关键词： 高职院校   Photoshop   图像处理   课程思政  

摘要： 文章通过分析高职院校传统Photoshop图像处理课程教学状况,分析了在该课程中融入思政的必要性,阐述了Photoshop图像处理课程思政建设的改革思路和教学实践案例。此外,通过构建多元化的课程考核评价体系,确保评价结果的客观性和全面性,为课程思政的持续改进提供了有力支持。

关键词： 目标检测   YOLOv8   注意力机制   鱼眼图像  

摘要： 针对现有目标检测算法在鱼眼图像下行人检测中存在定位不准确、检测精度不足等问题,提出了一种面向鱼眼图像检测的YOLOv8改进算法。该方法通过加入角度参数,设计了ProbIoU-r算法,利用缩放因子调整角度差异对损失的影响,增强模型在梯度计算中对边界框角度偏移的关注,解决了原始IoU在旋转目标检测定位不精确、边界框拟合效果差等问题,使YOLOv8网络模型具有更好感知旋转目标的能力。为提高模型对鱼眼图像失真目标的特征提取能力同时提升检测精度,提出以多尺度卷积和注意力机制为分支的Parnet-gcs模块,通过不同卷积核的DWConv提取不同尺度的特征信息,并结合CA和SA模块以增强模型特征表达能力。实验采用公开的鱼眼图像数据集WEPDTOF,改进后算法相比原始YOLOv8s检测精度mAP0.50:0.95增加了2.3个百分点;相比YOLOv8m算法参数量减少了38.8%,同时精度mAP0.50:0.95也高出0.5个百分点,说明基于YOLOv8s改进后的算法能够更好适用于鱼眼图像下行人检测任务。

关键词： 智能交通   抛洒风险检测   目标检测   车辆检测   跨层特征融合  

摘要： 面对货运车辆抛洒风险检测的难题,针对现有方法存在的抛洒风险关键特征提取能力不足、特征跨层融合不充分的问题,提出面向货运车辆的抛洒风险检测方法(SRVDNet).骨干网络引入大核可选择性感受野机制,增强网络对货运车辆抛洒风险特征的学习能力.颈部网络引入聚集-分发特征融合机制,实现特征跨层融合,为检测头提供丰富的车厢类型、篷布边缘细节纹理、货物轮廓形状等信息.采用真实的高速公路货运车辆数据集,验证所提方法的效果.实验结果表明,SRVDNet表现出更优的性能,检测精度达到81.5%,与YOLOv5、 YOLOv6、YOLOv8、RT-DETR、PP-YOLOE、YOLOv9等车辆检测SOTA方法相比,mAP@0.5分别提升了3.70%、3.09%、2.86%、1.37%、1.41%、2.00%,且模型参数量相对较小,检测速度较高,有效提升了在货物装载不规则、少量货物和满载货物等场景下的抛洒风险识别能力,有助于抛洒物的源头治理,增强高速公路安全风险的识别预警能力.

关键词： 对抗攻击   对抗防御   深度学习   计算机视觉   可信人工智能  

摘要： 深度学习技术已广泛应用于图像分类和目标检测等计算机视觉核心任务,并取得了瞩目的进展。然而,深度学习模型因其高度的复杂性与内在的不确定性,极易成为对抗样本攻击的靶标。攻击者巧妙地利用数据中细微的、精心设计的扰动,诱导模型以极高的置信度输出错误结果,此类对抗样本对实际应用场景中模型的可靠性及安全性构成了严峻的挑战与潜在威胁。例如,攻击者可利用对抗眼镜误导人脸识别系统,导致身份误判,进而实施非法入侵、身份冒用等威胁公共安全和个人隐私的行为;也可对自动驾驶系统的监控数据添加对抗噪声,虽不破坏交通工具本身特征,却可能导致漏检重要交通工具,引发交通混乱甚至事故,造成严重后果。本文旨在梳理当前对抗攻击与对抗防御技术的研究现状。具体而言,内容涵盖以下三个方面:1)在概述对抗样本基本概念和分类的基础上,剖析了多种对抗攻击的形式和策略,并举例介绍了具有代表性的经典对抗样本生成方法;2)阐述对抗样本的防御方法,从模型优化、数据优化和附加网络三个方向系统梳理了当前提高模型对抗鲁棒性的各类算法,分析了各类防御方法的创新性和有效性;3)介绍对抗攻击和对抗防御的应用实例,阐述了大模型时代对抗攻击和防御的发展现状,分析了在实际应用中遇到的挑战及解决方案。最后本文对当前对抗攻击与防御方法进行了总结分析,并展望了该领域内未来的研究方向。

关键词： 自监督对比学习   计算机视觉   堆叠胶合板计数   数据增强技术   损失函数优化  

摘要： 自动化胶合板计数是工业生产中的一大难题,传统基于人工计数和物理计数的方法耗时且低效。然而,堆叠胶合板图像又存在着边缘不均匀、厚度不规律等干扰因素,现有的深度学习算法提取到的特征代表性不强,导致计数结果不准确。针对上述问题,提出一种用于堆叠胶合板计数的自监督学习框架——CountNet。CountNet针对计数问题优化了损失函数的使用方式,该损失函数利用对比学习的方法,可以进一步放大正负样本间的差异,使网络能提取到更具代表性的视觉特征。最后将该特征投入下游任务中,完成计数。实验结果表明,该方法在准确率、损失下降等方面均优于其他常见的计数模型,证明了其在计数能力上的优越性。

