基于预检机制的偏振图像去烟研究

烟的存在会导致图像目标信息的损减或丢失。针对烟在场景中具有局域性,提出了基于目标检测Yolov3算法的去烟预检机制,即在去烟流程中增加预检机制实现对烟图定向去烟,提升去烟效率和避免对无烟区的影响。不同于现有针对可见光图像的基于深度学习去雾方法,该方法将四幅偏振态图像作为网络输入,并利用多尺度注意力对抗网络提取烟区目标的偏振态特征信息,从而缓解失真现象以及丰富去烟后目标的结构和细节信息。在真实数据集上的定性与定量实验结果表明,本文提出的算法有效提升了偏振图像的去烟效果和去烟效率。

融合共现统计与fhog特征的目标跟踪方法

针对复杂场景目标跟踪过程中难以完全有效利用特征对目标信息进行完备表达的问题,提出了一种融合共现统计与fhog特征的目标跟踪算法。在fDSST跟踪算法的基础上,引入了一种基于图像共现统计的像素滤波模块,利用图像中经常出现的像素值在共现矩阵中的权重较高的特性,与原始跟踪算法中fhog特征进行融合,增加了基于纹理相似性的共现统计信息。将输入跟踪图像映射到嵌入图像中,使得嵌入图像空间中像素值之间的欧氏距离类似于原始空间中的共现统计量,从而得到更优的跟踪结果。在OTB50和OTB100两个跟踪数据集上的实验表明,本文算法相比原算法在跟踪精度和成功率上有所提升,性能较优。

基于关键点表示的语音驱动说话人脸视频生成

针对现有语音生成说话人脸视频方法忽略说话人头部运动的问题,提出基于关键点表示的语音驱动说话人脸视频生成方法.分别利用人脸的面部轮廓关键点和唇部关键点表示说话人的头部运动信息和唇部运动信息,通过并行多分支网络将输入语音转换到人脸关键点,通过连续的唇部关键点和头部关键点序列及模板图像最终生成面部人脸视频.定量和定性实验表明,文中方法能合成清晰、自然、带有头部动作的说话人脸视频,性能指标较优.

基于视觉技术的苹果采摘自动收集系统设计

利用计算机视觉技术设计了一款苹果采摘自动收集系统,可以实现对苹果的非接触式采摘、计数、装箱,减少劳动力强度的同时,为果树果园的产量提供统计数据,对果园生产销售等活动的安排调整具有指导意义。详细阐述了该系统的框架结构,基于深度学习构建训练数据库,进行深度模型训练自动定位苹果位置,以及在线部署苹果定位模型,给出了苹果成熟度判断依据。分析了采摘器升降高度h和降落点相对于起落点的水平距离l对苹果损伤的影响,h越大损伤越大,l越小损伤越大,确定了给定条件下l的调节范围,拟合出优化模型,利用该模型可设计安装降落点调节装置。

玻璃纤维网格布缺陷自动检测系统的研究

基于机器视觉设计了一种玻璃纤维网格布缺陷自动检测系统,可实现玻璃纤维网格布缺陷的识别以及分拣等功能。整个系统采用STM32作为运动控制处理器以实现机械手的运动控制,利用NI myRIO平台采集玻璃纤维网格布信息,设计玻璃纤维网格布缺陷识别算法,完成图像的处理与分析从而驱动机械手完成网格布的分拣。实验结果表明该系统可以实现玻璃纤维网格布缺陷的识别以及分拣。

基于偏振图像的低照度场景多目标检测算法

偏振光反射信息可直接反演目标本征特性,且在传输过程中具备较强的抗干扰特性,因此偏振成像技术可适用于多种复杂环境中的智能监控、交通监察领域。近年来使用深度学习判读图像检测目标的方法迅速发展,已经广泛应用于图像处理的各个领域。本文提出了一种基于偏振图像与深度神经网络算法的行人、车辆多目标检测算法YOLOv5s-DOLP。首先,通过实时获取到偏振图像进行偏振信息解析,获取目标偏振度图像。其次,为增强偏振度图像中检测目标与背景存在高对比度的特性,在主干网络中引入通道注意力与空间注意力,提升网络特征进行自适应学习的能力。此外,使用K-means算法对目标位置信息进行聚类分析,加快网络在偏振度图像的学习速度,提升目标检测精度。实验结果显示,该算法结合了偏振成像和深度学习目标检测的优势,对于低照度复杂场景中的车辆、行人目标检测效果好、检测速度快,对于道路车辆的目标检测、识别与跟踪具有一定的应用价值。

