基于深度学习的列车门窗检测算法研究

本文分析了深度学习算法和列车门窗检测的意义,并且从目标检测技术中的图像特征、传统的分类算法、神经网络与深度学习、基于可变窗的物体检测模型四个方面研究了基于深度学习的列车门窗检测算法。希望能够通过本文的研究内容为相关工作人员提供一些参考意见,从而进一步提高铁路运输的安全性。     

基于MobileNet的移动端列车图像故障检测算法

针对列车故障检测效率低的问题,提出一种基于MobielNet的移动端列车图像故障检测算法。首先,在MobileNet中引入注意力卷积块和Ghost模块,用以提升网络的学习能力。其次,使用残差聚合网络获取多层次的特征图。最后,将该模型移植到移动端设备上完成列车故障检测任务。实验结果表明,该算法的平均精度均值达到了85.35%,与YOLOv3-Tiny、YOLOv4-Tiny、YOLOX、YOLOv5相比,mAP分别提高了8.83%、5.49%、7.89%、5.31%,并且FED拥有更低检测延迟。     

基于遥感图像的船舶目标检测方法综述

如何在复杂环境中准确、快速地实现各类船舶目标检测是一项重要研究课题,也是保障船舶航行安全、保护领土安全、加强水域资源监管的基础。红外成像、合成孔径雷达（Synthetic Aperture Radar,SAR）以及卫星遥感等成像技术的发展为船舶检测提供了丰富的图像数据,已取得许多研究成果。介绍了船舶目标检测的过程,从基于传统图像处理技术的船舶目标检测和基于深度学习的船舶目标检测两方面总结并分析了现有船舶目标检测方法,讨论了相关关键技术,最后指出了未来的研究方向。     

基于红外热图像的电路板故障检测

常见电路板故障的发生都会伴随着电子元件温度的变化,利用观测到的电路板及电子元件的温度及其变化可以检测电路板的故障.结合电路板元件工作温度变化的特点,探讨了一种利用红外热图像来检测电路板故障的方法.     

图像篡改检测技术研究综述

在飞速发展的信息时代,信息的传播速度与广度超乎人们想象。而当前越来越多的图像编辑软件使得人们能够轻而易举地编辑图像内容,图像作为信息的一种载体,其真实性受到了严重威胁。被恶意篡改的图像一旦在网络等平台中传播,将会给个人生活、社会秩序、国家安全等造成一定程度的损失。因此,对图像篡改检测的研究具有十分重要的意义。近30年来,已经有不少传统的方法和基于深度学习的方法应用到图像篡改检测领域。文章以复制-移动篡改检测和拼接篡改检测为切入点,分别就传统方法和基于深度学习的方法在篡改图像的识别和篡改区域的定位方面进行了分析。     

基于深度学习的SAR图像舰船目标检测综述

近年来,合成孔径雷达成像技术因具备全天时和全天候的目标感测能力,在海洋实时监测和管控等领域发挥着重要作用,特别是高分率SAR图像中的舰船目标检测成为当前的研究热点之一.首先分析基于深度学习的SAR图像舰船目标检测流程,并对样本训练数据集的构建、目标特征的提取和目标框选的设计等关键步骤进行归纳总结.然后对检测流程中的各部...     

基于近红外图像的硅太阳能电池故障检测方法

太阳能光伏发电是现今具有远大发展前景的新能源领域,先进高效的太阳能电池制造产业对于太阳能光伏发电具有重要意义,因此生产制造过程中太阳能电池探伤技术具有巨大的应用价值。当前新发展出的利用近红外图像对太阳能电池探伤的技术,对于检测太阳能电池故障比较有效,但当前工业界所使用的后期处理较为简单。通过对太阳能电池近红外图像作一定图像处理,可以较为快捷地分辨出太阳能电池的碎片、隐裂、断栅等故障。相对于已有的后期处理方法,可检测的故障类型较为全面,故障检测效率有较大提高,可以显著降低太阳能电池生产中的太阳能电池故障率。     

医学图像关键点检测深度学习方法研究与挑战

作为众多医学图像处理的前提和关键,医学图像关键点检测具有重要的理论研究和应用价值.由于个体间差异性和个体内歧义性的影响,以及更高的临床应用定位精度的要求,医学解剖关键点检测面临着巨大的挑战.鉴于深度学习技术在医学图像关键点检测乃至整个医学图像处理领域都表现出了强大的实力,本文全面检索发表于顶级医学期刊和会议论文集中的医...     

