基于自注意力深度网络的图像超分辨率重建方法

针对现有图像超分辨重建方法难以充分重建图像的细节信息且易出现重建的图像缺乏层次的问题,提出一种基于自注意力深度网络的图像超分辨重建方法。以深度神经网络为基础,通过提取低分辨率图像特征,建立低分辨率图像特征到高分辨率图像特征的非线性映射,重建高分辨率图像。在进行非线性映射时,引入自注意力机制,获取图像中全部像素间的依赖关系,利用图像的全局特征指导图像重建,增强图像层次。在训练深度神经网络时,使用图像像素级损失和感知损失作为损失函数,以强化网络对图像细节信息的重建能力。在3类数据集上的对比测试结果表明,所提方法能够提升图像超分辨重建结果的细节信息,且重建图像的视觉效果更好。     

基于自编码器结构改进的无监督图像异常检测

基于自编码器结构的无监督学习算法已经被广泛应用在异常检测中如智能制造、医疗影像、安防监控等领域。针对现有的基于自编码器结构的图像异常算法模型与传统有监督模型相比仍存在识别精度差、鲁棒性较差、训练效率低的问题,提出了基于图像特征重建方法的自编码器架构和基于迁移学习思想对自编码器进行特征增强处理的异常检测算法。通过引入预先训练的特征提取网络作为前置图像特征提取模块完成对输入图像多尺度特征的提取和融合,得到输入图像的多尺度特征融合图,再据此选择搭另一个预训练网络和自编码器组成Teacher-Student模型,完成自编码器模型的快速收敛。基于多尺度特征融合图的重建思想是利用了图像卷积特征的可判别性,实现了对图像潜在的异常信息的辨识。在自编码器与预训练网络构成的T-S模型中,经过预训练的T模型将S模型的解空间限定在一定范围,极大加速了模型的训练过程。在MVTec-AD标准数据集上将本文所提方法与现有方法进行实验对比,验证了方法的可行性。     

基于改进YOLOv5的航空发动机叶片表面缺陷检测方法研究

针对航空发动机叶片缺陷检测过程中表面噪声较大以及检测精度较低的问题，提出了一种基于改进YOLOv5的叶片表面缺陷检测方法。通过叶片表面缺陷图像采集和典型缺陷标注构建了航空发动机叶片表面缺陷数据集；采用K-means++算法代替K-means算法对标记框进行聚类，获得最适合该数据集中标记框的锚框；在主干网络中结合CBAM注意力机制模块，并且采用EIoU损失函数替换原CIoU损失函数，提高对叶片表面缺陷特征的提取能力。对比实验结果表明所提出的方法相较于YOLOv5算法在平均精度均值上提升了1.4%,相较于FasterRCNN和YOLOv3,本方法在平均精度均值上分别提升了13%和2.9%。     

结合双注意力和结构相似度量的图像超分辨率重建网络

针对低分辨率图像到高分辨率图像的映射函数解空间极大,导致超分辨率重建模型难以产生细致纹理的问题,本文提出一种结合双注意力和结构相似度量的图像超分辨率重建网络。以改进的U-Net网络模型作为基本结构,引入针对低级别视觉任务的数据增强方法,增加样本多样性。编码器部分由卷积层和自适应参数线性整流激活函数(Dynamic ReLU)组成。同时引入了一种残差双注意力模块(Residual Dual Attention Module, RDAM)与像素重组(PixelShuffle)模块共同构成解码器,通过上采样操作,逐级放大图像。为了使生成图像更加符合人眼视觉特性,采用了一种结合结构相似度量准则的损失函数,增强网络约束。实验结果表明：重建图像的质量对比SRCNN,在Set5、Set14、BSD100和Urban100标准测试集上的平均PSNR提升约1.64 dB,SSIM提升约0.047。本文方法能够使重建的图像纹理细节更丰富,有效地减少了映射函数可能的解空间。     

