基于ECA的YOLOv5水下鱼类目标检测

针对水下图像模糊、颜色失真,水下场景环境复杂、目标特征提取能力有限等导致的水下鱼类目标检测精确度低的问题,提出一种基于YOLOv5的改进水下鱼类目标检测算法.首先,针对水下图像模糊、颜色失真的问题,引入水下暗通道优先(underwater dark channel prior, UDCP)算法对图像进行预处理,有助于在不同环境下正确识别目标;然后,针对水下场景复杂、目标特征提取能力有限问题,在YOLOv5网络中引入高效的相关性通道(efficient channel attention, ECA),增强对目标的特征提取能力;最后,对损失函数进行改进,提高目标检测框的准确度.通过实验证明改进后的YOLOv5在水下鱼类目标检测中精确度比原始的YOLOv5提高了2.95%,平均检测精度(mAP@0.5:0.95)提高了5.52%.     

水下网箱破损检测用仿生机器鱼系统设计与研究

针对当前水下网箱破损检测机器人的水体扰动大、推进效率低问题,研制了一种仿生机器鱼系统,实现了低扰动、高效率的水下检测。首先,机器鱼采用身体/尾鳍式推进机理,建立多关节鱼体动力学和运动学模型。其次,设计开发了S形起动与游动策略、三层次螺旋层进式网箱破损检测策略。最后,对仿生机器鱼进行起动游动实验和避障实验。结果表明:该系统设计合理;机器鱼结构可靠、性能良好,最大游速为0.6 m/s,续航时间为3～4 h,成功应用于水下网箱破损检测和精准定位。     

基于深度特征提取和DCT变换的图像复制粘贴篡改检测

针对图像复制粘贴篡改检测中算法时间复杂度过高和定位区域不完整的问题,提出一种基于深度特征提取和离散余弦变换的图像复制粘贴篡改检测算法。首先,融合图像颜色和纹理信息获得四通道图像,计算自适应特征提取阈值,并通过基于全卷积神经网络的特征检测器提取图像深度特征;其次,通过离散余弦变换提取块特征进行初步匹配,再利用点特征向量消除误匹配;最后,通过卷积运算精确定位篡改区域。通过在公共数据集上进行验证,充分展示了该算法在检测效率和定位区域完整性方面的优势。     

基于GA-RetinaNet的水下目标检测

水下目标自动检测方法对海洋智能捕捞工作发挥着重要作用,针对现有目标检测方法存在的对水下生物检测精度不高问题,提出了一种GA-RetinaNet算法的水下目标检测方法.首先,针对水下图像存在密集目标的特点,通过引入分组卷积替换普通卷积,在不增加参数复杂度的基础上得到更多特征图,提高模型的检测精度;其次,根据水下生物多为小目标生物的特点,引入上下文特征金字塔模块(AC-FPN),利用上下文提取模块保证高分辨率输入的同时获得多个感受野,提取到更多上下文信息,并通过上下文注意力模块和内容注意力模块从中捕获有用特征,准确定位到目标位置.实验结果显示,选用URPC2021数据集进行实验,改进的GA-RetinaNet算法比原算法检测精度提高了2.3%.相比其他主流模型,该算法对不同类型的水下目标均获得了较好的检测结果,检测精度有较大提升.     

改进YOLOv7的水下目标检测算法

水下目标检测是海洋探测开发过程中一项具有挑战性的任务。针对现有的水下目标检测算法由于水下图像的低可见度和颜色失真等问题导致水下目标检测效果不佳的问题,提出了一种改进YOLOv7的水下目标检测算法,旨在提升水下目标检测性能。设计了一种多信息流融合注意力机制（spatial group-wise coordinated competitive attention,SGCA）,解决卷积过程中由于图像全局上下文信息丢失而导致特征丢失的问题,提高了模型在图像模糊情况下的检测精度;并利用switchable atrous convolution(SAConv)模块替换ELAN结构中的3×3卷积模块,以增强骨干网络的特征提取能力。在预测部分采用Wise-IoU作为损失函数,Wise-IoU通过平衡不同质量图像上的模型训练结果,获得更准确的检测结果。采用基于暗通道先验（dark channel prior,DCP）和深度传输图的水下图像增强方法对水下数据集图像进行增强。实验结果表明,改进后的算法在自建的水下目标检测数据集上mAP取得了87.3%,与原始的YOLOv7算法相比较,mAP提高了3.4个百分...     

