共空间为例,验证多主体行为计算分析方法。【结果】通过对中心放射型和线性带状两类儿童游憩空间的比较分析,揭示出多主体行为计算方法的3个关键应用效果:基于人体比例特征的追踪技术可以在公共空间尺度实现目标儿童人群的识别;基于聚集程度、静态使用率、动态使用率的计算分析可以系统解析成人与儿童的交互关系;基于可视化热力图的交叉比较分析可以揭示空间特征对多主体交互行为的干预原理。【结论】多主体行为计算分析方法可为多种人群交互的空间行为研究提供支撑,应用于复杂人群场景的公共空间使用后评估和优化设计。

关键词： 小目标检测   YOLOv7   知识蒸馏   多尺度特征融合  

摘要： 针对小目标检测领域中的尺度变化、复杂背景干扰、漏检和误检等挑战性问题,提出了改进YOLOv7的小目标检测方法。在YOLOv7目标检测框架的基础上,加入了新的自适应特征收集再分配模块(adaptive feature collection and redistribution,AFCR)。该模块能够实现对多尺度特征的有效融合,从而增强模型对小目标的检测能力,并丰富输出特征的上下文信息。进一步地,运用特征蒸馏技术,使得学生模型能够从教师模型中学习关键特征表示,避免跨阶段的语义差异带来的负面影响,从而显著提升模型的泛化性和鲁棒性。在CCTSDB、FloW-Img和TinyPerson三个公开小目标检测数据集上的实验结果表明,提出的方法分别实现了96.4%、84.9%和33.0%的检测准确率,相较于原始YOLOv7方法,mAP@0.5分别提升了6.5、3.9和2.9个百分点。

关键词： 人工智能(AI)   工地管控   目标检测   行为分析  

摘要： 随着建筑行业的数字化转型,人工智能(artificial intelligence,AI)技术在工地管控中的应用逐渐成为提升施工效率与安全管理水平的重要手段。本文围绕工地管控需求,结合目标检测、行为分析、数据处理等人工智能核心技术,构建基于AI的工地管控系统架构,探讨其在安全管理、人员与设备管理、环境与进度管理等方面的多元化应用。并通过实际工程案例分析,验证AI技术在工地管控中的应用可行性,并评估其对施工安全、管理效率及工程质量的提升作用,总结适合工地现场环境的应用场景,促进人工智能在工地管控中的应用,提升工地现场管控水平,为建筑行业的数字化转型赋能。

关键词： 红外目标检测   小样本   类边界均衡   二阶池化注意力   协方差  

摘要： 针对红外目标检测存在复杂背景干扰下已有的小样本目标检测模型无法充分挖掘支持信息,导致检测性能下降的问题,提出了融合二阶池化注意力的类边界均衡小样本目标检测算法。类边界均衡算法通过类边界对抗最小-最大正则化来实现新类之间边界平衡,解决了小样本目标检测任务中由于基类和新类特征原型分布混乱造成的检测性能下降的问题。但是由于复杂背景干扰,类边界均衡算法直接用于红外目标检测无法充分利用支持集图像的有效信息。提出二阶池化注意力机制来抑制背景干扰,增强对支持图像有效信息的学习,进而加强利用支持信息对查询信息调节的功能。该机制沿通道维度计算输入特征图各个通道之间的协方差,来获取各个通道之间的统计依赖性,进而捕获重要通道的高阶特征信息。同时沿通道维度计算输入特征图各个通道的标准差,并将两个通道的协方差除以两个通道的标准差以减弱噪声对协方差估计的影响,增强协方差计算的准确性。在类边界均衡算法权重模块中融入二阶池化注意力机制,来引导检测算法将特征学习聚焦在目标及其邻域,并抑制复杂背景的干扰。实验结果表明,相对于经典算法,提出的小样本目标检测算法在10-shot任务上获得了最佳性能,在自制的红外目标数据集的新类别上的mAP达到了56.4%。

关键词： 多光谱成像技术   成像光谱仪   目标检测算法   多光谱目标检测算法   数据集   特征融合  

摘要： 相较于单一波段目标检测技术,多光谱目标检测技术通过捕获物体在多个不同波长的光谱波段下的反射或辐射信息,极大地提高目标检测的准确性和应对复杂环境的鲁棒性。在遥感、农业检测、环境保护、工业生产以及国防安全等领域有着广泛的应用。然而,目前多光谱目标检测领域仍面临着严峻挑战:多样化的高质量数据集以及高效目标检测算法的缺乏,严重制约了该技术的进一步发展和应用。鉴于此,综合阐释了多光谱目标检测数据集的制作方法以及多光谱目标检测算法的重要进展。首先,系统分析了多光谱数据集的构建过程,包括数据采集,预处理和数据标注。其次,全面分析了目标检测算法发展的历史脉络,这些算法涵盖了基于传统特征提取技术的目标检测算法、深度学习方法以及其改进版本。此外,着重强调了算法开发者为提升多光谱目标检测性能在特征融合、模型架构和子网络方面所作的关键改进。最后,探讨了多光谱目标检测技术未来的发展方向,期望为研究人员指明潜在的研究热点和应用领域,促成多光谱目标检测技术在实际场景中更广泛的应用,提升其社会价值。