基于注意力机制的单视图三维重建

利用深度学习的方法进行单视图三维重建时,网络中的外部辅助结构大幅提高了其重建效果,但也增加了网络的参数量和运算量。对此,在编码器中减少卷积层数量,并设计注意力模块。在注意力模块中,利用大核注意力为图像空间信息分配不同的权重。此外,利用向量融合保持空洞卷积过程中的空间信息关系。在重建过程中,编码器通过卷积层和注意力模块交替提取图像特征后,将编码向量直接输入到解码器,在解码器中上采样并输出重建模型,实现无需外部辅助结构的重建。在ShapeNet数据集上的对比实验表明网络在较低的模型参数量和运算量下具有更好的三维重建效果。     

引入高斯掩码自注意力模块的YOLOv3目标检测方法

基于行车图像的目标检测方法为感知周围的道路环境提供了便宜、有效的解决方案,但同时也对检测效果和检测速度提出了较高要求.本文针对基于深度学习的一阶段目标检测算法YOLOv3展开研究,结合自注意力机制,在其网络深层结构中嵌入高斯掩码自注意力模块,缓解卷积操作感受野不足的缺陷,以捕捉更多的全局信息,提高算法的检测效果.实验结...     

基于双注意力机制的红外与可见光图像融合方法

针对大多数基于GAN的红外与可见光图像融合方法仅在生成器使用注意力机制,而鉴别阶段缺乏注意力感知能力的问题,提出了一种基于双注意力机制生成对抗网络（doubleattention generative adversarial networks,DAGAN）的红外与可见光图像融合方法。DAGAN提出一种多尺度注意力模块,该模块在不同尺度空间中将空间注意力和通道注意力结合,并将其应用在图像生成阶段和鉴别阶段,使生成器和鉴别器均能感知图像中最具鉴别性的区域,同时提出了一种注意力损失函数,利用鉴别阶段的注意力图计算注意力损失,保存更多目标信息和背景信息。公开数据集TNO测试表明：与其他7种融合方法相比,DAGAN具有最好的视觉效果与最高的融合效率。     

基于软注意力机制的图像分类算法在缺陷检测中的应用

针对传统表面缺陷检测算法检测效率低下,难以应对复杂性检测等问题,结合深度学习和注意力机制技术,提出一种新型注意力机制算法。首先,反思卷积神经网络（CNN）与Transformer架构,重新设计高维特征提取模块;其次,改进最新注意力机制来捕获全局特征。该算法可轻松嵌入各类CNN,提升图像分类和表面缺陷检测的性能。使用该算法的Res Net网络在CIFAR-100数据集和纺织品缺陷数据集上的准确率分别达到83.22%和77.98%,优于经典注意力机制SE与最新的Fca等方法。     

基于梯度可感知通道注意力模块的红外小目标检测前去噪网络

红外图像去噪在军事及民用领域应用广泛。现有基于深度学习的图像去噪方法主要为可见光图像设计,此类方法容易过度平滑图像细节,从而导致弱小目标丢失,为后续的检测任务带来困难。为了在去除噪声的同时保留好红外图像中的目标信息,本文提出了一种基于梯度可感知通道注意力模块的红外弱小目标检测前去噪网络。该网络首先采用编码器-解码器结构来去除图像中的加性噪声,然后通过梯度可感知通道注意力模块对图像高频区域进行自适应增强,有效保持红外弱小目标的响应强度。此外,本文提出了领域第一个包含3 981张含噪声的红外图像数据集。实验结果表明,该网络能够在有效去除加性噪声的同时避免过度平滑,很好地保留了红外图像中的目标信息,最终实现了在含噪声环境下的高鲁棒性红外弱小目标检测。     

基于空间多尺度残差网络的红外与可见光图像融合

针对如何充分提取和融合红外与可见光图像典型特征的问题,提出一种基于空间多尺度残差网络的图像融合算法。首先,将源图像输入基于空间多尺度残差模块组成的编码器网络,通过源图像重建任务,训练编码器自动获取重要特征信息的能力;然后,引入特征金字塔结构,设计了特征通道自注意力机制,编码器输出的基础层和细节层进行融合,减小尺度噪声,并由解码器重构出融合图像;最后,利用公开数据集进行定性和定量实验,证明了改进算法在突出红外图像目标和保留可见光图像纹理细节两方面的优势,相比于DDcGAN算法,新算法的标准差和平均梯度分别提升了12.91%和47.41%。     

