基于双向转换网络的域自适应单幅图像去雾方法

当前图像去雾算法对人工合成图像域去雾效果与真实图像域去雾效果存在较大差异。针对该问题,提出了一种基于双向域转换网络的自适应单幅图像去雾算法。首先,构建双向域转换网络,实现人工合成有雾图像与真实有雾图像之间的自适应域转换;然后,通过卷积神经网络进行图像去雾。在实验中采用RESIDE人工合成的数据集以及真实环境的有雾图像作为训练集。结果表明,在人工合成图像域和真实图像域所提算法都有较好的处理能力和模型泛化能力,峰值信噪比(PSNR)、结构相似度(SSIM)等指标均有提高。     

基于改进YOLOv5s的桥梁螺栓缺陷识别方法

针对现有算法在检测桥梁螺栓缺陷时因螺栓背景复杂和尺寸较小而导致的特征提取不充分、目标定位不精确问题,提出了一种基于改进YOLOv5s的桥梁螺栓缺陷识别方法。该方法在骨干网络中引入注意力机制以提升模型对螺栓特征的提取能力并加深对螺栓全局特征的关注度;优化空间金字塔池化结构以减少螺栓特征信息流失;采用MPDIoU作为边界框回归损失函数,提高螺栓边界框的回归精度;将YOLO检测头解耦以消除目标检测中分类任务和回归任务共享检测头对边界框位置回归的负面影响。在螺栓锈蚀、螺栓松动、螺栓脱落和螺母脱落4类典型缺陷螺栓以及正常螺栓的3810张自制螺栓图像数据集上进行训练和测试,实验结果表明：本文算法对螺栓缺陷的检测精度达到90.8%,相较于YOLOv5s提升了3%,均值平均精度达到92.6%,相较于YOLOv5s提升了4.3%,可以应用于桥梁螺栓的缺陷智能识别。     

基于亮度小波变换和颜色改善的彩色图像去雾研究

针对户外薄雾条件下彩色图像对比度降低问题,提出了一种有效的图像去雾方法.先将图像亮度分量进行小波变换;然后对该分量图像的低频部分利用大气散射简化模型进行反锐化掩蔽高通滤波,亮度分量图像的高频部分采用非线性变换提升后,进而将处理过的低频、高频部分进行小波反变换重构出新的亮度图像,再利用HIS反变换出初级去雾图像;最后采用...     

基于注意力机制与双线性池化的锈蚀等级评估

水工机械装备(如闸门、拦污栅等)长期服役于水域环境,不可避免地会在其结构表面产生锈蚀。对于重要的关键受力结构件,如果不能准确检测其锈蚀的严重程度,导致其维修加固不及时,则会直接威胁受损结构周围人员的生命安全。目前,对水工机械装备锈蚀特征识别主要以人工目视检测为主,容易产生视觉疲劳,主观性较强,锈蚀程度的检测准确率不高。为此,本文提出了以VGG-16网络为基础、融合注意力机制和双线性池化的锈蚀等级评估方法。首先,利用RGB和HSV两种颜色空间中不同分量包含锈蚀图像特征不同的特点,将不同颜色空间作为不同支路网络的输入,使其能够充分利用不同颜色空间的图像特征；其次,在两个支路网络中嵌入注意力机制,通过注意力机制的可训练权重对锈蚀图像的特征进行重标定,调整权重,聚焦于最相关的特征进行学习；再次,采用双线性池化融合不同支路提取的特征,使网络聚焦于最相关的细粒度图像特征,提高网络模型对锈蚀图像细微差异特征的利用；最后,通过设置盐雾锈蚀实验,在获取的锈蚀图像数据集上对本文方法进行消融和对比分析。实验结果表明,相较于原模型及其他主流算法,改进后模型的分类准确率达到了95.30%,精确率、召回率、F1系数等评价指标均有大幅提升,本文方法针对不规则锈蚀图像特征能够取得更好的评估效果,可以转化应用于工程实际。     

结合大气散射模型的生成对抗网络去雾算法

为了提高图像去雾的性能, 提出结合大气散射模型生成对抗网络的去雾算法. 算法在pix2pix GAN基础上进行改进, 将网络的生成器改进成双解码器结构,通过双解码器分别生成无雾图像和透射率图, 并结合大气散射模型还原雾图像,以进一步提高图像分解的质量. 在马尔科夫判别器结构中,采用反向学习机制代替随机裁剪机制,以有效降低因采用随机裁剪算法而导致的判断结果不准确的概率. 在原有的损失函数上,加入雾霾损失函数,提高图像转化的质量. 在STOS和NYU数据集上进行消融实验和对比实验. 大量实验表明所提出方法在PSNR和SSIM指标上比原算法Pix2pix GAN有所提高, 且均优于现有去雾算法,复原图像具有清晰度高、噪声低、纹理丰富的优点.     