基于自适应特征比较的少样本学习算法

针对少样本学习问题,提出基于自适应特征比较的算法.通过元学习的策略,在训练集中以基于自适应特征比较的方式学习到可用于直接判断查询图像与每一张训练图像类别相似度分数的知识;利用学习到的知识,在测试过程中将所有支撑图像与查询图像经过一遍前向计算,选取与查询图像经特征比较最相似的一幅支撑图像的类别作为查询图像的类别.算法由特征提取和特征比较两个卷积神经网络子模型组成,分别实现图像空间到特征空间的转换和比较两个特征属于同一类别的相似度.两个子模型组合成一个统一的网络通过端到端的方式进行训练,在两个常用少样本学习公开评测集Omniglot和miniImagenet上的实验证明了提出的算法能够提升少样本学习的性能.

基于自洽正则化约束的半监督细胞分割算法

针对具有高质量标注的医疗图像数据获得成本较高的问题,提出基于自洽正则化约束的半监督细胞分割算法.首先构造两个结构完全相同的主、从分割网络,赋以相同的初始化参数.然后将随机选取的有/无标签训练数据输入主、从分割网络,利用正则化项约束主、从分割网络的训练,使输出结果保持自洽.其中,由梯度下降法优化主分割网络参数,由主网络参数经指数移动平均迭代得到从分割网络参数.最后在公共数据集上的实验验证文中算法的有效性.

基于Fsater R-CNN的超像素定位引导的图像火焰检测方法

图像火焰检测算法作为一种火灾检测方法,通过实时监测及早期预警系统,达到减小火灾造成的损失的目的,近年来在火灾监测领域发挥着至关重要的作用。针对二阶段的Faster R-CNN目标检测方法在图像火焰检测上效率较低的问题,提出了一种基于Faster R-CNN的超像素定位导向的图像火焰检测方法,利用超像素检测火焰方法,定位候选火焰区域,并约束检测过程中锚的生成,减少了锚的数量,提高了效率。为了验证所提方法的有效性,通过数据挖掘和模拟场景来收集图像制作数据集,并在该数据集下进行验证。实验结果表明,该方法对比原始Faster R-CNN方法在检测速度上提升了16%,检测的准确度达到了99.5%,在检测效率和性能上均有提高,能够准确检测出图像中的火焰区域。

传统机械专业新增人工智能课程中科研促进教学策略研究

在传统机械专业中增开人工智能类课程,培养复合型人才对于社会经济的发展具有重要意义。文章深入分析传统机械专业开设人工智能课程的重要性及存在的问题,并结合实践教学的经历,提出了一种通过科研促进传统机械专业新增人工智能课程教学活动的策略。

基于梯度预测网络的气象雷达图像外推算法

针对基于循环神经网络的雷达图像外推算法难以表示雷达回波复杂变化的问题,提出GhuLSTM时空预测递归网络模型,用于高精度雷达图像外推.该模型利用时空记忆单元变体提取和传递雷达图像空间和时序上的高层特征信息,并利用相邻递归状态之间的差分信号处理雷达回波体演变的高阶非平稳性.同时在网络中加入梯度公路结构,以缓解雷达图像序列外推中时序梯度快速消失的趋势.试验结果表明,相较于目前主流的雷达回波外推算法,该模型的均方误差降低了18.9%,平均绝对误差降低了2.8%,峰值信噪比提升了5.5%.

基于正则化约束的半监督行人重识别方法

为了降低监督学习需要大量高质量带标签数据的影响,提出了一种基于正则化约束的半监督行人重识别方法。该方法构造出相同初始化参数的双模型网络,即教师网络和学生网络。在训练过程中随机使用部分有标签数据和大量无标签数据作为双模型的输入,同时利用正则化对双模型网络的参数进行约束,使其对于同一个有标签或无标签输入数据的输出结果保持一致。在此基础上,教师网络利用随机梯度下降法优化得到其所需参数,学生网络则利用教师网络优化过的参数进行权重加权移动平均迭代得到其所需参数。实验结果表明,该方法在利用部分有标签和大量无标签组成的market1501数据集上的Rank-1和mAP比原ABD-Net方法的Rank-1和mAP均有提高,证明了该算法在少量有标签下的学习具有有效性。