聚合残差注意力网络的单图像超分辨率重建

针对现有生成式对抗网络对单图像进行超分辨率重建时存在特征信息挖掘不足、算法复杂度高及训练不稳定的问题，提出一种聚合残差注意力网络的单图像超分辨率重建方法。首先，以聚合残差模块作为基本残差块构造生成器，降低计算复杂度，在每个残差块中引入具有三维权重的注意力模块作为网络主通道，在不引入其他参数情况下捕获更多的高频信息。其次，在鉴别器中采用谱归一化处理，对鉴别器网络参数进行限制，从而稳定训练过程。最后，采用拟合性更好的Swish激活函数，提高网络的特征提取能力。将鲁棒性更好的Charbonnier损失函数作为像素损失，同时加入正则化损失抑制图像噪点，提升图像的空间平滑性。实验结果表明，所提方法得到的四倍放大的超分辨率重建图像在Set5、Set14、BSD100三个公开数据集上的峰值信噪比平均值提高了1.54 dB，结构相似性平均值提高了0.0457，重建图像拥有更好的清晰度和更为丰富的高频细节。     

红外与可见光图像注意力生成对抗融合方法研究

目前,基于深度学习的融合方法依赖卷积核提取局部特征,而单尺度网络、卷积核大小以及网络深度的限制无法满足图像的多尺度与全局特性.为此,本文提出了红外与可见光图像注意力生成对抗融合方法.该方法采用编码器和解码器构成的生成器以及两个判别器.在编码器中设计了多尺度模块与通道自注意力机制,可以有效提取多尺度特征,并建立特征通道长...     

基于改进YOLOv5的X射线图像铸件缺陷实时检测

铸件缺陷检测是一项重要的质量管理程序。为了避免人为因素的影响,提高检测精度,对YOLOv5s6的目标检测算法进行改进,用于X射线图像的铸件缺陷检测。首先设计了一种C3CA模块用于捕获跨通道、方向感知和位置感知的信息。然后通过在骨干网络中融合多头自注意力机制来捕获局部与全局信息。最后采用Focal-EIoU Loss损失函数。实验结果表明:在相同训练条件下,改进后YOLOv5s6的AP50值达到了90.2%,F1因子达到了87.8%,相较原始模型分别提高了3.4%和2.3%,具有检测准确率高、实时性强等特点。     

基于特征融合与自注意力机制的图像语义分割算法

提出了一种基于特征融合与自注意力机制的图像语义分割方法,设计了特征融合模块、自注意力模块、增强模块、全局空间信息融合模块和损失函数。特征融合模块融合多个图像的所有组件,通过自注意力机制来执行。自注意力模块从而有效地捕获远程上下文信息。增强模块旨在增强输入图像以获得更多样化的特征。全局空间信息注意模块相对于图像尺寸只有线性的复杂度,能够带来显著的提升效果。利用损失函数,对模型进行优化,将每个像素的分类结果优化到最接近真实值。实验结果表明,所提出的方法可以显著提高PASCAL VOC 2012数据集、COCO-Stuff 10K数据集和ISIC 2018数据集这3个数据集的性能,并在3个数据集上进行了验证,实验还通过对自注意力、推理速度和消融实验进行比较,验证了本文方法的优越性。     

LCD缺陷检测系统的图像压缩感知方法

图像采集是液晶显示屏(LCD)缺陷检测系统的关键步骤,而高清屏图像的大数据量给检测系统的实时数据采集、传输和处理造成了很大压力。为解决这一问题,本文提出了一种先行压缩采样后列压缩采样的压缩感知方法,并给出了一种LCD缺陷图像的压缩感知电路实现方案,该电路主要由压缩采样、控制、图像转置存储等模块组成。这种方法充分考虑了图像整体的稀疏性,提高了压缩效率,且结构简单,易于硬件实现。在FPGA上的仿真实验验证了此方法的有效性。      

基于机器视觉的密封件表面缺陷检测研究

针对密封件行业的工程要求,为了解决密封件表面缺陷检测所面临的图像采光不均匀及人工目测不准确的问题,设计了基于机器视觉的图像检测系统。该系统适用于多种O型密封件尺寸的电控运动定位检测,利用适合表面缺陷检测的模板匹配方法对橡胶密封件表面细小缺陷进行检测识别,该方法与传统的人工检测方法相比,具有非接触、可在线、客观真实、自动化等优点,可有效地解决密封件表面缺陷检测问题。     