关键词： 无人机   航拍图像   输电线路   状态监测   图像处理   多态分层评估  

摘要： 针对现有高压输电线路监测方法获得结果mAP值低的问题,应用无人机航测技术,设计一种数字化高压输电线路运行状态实时监测方法。先依托于云端控制协同平台规划巡航路径,利用无人机携带的紫外相机获取高压输电线路航测图像。然后基于中值滤波与形态学腐蚀处理算法完成航测图像的预处理,再以处理后的线路航测图像为基础,识别出图像内包含的输电线路,并通过8邻域窗口计算模式判断区域线路运行状态。最后结合多态分层评估理念,生成高压输电线路运行状态实时监测结果。实验结果表明:所提监测方法的mAP值保持在97.5%左右,并未出现较大起伏。

关键词： 计算机视觉   目标跟踪   Transformer   知识蒸馏   同方差不确定性  

摘要： 针对复杂深度模型在运算资源受限条件下难以实现高精度、高帧率跟踪的问题,本文提出了一种基于知识蒸馏的Transformer视觉跟踪器。该视觉跟踪器通过引入图像动态校正模块,将当前帧搜索图像与基于光流的预测图像进行动态融合,能有效应对目标快速移动、运动模糊等挑战。为了降低模型复杂度,本文采用知识蒸馏学习策略对模型进行压缩,并将同方差不确定性融入损失函数中,通过学习可得到不同子任务的损失权重,从而避免手动调参的繁琐与困难。同时,在训练过程中,采用随机模糊策略以增强模型的鲁棒性。本文提出了两种不同复杂度的跟踪框架:KTransT-T和KTransT,并在五个公开数据集上与12种算法进行了对比实验。实验结果表明:KTransT-T算法有效提高了跟踪精度和成功率,KTransT则在保证较低模型复杂度的同时,达到了与主流算法相当的跟踪精度,其跟踪速度可达158 frame/s,满足实时跟踪的需求。

关键词： 柑橘采摘   机器视觉   空间定位   轮廓重建   遮挡果实   图像处理  

摘要： 针对果园环境中柑橘果实相互重叠和被枝叶遮挡,导致机器视觉识别柑橘果实与定位目标柑橘空间位置难度较大的问题,提出了一种基于YOLOv8-SAM的改进算法。通过增加BAM(Bottlenet Attention Module)注意力机制提高模型对被遮挡柑橘的识别准确率,运用SAM(Segment Anything Model)算法对被遮挡柑橘轮廓形状进行识别,并运用边缘检测法结合双目立体相机三维稠密深度点云得到被遮挡柑橘有效轮廓边,使用最小二乘法拟合出被遮挡柑橘的完整轮廓以确定目标柑橘果实更精确的空间坐标位置。试验结果表明:该算法可以准确识别并分离目标柑橘果实,同时更精确地定位柑橘果实空间坐标。改进的YOLOv8-SAM算法在果园环境中对被遮挡柑橘果实的识别平均精度达到91.1%,对被遮挡柑橘形心空间坐标的平均定位误差相比传统定位方法减少了16.22 mm,平均果径误差降低了7.99%,可为柑橘采摘机器人对重叠与被遮挡果实的准确识别提供参考。

关键词： 激光干扰   边缘提取   图像质量评估   目标检测  

摘要： 建立一个激光对红外成像系统的定量化干扰规律,具有重要的军事价值和现实意义。利用基于轮廓曲率的Canny边缘提取算法和互相关模板匹配算法,对10.6μm脉冲激光对红外成像探测器目标提取和跟踪性能的影响进行了深入分析;利用不同目标位置和不同功率条件下目标图像与干扰图像的归一化相关度,定量描述激光干扰效果,确定具有目标距离和激光功率评价因子的评价体系,从而判明干扰水平及是否能够识别。结果表明,基于轮廓曲率的Canny边缘提取算法利用曲率将像素点分为强信息点、弱信息点和无信息点,使算法具有像素级的自适应性,更好地保留了图像的细节信息。根据实验得出,激光功率和目标位置是影响激光对红外成像制导武器目标检测性能的关键因素,利用评价体系可以平衡目标位置距离和激光功率两个因素在激光干扰图像评价中的重要性,并且发现激光干扰会产生许多虚假边缘信息,严重影响模式识别算法的性能。最后,评价公式与实验结果相吻合,能够客观反映激光干扰对红外成像系统目标提取和跟踪性能的影响程度。

关键词： 深度学习   车辆检测   计算机视觉   无锚点检测器   遥感图像   注意力机制  

摘要： 基于深度学习的车辆检测方法近年来取得了显著进展,深度学习模型的引入使得车辆检测在精度和效率方面取得了巨大的提升。针对车辆检测的难点进行了归纳概述;重点综述了目前应用于不同场景和其他因素影响下的基于深度学习的车辆检测方法,包括基于区域方法、基于单阶段方法和基于注意力机制方法等,对每种方法进行了整理介绍,分析所能解决的问题;对主流的车辆开源数据集和车辆检测的评价指标进行了介绍;对车辆检测算法已解决的问题和待改进的难点分别进行了总结;对后续的相关研究方向进行了展望,包括引入多模态信息、跨时空车辆检测等方面。将进一步推动基于深度学习的车辆检测技术的发展,使其在实际应用中发挥更大的作用。