关键词： 人工智能   计算机视觉   深度学习   腐蚀图像检测与分析  

摘要： 金属结构和设备在使用过程中的腐蚀不仅会导致巨大经济损失,还可能引发环境污染和安全隐患。因此,采取快速的腐蚀检测与分析技术显得尤为重要。随着人工智能算法的不断进步,其在腐蚀图像检测与分析领域展现出巨大潜力。文章综述了人工智能,特别是计算机视觉技术和深度学习的发展,探讨了其如何改变传统检测技术的格局,并通过自动化、数据分析和特征提取等方法,有效解决腐蚀图像检测与分析的效率和准确性。最后,总结了人工智能在该领域中需要解决的一些关键问题,旨在探讨人工智能在腐蚀研究领域的应用潜力,为未来检测与评估技术的研究提供新视角,促进人工智能广泛应用。

关键词： YOLOv5m   FasterNet   轻量化   注意力机制   解耦头   EIoU  

摘要： 针对无人机航拍图像背景复杂、目标物较小且模型部署困难的问题,提出了面向航拍图像的轻量化目标检测算法。在YOLOv5m的主干网络中引入FasterNet轻量化模块替换C3模块,压缩模型参数量,提升模型的推理速度;在特征融合网络,采用改进的CBAM_L机制,专注于捕捉航拍图像中的小目标信息的同时提高了模型的目标识别精度;将检测网络中检测头替换成解耦头,解决航拍图像输出变量时分类和回归的冲突问题,并把网络中损失函数替换成EIoU,有效提升了模型回归精度。在公开数据集VisDrone上验证结果表明,改进后模型的平均精度均值(mAP@0.5)提高了0.014,参数量缩减到原模型的34.3%,计算量缩减到原模型的32.4%,检测速率达到77帧/s,表明该算法在检测准确性和速度上都取得出色的性能。

关键词： 无人机   目标检测   DS证据理论   信息融合  

摘要： 无人机因机动性高和战场适应能力强被广泛应用。然而仅依靠单类传感器的目标检测方法无法满足无人机在高速复杂运动场景下的目标检测要求。针对上述问题,提出一种融合可见光信息和红外信息的融合检测算法,主要包括基于深度学习的图像检测、数据关联和异类信息融合。整合数据关联融合算法并利用证据理论将关联结果进行决策级融合,完成候选目标识别与检测。通过公开数据集OTCBV的部分场景以及无人机航拍数据验证所提方法。实验结果表明,运用多源信息融合检测算法结合多种证据更新YOLO的检测精确率提高至0.9以上。

关键词： 模糊C均值   隶属度   样本贡献度   目标检测  

摘要： 文章的研究对象是模糊C均值(FCM)聚类算法,旨在提升FCM在处理复杂数据时的有效性。传统FCM假设一个样本对每个聚类的隶属度之和为1,称为样本贡献度。然而,在处理噪声点和孤立点时,聚类的有效性可能会下降。为此,文章提出了一种新型模糊聚类方法,通过放宽隶属度之和为1的条件,引入新的隶属度划分方式,即隶属度之和为样本总数n的创新定义。该方法根据样本与聚类中心的距离动态调整隶属度,并将隶属度划分为三个层次,以提升聚类的有效性。通过数学推导和实验验证,改进后的算法在处理复杂数据集时,准确率提高了6.41%,召回率提升了5.81%,显著提升了算法的性能。

关键词： 目标检测   注意力机制   知识蒸馏   异常行为识别  

摘要： 在实际监控的边缘设备中使用GAN或者3DCNN等网络很难实现实时的、相对准确的监控任务。提出一种基于知识蒸馏的考场异常行为识别算法。相对于以提取空间、时序特征并进行融合为主流思想的异常行为识别,利用视频帧进行目标检测和知识蒸馏的异常行为识别方法更加快速准确。算法借助知识蒸馏策略使用预训练的teacher网络监督student网络学习,进行正常行为的推理并检测异常行为。结果表明该算法达到了主流数据集的中上水平,并在考场环境具有良好的高效性与准确性。

关键词： 背景减法   图像处理   目标检测   背景更新   高斯模型  

摘要： 人体在高速运动过程中,由于运动模糊效应和拍摄设备的限制,导致捕获的图像质量下降,难以准确识别运动目标。针对上述问题,提出改进背景减法的人体高速运动模糊图像检测。首先,通过对图像进行3*3分块处理,有效减少了计算复杂度并提升了算法效率。然后,基于混合高斯函数进行分块图像的背景模型的重建,突出了运动目标背景。接着,引入学习效率因子实现背景模型的自适应更新,避免动态背景干扰。最后,通过帧间差分法精确去除背景,分离出运动目标前景,并利用梯度相似度理论去除前景图像中的细微噪声,进一步增强了运动模糊图像前景目标清晰度。实验结果表明,所提方法在人体高速运动模糊图像检测中具有较高的准确性和鲁棒性,为实际应用提供了有力支持。

关键词： 多模态融合   三维目标检测   柱体化编码   PointPillars  

摘要： 点云数据的稀疏性和无序性会导致相关检测算法在远小目标检测中容易出现漏检和误检的问题。因此,文章基于PointPillars算法提出了一种多模态融合的三维目标检测算法。该算法设计了一种多模态特征融合柱体化编码模块,能够融合点云特征和图像特征,从而增强特征的语义信息,提高远小目标的检测精度。在KITTI数据集上的实验结果显示,与基线模型相比,汽车、行人和骑行者类别的三维平均检测精度分别提高了3.28%、2.88%和1.62%。结果表明,所提出的基于PointPillars的多模态融合三维目标检测方法能够有效减少远小目标的误检和漏检。

关键词： 地方元素   数字图像处理   课程教学  

摘要： 分析数字图像处理课程教学中存在的问题,提出融入地方元素的数字图像处理课程教学思路,从教学目标制订、教学内容设计、课堂教学实施、课程考核几方面探讨如何在课程教学中融入地方元素,最后说明教学效果。

关键词： YOLOv8算法   藏式壁画   佛脸   目标检测   PyQt5图形界面框架  

摘要： 壁画和佛像常常位于难以到达或脆弱的环境中,其保护与研究工作至关重要。YOLO目标检测可以高效地记录这些艺术品的详细信息,生成数字化档案,以便于长期保存和研究。研究提出了一种基于YOLOv8目标检测网络模型的壁画佛像目标检测系统,旨在利用先进的计算机视觉技术,实现对壁画佛脸的快速、准确检测,同时结合了PyQt5图形界面框架具有检测图片文件、视频文件及检测结果统计等功能。

关键词： 线激光   图像处理   中心线提取   海森矩阵   感兴趣区域  

摘要： 提出一种基于海森矩阵的改进了Steger算法流程的线激光中心线提取方法。首先,采用高斯滤波、图像锐化等方法对图像进行预处理,去除噪声,加强灰度差别。其次,采用迭代式的全局阈值分割方法,将图像中的图像分割,得到图像中的感兴趣区域。最后,改进海森矩阵的计算原理,对Steger算法进行了优化,以求出亚像素点的位置,并采用非极大值抑制去除噪声点。计算结果表明,相较于传统的Steger算法,这一改进型算法能将中心线的提取速度提高4倍以上,而且能去除传统Steger算法上提取中心线会出现的冗余点,提取精度相比传统的灰度重心法和Steger算法分别提高了28%和19%。