基于图像融合的低光照水下图像增强

水下机器人可用于水产养殖动态监测和水下拍摄,然而摄像机在水下抓拍的海洋图像呈现蓝绿色调、对比度低、细节模糊、亮度暗等问题,严重影响水下目标识别与检测的准确率。为此,本文提出了一种基于图像融合的低照度水下图像增强方法。首先,利用灰度世界算法对图像颜色进行校正,有效去除水下图像的蓝(绿)色基调;然后,对颜色校正后的图像分别进行锐化处理和HSV颜色空间下的亮度增强,分别得到细节增强图像和亮度增强图像;最后,将细节增强图像和亮度增强图像进行多尺度融合,得到最后的增强图像。实验结果表明,该算法不仅有效地解决了水下图像呈现蓝绿色的问题,而且增强了图像的整体亮度,使得细节更加清晰,提高了水下机器人的视觉感知能力。     

基于前视声纳的成像与多目标特征提取

针对水下目标图像的几何特性,提出了一种基于弦中点的改进Hough变换椭圆检测方法,实现了水下多目标的特征提取。单波束机械扫描前视声纳的图像数据为二维极坐标形式,采用波束内插方法和坐标变换方法生成图像,并对其进行图像预处理和轮廓跟踪,据此再进行多目标特征提取。通过水池实验结果表明,该方法对于水下多目标的特征描述更简明准确,为多目标识别与定位提供了有用信息。     

基于2 维Tsallis 熵的水下图像目标检测

针对传统图像检测方法在水下图像处理过程中存在目标区域定位不准确、目标细节丢失、目标形状变 形的问题,文中利用Tsallis 熵的非广延性,提出了一种基于边缘信息的2 维直方图,并以最大2 维Tsallis 熵为准 则,利用改进粒子群优化算法寻找最佳阈值．水下图像处理试验表明,该算法是一种有效的水下图像目标检测方法, 与传统方法相比,具有更强的自适应性和鲁棒性．     

桥梁水下结构缺陷的图像分割与特征提取算法

针对传统的桥梁水下结构缺陷检测方法的弊端,在深入分析缺陷图像像素特征的基础上,提出一种新的基于大津法和最大互信息量相结合的图像分割算法。依据轮廓跟踪原理,计算出桥梁水下结构破损区域的面积、周长等参数。在Visual C++ 6.0开发环境中进行了算法的实现。实验结果表明,该算法在提取图像破损边缘的同时有效地滤除了噪声,精确地计算出破损区域的几何参数,为桥梁水下结构缺陷的定量化识别提供了一种有效的手段。     

基于Faster-rcnn的水下目标检测算法研究

对海洋资源开发的关键是实现对水下目标实时而准确的检测,但由于水介质的吸收以及悬浮粒子的散射作用,水下待测目标往往存在颜色失真、对比度低等复杂问题,这极不利于准确评估目标检测算法的性能。本文提出一种基于Faster-rcnn的水下目标检测算法,该算法以Faster-rcnn结构为主框架,将ResNet-101深度神经网络替代Faster-rcnn原本的VGG-16卷积神经网络作为特征提取和训练初始化的共享卷积网络,同时采用Water-Net网络对水下图像数据集进行增强处理,最后针对部分图像标签数据过少的问题采取了标签数据增强的方法。通过实验证明,数据集的增强性能有效提升检测算法的性能,且能满足实时检测的需求。     