基于门控卷积与注意迁移的二阶图像修复

针对现有修复算法在处理较大面积缺失时易产生伪影且与原图像语义不符的问题，提出了基于门控卷积与注意迁移的二阶图像修复方法，通过加强待修复图像内部语义对修复网络的影响来确保修复结果整体语义的一致性。首先使用多层卷积对缺损图像进行粗略修复；然后将粗略修复结果输入改进的细化修复网络，使用门控卷积和注意迁移网络对图像内部纹理细节进行修复处理，在编解码阶段引入SimAM模块作为注意力机制，强化对待修复图像中重要信息的筛选能力；最后通过谱归一化的马尔科夫判别器判别真伪同时提供对抗损失，将感知损失与多尺度结构相似性损失作为重建损失再将其与对抗损失相结合作为损失函数。与其他图像修复方法的对比实验表明，本文方法较其中最好结果在结构相似性上提升1.47%，峰值信噪比上提升5.48%。本文方法修复结果更加真实自然且在各种尺寸缺失下均实现了理想的修复效果。     

基于改进U-net的金属工件表面缺陷分割方法

针对金属工件表面缺陷分割精度低的问题，通过对工件表面图像缺陷特征研究，提出以U-net为基础，结合多尺度自适应形态特征提取模块及瓶颈注意力模块的工件表面缺陷分割模型。首先，在网络中嵌入多特征注意力有效聚合模块，提高信息的利用率，提取更多相关特征，从而高精度地提取缺陷目标。然后，在网络中引入瓶颈注意力模块，增加缺陷目标的权重，优化特征的提取，获取更多的特征信息，从而获得更好的分割精度。改进后的网络平均精度达到0.8749，比原网络相比提高了2.92%，平均交并比达到0.8625，提高了3.72%。与原始网络相比，改进后的网络具有更好分割的精度，可以获得更好的分割结果。     

基于注意力机制与多尺度融合的PCB缺陷检测

针对印制电路板(PCB)缺陷区域受背景干扰过多以及缺陷目标尺度较小导致缺陷检测精度低的问题,提出了一种基于注意力机制与多尺度融合的PCB缺陷检测方法。在YOLOv5模型的特征提取网络中,引入一种三维注意力模块,以增强缺陷目标特征的显著度,使模型更加注重目标特征;为充分利用微小缺陷目标的多尺度特征,在特征融合网络中引入加权双向特征金字塔网络(Bi-directional Feature Pyramid Network, BiFPN),减少缺陷目标特征信息的丢失,提高模型对微小缺陷目标的检测精度。实验结果表明,该方法能够准确检测出PCB图像中的缺陷目标,在保证实时性的同时,较原方法的平均检测精度提高了3.9%,表明了该方法的有效性。     

基于图像增强与改进Cascade R-CNN的钢轨表面缺陷检测

针对钢轨表面缺陷检测中,钢轨表面图像存在背景不均匀、缺陷尺度变化大且样本数据不足的问题,提出一种基于图像增强与改进Cascade R-CNN的钢轨表面缺陷检测方法.首先,采用改进Retinex算法处理钢轨表面图像,增强缺陷与背景的对比度.然后,采用改进Cascade R-CNN对钢轨表面缺陷进行检测,并应用交并比(IoU)平衡采样、感兴趣区域对齐和完全交并比(CIoU)损失分别解决训练样本IoU分布与困难样本IoU分布不平衡、感兴趣区域池化中取整量化导致的感兴趣区域与提取的特征图不匹配和回归损失Smooth L1对于预测边框回归不准确的问题.最后,采用翻转变换、随机剪裁、亮度变换和生成对抗网络等方法增广钢轨表面缺陷图像数据集,消除样本数据不足导致的网络训练过拟合现象.实验结果表明,该方法以ResNet-50作为特征提取器,平均精度可达98.75％,相对于未改进的Cascade R-CNN提高了2.52％,且检测时间缩短了24.2 ms.