基于卷积神经网络的无人机遥感影像农村建筑物目标检测

将深度学习应用于遥感影像目标识别,提出基于卷积神经网络的无人机遥感影像农村建筑物的目标检测方法,用端到端的方式训练Faster R-CNN网络模型,并应用于农村建筑物的快速精确识别.该方法包括基于RPN网络的区域建议和基于Inception v2的卷积神经网络模型训练.为了训练和测试模型,通过无人机采集南疆地区的农村建筑物遥感影像,并人工标注建立了农村建筑物的数据集,在TensorFlow深度学习框架上通过对该数据集目标检测验证了模型.结果表明,基于改进的卷积神经网络目标检测方法对无人机遥感影像进行快速准确识别的总体精度超过90%,通过初始参数更新,模型收敛更快,对无人机遥感影像地物分类和目标识别具有一定的参考意义.     

基于深度卷积网络的无人机地物场景语义分割

针对城市土地利用不合理,提出一种基于深度卷积网络的无人机地物场景语义分割方法。首先,采用Deeplabv3+网络模型对自制数据集进行训练,根据测试得到的结果分析各个类别的分割精度;然后,对不同网络主干的Deeplabv3+模型进行结果对比实验;最后对自制数据集进行二次迁移训练,对比迁移前后的分割效果,分析迁移学习的优化能力。结果表明:基于无人机影像的Deeplabv3+模型能准确分割图像中各个类别,MIOU为73.97%;不同网络主干的对比实验得出xception_65分割精度高于mobilenet_v2;模型经过迁移训练后,各个类别的分割精度都有小幅提升,MIOU为75.45%。     

基于改进Xception的玉米大斑病识别

利用无人机平台进行作物病害识别时,由于其拍摄图像分辨率高、目标病斑占比小,现有检测方法需要对图像进行多步骤处理,费时费力且检测效果不稳定。为减少图像处理步骤,提高检测准确率,文章以无人机拍摄图像中玉米大斑病为检测对象,首先将图像按照一定的比例进行缩小和裁剪,利用2种不同分辨率的图像重构公开数据集;然后对Xception网络进行改进,通过增加密集连接减少病斑特征信息丢失,以提高特征信息融合能力,增加注意力模块调整图像通道,以抑制无效信息;最后训练模型完成对玉米大斑病的识别并进行性能评估。实验结果表明,所提模型识别准确率达到了95.23%,单张图片识别时间减少到了0.5476 s。该模型能够有效检测无人机拍摄的图像中的玉米大斑病。     

基于自注意力机制的桥梁螺栓检测算法

基于构建的真实桥梁螺栓场景数据集,提出基于自注意力机制与中心点回归（SACPR）的螺栓检测算法. 构建基于真实场景的高质量桥梁螺栓场景数据集,并针对数据不均衡、多样性不够的问题,使用数据增强方法进行数据扩充,从而获得更高的分类精度. 采用基于深度学习框架的SACPR算法检测不同场景下的螺栓,并进行标示. 对螺栓检测准确率进行验证实验,验证SACP算法的有效性. 将试验结果与YOLOv3、Faster-RCNN、RetinaNet这3种算法结果进行对比,发现3种检测方法的识别精度分别为80.56 %、87.71%、93.89%,而所提出的SACPR 算法的识别精度为93.91%,明显优于YOLOv3算法和Faster-RCNN算法;虽然SACPR算法与RetinaNet算法的识别精度较接近,但前者的检测速度是后者的5.6倍.     

基于改进生成式对抗网络的图像去雾算法研究

针对传统图像去雾算法存在颜色失真并被雾图先验理论束缚的问题,提出一种基于GAN(Generative Adver?sarial Networks)的去雾算法Defog-GAN,将雾天图片和普通图片分别送入GAN的生成器与鉴别器,利用卷积神经网络对图像的颜色与纹理信息特征进行提取,鉴别器最终引导生成器生成去雾图像.以分块输入形式对GAN的鉴别器做了改进,提高了模型训练速度,引入新的激活函数LeakyRelu,使输入在负值上也有一定的输出,加强图像细节的还原.对输出的去雾图像进行局部颜色直方图匹配,增强图像真实度.实验表明,改进后的网络模型缩短了训练时间,且在真实图像中去雾效果更好,主观评价和客观评价优于其他算法.