基于对抗生成的轻量化红外图像增强网络

目前,红外成像技术在医学、安保、环境监测、军事探测等方面获得了广泛应用。然而,由于低成本红外成像设备的固有缺陷及大气环境对热辐射传导的影响,导致其采集的图像亮度较暗、细节模糊、对比度低,影响后续图像语义分析及目标检测识别等任务。传统基于模型的红外图像增强方法常需利用图像先验信息,模型参数与场景相关,模型泛化能力不强;基于深度学习的红外图像增强算法有助于增强红外图像质量,但结构冗余,不利于边缘端部署。生成对抗网络(GAN)可以通过判别器和生成器两个网络的轮流对抗训练显著提升红外图像增强效果,但网络训练参数量大,边缘端部署占用资源多,运算复杂度高。本文设计了一种基于对抗生成的轻量化红外图像增强网络,通过在GAN模型的基础上增加多层次特征融合结构并设计多尺度损失函数,提升了特征提取效率并减少了网络层数,在提升图像质量的同时提高了增强效率,利于算法的边缘端部署。实验表明,本文方法在同等参数量下,通过添加多层次特征融合结构和多尺度损失函数,兼顾了图像的全局和局部特征,保证了细节信息不丢失,在提高网络性能的前提下未明显增加计算复杂度;在红外图像增强效果相当的情况下,模型参数量降低75.0%,边缘端设备推断时间降低32.07%。

基于密集连接的红外可见光图像融合方法

针对基于人工智能的红外可见光图像的融合方法中神经网络网络设计复杂、参数量和推理计算量较大的问题,提出一种轻量化网络结构。首先,使用两个相同的密集连接块提取图像特征;然后,对红外图像和可见光图像使用共同的卷积核,以减少参数量;最后,利用残差连接保留梯度信息,同时基于像素显著性原则设计网络损失函数。在TNO和M3FD数据集上的实验结果表明,与U2Fusion经典算法相比,所提方法的参数量和推理计算量分别降低了83.5%和87.5%,并保持了良好的融合效果。

结合Y^(d)U^(a)V^(a)颜色模型和改进MobileNetV3的视频烟雾检测方法

为降低视频烟雾检测中的虚警率和提升检测效率,提出Y^(d)U^(a)V^(a)颜色模型,该模型可以表征烟雾的空间域分布特性和时间域变化特性。利用该颜色模型快速筛选出疑似烟雾图像块,降低虚警率和提升运算效率。提出改进的MobileNetV3网络结构,用于提取图像深度特征并对疑似烟雾图像块进行分类识别,检测视频中是否存在烟雾。视频烟雾检测仿真结果表明:该方法准确率和检测帧率高,虚警率低。

基于U-net++网络的弱光图像增强方法

弱光图像增强是计算机视觉中最具挑战性的任务之一,现有算法存在亮度不均、对比度低、颜色失真和噪声严重等问题。文中提出了一种基于改进U-net++网络实现更为自然的暗光增强网络框架。首先,输入弱光图像至改进U-net++网络,利用各层密集连接以增强不同层次图像特征的关联性;其次,把各层次图像特征融合后输入卷积网络层进行细节重建。实验结果证明,该方法在提高图像亮度的同时,更好地恢复了弱光图像的细节特征,并且生成正常光图像的颜色特征更接近自然。在PASCAL VOC测试集上的测试结果显示结构相似度(SSIM)和峰值信噪比(PSNR)两个重要指标分别为0.87和26.36,比同类最优算法分别高出18.6%和11.4%。

基于SPI的多通道数据采集系统设计

在实际工程应用中,为了得到较为准确的运动分量信息,通常采用陀螺仪和加速度计作为惯测组件传感器。本文基于串行外设接口对微机电系统陀螺仪和微机电系统加速度计的角速度、加速度、温度等原始数据进行多通道采集和存储,利用数字信号处理器和大规模现场可编程门阵列将数据读取后通过串口上传至上位机实时显示。经验证,该方法采集数据准确可靠,扩展性强,具有较高的工程应用价值。