基于声呐图像的水下目标检测、识别与跟踪研究综述

水下目标检测、识别和跟踪是具有重要意义的热点研究问题,在军事和民用领域都有重要的应用.鉴于此,对基于声呐图像的水下目标检测、识别和跟踪原理、方法以及典型算法的研究进展进行全面阐述.首先论述基于声呐图像的水下目标检测、图像去噪、图像分割等方面的主要进展以及典型算法和算法扩展;然后对水下目标声呐图像识别中的特征提取、特征分类方法和主要技术难点进行讨论;最后阐述基于水声信号处理和声呐图像信息的水下目标跟踪方法和算法.通过对水下目标处理过程各个过程的深入讨论和对比分析,指出基于声呐图像的水下目标检测、识别和跟踪中急需解决的关键科学问题及可能的解决思路,并对该领域的未来发展方向做进一步的展望.     

改进区域卷积神经网络的传送带撕裂检测

针对传送带撕裂检测中对破损目标检测精度不足和检测性能低下的问题,提出一种改进区域卷积神经网络Light-Head R-CNN的传送带撕裂检测方法。将特征提取模块设置为轻量化卷积网络MoblieNetV2有效降低模型参数,采用大尺度卷积核扩大网络感受野,增强模型特征提取能力;引入特征金字塔结构融合不同层次的特征信息,优化模型对微小破损的识别效果;结合注意力机制对特征权重进行调整,突出破损目标的特征信息。实验结果表明,所提算法对传送带破损目标的平均检测精度提高了2.78%,检测速度提高了22.9%,具有良好的实时检测效果。     

基于注意机制的水下目标检测方法

针对水下光学图像清晰度低和物体颜色失真造成水下目标检测困难的问题,本文提出一种基于注意机制的水下目标检测方法。在最具代表性的视觉注意模型(Itti模型)基础上,在特征提取阶段,引入带色彩恢复的多尺度Retinex算法对图像的颜色信息进行恢复和增强。针对具体的水下环境,通过实验构造带彩色恢复的多尺度Retinex算法中的增强因子,从而构建一种新的适用于水下环境的目标检测方法。实验结果表明,本文的算法能有效地检测出目标且能得到较完整的目标区域。     

基于双目视觉的水下动态目标识别与定位方法研究

针对动态水下目标跟踪定位过程需要良好的实时性与鲁棒性问题,提出一种基于双目视觉的水下动态目标定位方法;利用快速引导滤波提取水下图像的光照分量,构造了一种改进的二维伽马函数,并对其参数利用光照分量的分布特性进行调整,实现了对水下不同环境图像下的亮度自适应校正处理;利用卡尔曼滤波预估下一时刻目标的位置,将预测空间作为ROI区域进行图像校正,极大降低了算法的运行时间;在HSV空间对目标进行掩膜提取,识别之后通过双目定位算法对目标进行准确定位;经过水箱试验验证,与多尺度高斯函数、双边滤波等算法相比,该方法在运行速度上有着显著的提高,达到了35FPS,在定位过程中有着较高定位精度,在方向的平均相对误差为(3.59%,3.35%,1.42%);结果表明,该算法可以满足水下动态目标跟踪定位的实时性与鲁棒性要求。     

一种海上养殖网箱的无人巡检方法研究

针对海上养殖网箱人工巡检的成本高、风险大的问题,以海上河鲀养殖网箱监测为应用背景,提出了一种无人化网箱巡检的新方法,该方法利用无人机俯视观测法,并结合日常网箱养殖状态信息,可高效地完成基础养殖数据采集任务。在无人机拍摄的视频数据基础上,提取关键帧,利用卷积神经网络HED(Holistically-nested edge detection )进行边缘检测作为图像预处理,起到降低图像冗余信息,得到清晰网箱边缘信息的作用,在此基础上将边缘图二值化并提取目标区域,提出了相应的自适应阈值选取规则,最后根据改进的Tamura纹理特征对网箱养殖区进行数据有效性的判断。该方法结合深度学习方法与传统图像检测技术,具有较强的环境自适应性和较高的准确性。最终以大连天正实业有限公司大李家红鳍东方鲀养殖场的养殖网箱作为实验对象,海上河豚养殖网箱提取的准确度为97%,信息的有效性判断准确度为97.1。     