关键词： AICG技术   计算机视觉系统   图像生成方法   数据增强技术   数据测试  

摘要： 传统计算机视觉系统在图像生成过程中,往往面临噪声干扰问题以及组织结构与颜色相似性带来的挑战,这些问题严重影响了图像分割的准确性。因此,本文提出了基于人工智能内容自动生成(augmented image content graph,AICG)技术的计算机视觉系统图像生成方法,旨在提升计算机视觉系统在图像生成领域的性能和应用价值。首先,详细概述计算机视觉系统图像生成技术,包括系统组成和传统图像生成方法。其次,分析数据集构建与预处理,阐述数据增强技术。再次,提出基于AICG技术的图像生成方法,建立AICG技术框架。最后,通过实验数据结果分析验证该方法的可行性和有效性。结果表明:该方法生成的图像具有更高的质量,能够为计算机视觉系统提供丰富的图像数据,这些高质量的图像数据有助于系统更准确地完成目标识别任务,从而提升系统的整体性能。

关键词： 卷积神经网络(CNN)   图像处理   图像分类   知识蒸馏  

摘要： 卷积神经网络(convolutional neural networks,CNN)作为一种高效的深度学习模型,在图像分类领域具有广泛的应用,然而,其计算复杂度和参数规模限制了在资源受限环境中的部署效率。针对这一问题,本研究重点探索通过知识蒸馏技术优化CNN的图像分类算法。通过分析该模型的数学原理,阐述其特征提取与分类能力,并结合知识蒸馏的基本原理对算法进行优化。实验以加拿大高级研究所(Canadian institute for Advanced Research 10,CIFAR-10)数据集为基础,测试优化后的学生模型与教师模型及未优化模型的性能差异。结果表明:优化后的学生模型在准确率、精确率和召回率等指标上均有显著提升,验证了该方法的有效性和实用性。

关键词： 检测系统   特征识别   图像处理   稻粒  

摘要： 通过视觉识别图像处理技术对稻谷谷粒进行处理,利用OTSU自适应阈值对稻谷图像进行二值化处理,采用中值滤波对图像进行降噪处理、图像分割和连通区域标记,基于几何形状特征阈值检测算法识别不同种类稻谷的长度、宽度、周长和面积像素值,提出一种综合的阈值通用旋转法,可实现不同谷粒的分类。根据获取谷粒图像样品和采集谷粒数目特征,基于形态学处理和分水岭变换分割算法对谷粒进行数目识别提取,最后根据检测的数目和整碎谷粒特征统计汇总稻谷谷粒的相关参数信息,将谷粒识别结果和相关数据信息保存在数据库中,便于进一步分析。研究结果表明:利用MatLab软件中GUI界面开发的稻谷检测系统对谷粒数目有较好的识别力,精确度达98.327%,对于整碎谷粒的识别误差在可控范围,满足要求与传统人工检测相比,具有检测快速、多样化等优点。

关键词： 深度学习   铁路巡检   无人机   目标检测  

摘要： 无人机在铁路巡检领域的应用日益广泛,铁路无人机巡检算法的研究已取得丰硕成果,但尚缺乏相关系统性综述。从铁路巡检的核心应用场景出发,系统探讨了无人机在轨道、桥梁、隧道及水害检测等方面的典型应用算法,整理了铁路巡检相关数据集,总结了面临的主要挑战,并提出了优化策略与解决方案,以期为该领域的研究人员提供有价值的参考。

关键词： 汽油管道泄露   高光谱图像   目标检测   深度学习   Unet网络  

摘要： 针对当前汽油管道泄漏检测效率低、无法精准分割泄露区域边缘的局限性,提出一种基于高光谱图像与深度学习结合的汽油管道泄漏检测方法。首先进行两种型号汽油在土壤、水背景下的特征光谱波段提取;利用连续投影算法实现汽油高光谱图像数据降维;将汽油反射率作为输入,均方根误差为回归参数获得汽油反射峰附近的18个特征波段;采用图像旋转角度、横向或纵向翻转、在图像中注入随机噪声等方式实现数据集样本扩充。其次对Unet高光谱图像语义分割模型进行改进,将Unet网络编码器部分替换成密集连接模块加强各层级间的信息交流,减轻计算量提高模型检测速度;引入通道注意力机制模块,使模型对汽油图像空间和光谱层面两特征信息同时关注,提高模型检测精度;引入失活层的概念,通过暂时关闭网络中的一部分神经元降低网络的复杂性,同时在训练过程中设置适当的时间点实施早停策略从而防止过拟合。最后进行了消融实验和对比实验。消融实验结果验证了密集连接模块和通道注意力机制模块对提高网络分割精度和召回率的有效性;在自建数据集上的定量对比实验结果表明,模型对滴落汽油的分割精度为90.34%,平均每张图片检测时间为0.23 s,与Unet、PSE-Unet和HLCA-Unet模型相比,平均准确率分别增加了14.39%、8.01%和2.73%,召回率分别增加了8.95%、8.02%和6.55%,测试时间与Unet、PSE-Unet模型相比分别减少了10.83%和16.97%,检测优越性定性体现在泄露油滴与背景交会的轮廓更符合原图,本模型可以获得更加准确的汽油特征信息,为汽油管道泄漏检测提供了新的技术方案。此外,在公开的Pavia University遥感数据集上与当前Unet、PSE-Unet、HLCA-Unet模型检测进行对比,模型仍表现出更好的分割效果,体现出较强的普适性和泛化能力,可用于多种类型的高光谱图像语义分割。