通道修正均衡化的水下图像增强算法

水中介质和微粒的影响导致光波传播衰减和散射, 在成像过程中水下图像会出现模糊和色偏等情况, 这些 水下成像退化的情况给水下的目标识别、目标跟踪、特征提取等应用带来困难. 针对以上问题, 本文提出了一种基 于通道修正均衡化的暗通道先验(CCD)水下图像增强算法: 首先是对色偏的水下图像进行通道修正均衡化, 利用直 方图强度中心做一个映射, 并将映射的三通道信息融合到限制对比度自适应直方图均衡化中, 改善了图像色偏和对 比度不足的情况; 其次是通过暗通道先验算法进行去模糊, 通过水下增强图像数据集的实验表明, CCD比现有算法 更有效地应对了水下图像成像退化问题, 取得了更好的图像质量指标; 此外, 在特征检测预处理步骤中, 本文方法能 够将检测特征点数提高约1.88倍.     

基于轻量化神经网络的石窟壁画破损检测方法

针对石窟壁画脱落与破损检测过程中存在检测精度低、实时性差的问题,提出了基于轻量化神经网络和多重注意力机制的石窟壁画破损检测方法。首先,引入Ghost Conv完成轻量化特征提取,降低模型复杂度;其次,加入双重注意力机制增加特征提取的倾向性,加快模型收敛速度;最后,使用加权双向特征金字塔拼接方式高效融合特征信息,通过复合缩放完成预测。实验结果表明：改进后的算法网络层数减少了34.40%。参数量和浮点运算量分别降低了62.98%和68.77%,模型体积压缩了62.78%。检测精度高达64.7%,实时检测速度从63.60帧/s提升至97.56帧/s,提高了约53.39%。     

融合双注意力与深度神经网络的遥感图像配准北大核心

在多视角遥感图像配准中,部分方法在复杂场景下存在配准精度不高或实时性低等问题,针对以上不足,提出融合双注意力机制的网络中网络作为特征提取器的端到端图像配准算法。算法分为特征提取、特征匹配和参数预测三部分,首先使用网络中网络改进模型对于复杂特征的提取能力,同时引入双注意力机制提升对特征的分辨和定位效果;然后在特征匹配层使用双向的相关运算改善特征匹配精度,匹配层输出的匹配图输入参数预测网络,预测从待配准图像到参考图像的变换参数。实验表明,与传统算法对比,配准精度平均提升10%以上,速度至少提升20%,所提方法有效提升了多视角遥感图像配准的效果。     

基于YOLOv7-RS的遥感图像目标检测研究

针对遥感图像目标检测过程中存在的背景复杂、目标特征不明显、小目标排列密集的问题,基于YOLOv7算法,提出了一种改进的遥感图像目标检测算法YOLOv7-RS(YOLOv7-Remote Sensing),提高了遥感图像的目标检测精度。首先,向特征提取网络中融合SimAM减少背景噪声的干扰;其次,提出了D-ELAN网络增强遥感目标的特征提取能力;再次,利用SIOU损失函数以提高算法模型的收敛速度;最后,优化了正负样本分配策略,改善了遥感图像中小目标密集排列时的漏检问题。实验结果表明,YOLOv7-RS在NWPU VHR-10和DOTA数据集上的mAP达到95.4%和74.1%,相较于其他主流算法有了明显提升。     

SIM模块质量分析系统

针对智能卡片生产制造过程中的质量检测问题,提出一种基于SIM的质量的在线视觉检测方案,通过对采集图像光源设计、模块定位以及检测算法的研究,利用图像处理技术中的边缘检测、特征提取、开闭运算和对象识别等关键技术,将打光方案和算法设计相结合,实现了一种利用几何特征匹配的定位算法,用以检测模块中是否有芯片、是否有污物、生锈、条带严重弯曲、花纹断裂、折痕、背面硅胶偏移、硅胶偏厚、报废模块背面硅胶异常凸出、模块条带的定位孔破损等问题.测试结果表明,该系统有效的实现了对SIM卡的质量检测.