红外图像边缘检测算法综述

为填补红外图像边缘检测算法综述性研究的空白,使更多研究者较为全面地了解目前成果,并为后续研究提供有价值的参考,遴选了近十年国内外红外图像边缘检测技术研究的相关文献.首先概述了红外成像与边缘检测技术,进而阐述了红外图像边缘检测技术的难点与挑战,接着总结了主要的红外图像边缘检测算法,将相关算法分为了4类——基于经典边缘检测...     

图像超分辨率重建研究综述

图像超分辨率重建（Super-resolution Reconstruction,SR）是由一张或多张低分辨率图像得到高分辨率图像的过程.近年来,SR技术不断发展,在许多领域被广泛应用.本文在回顾SR技术发展历史的基础上,全面综述了SR技术在各个时期的代表性方法,重点介绍了基于深度学习的图像超分辨率工作.我们从模型类型、网络结构、信息传递方式等方面对各种算法进行了详细评述,并对比了其优缺点.最后探讨了图像超分辨率技术未来的发展方向.     

地铁列车ATC系统故障的预测及研究

随着科技日益发展,我国地铁工程建设已步入崭新的发展阶段。就地铁列车而言,信号系统是其核心系统,主要采用的是列车自动控制ATC系统。但在运行中,ATC系统经常发生故障问题,严重影响列车的正常运行。因此,本文作者以地铁列车ATC系统为基点,对其故障方面予以了探讨。     

基于特征融合和反馈细化的光场图像显著性检测

现有的光场图像显著性检测算法不能有效地衡量聚焦度信息,从而影响了检测目标的完整性,造成信息的冗余和边缘模糊。考虑到焦堆栈不同的图像及全聚焦图像对于显著性预测发挥着不同的作用,提出有效通道注意力（ECA）网络和卷积长短期记忆模型（ConvLSTM）网络组成特征融合模块,在不降低维度的情况下自适应地融合焦堆栈图像和全聚焦图像的特征;然后由交互特征模块（CFM）组成的反馈网络细化信息,消除特征融合之后产生的冗余信息;最后利用ECA网络加权高层特征,更好地突出显著性区域,从而获得更加精确的显著图。所提网络在最新的数据集中,F-measure和平均绝对误差（MAE）分别为0.871和0.049,表现均优于现有的红、绿、蓝（RGB）图像、红、绿、蓝和深度（RGB-D）图像以及光场图像的显著性检测算法。实验结果表明,提出网络可以有效分离焦堆栈图像的前景区域和背景区域,获得较为准确的显著图。     

基于级联网络的输电线路螺栓故障检测

针对输电线路无人机巡检图像中螺栓尺寸小且特征不明显等特点而导致故障螺栓检测精度低、检测速度慢等问题,提出一种NanoDet-YOLOv5-GN级联网络检测系统。其系统整体采用分级检测原则,采用NanoDet网络对巡检图像进行处理、定位,并分割螺栓连接部位,增大螺栓在整体图像中的占比;使用改进的YOLOv5-GN网络对缺陷螺栓进行检测。在改进的YOLOv5-GN网络中,在backbone部分嵌入了CBAM注意力模块,在neck部分引入了gnConv重构颈部网络,在head层新增小目标检测层,强化模型对于小目标特征的提取能力。并采用800幅线路无人机巡检缺销螺栓图像对其进行实验验证和测试,结果表明,所提级联网络检测系统的准确率为94.5%,召回率为91.4%,mAP为76.1%,其检测速度达到平均25.2帧/秒,能够较好地满足无人机巡检速度与精度上的要求。     

SAR图像舰船目标检测数据集构建研究综述

算法和数据是影响深度学习技术发展的两大关键因素,大多数学者专注于算法的改进和开拓,仅有少部分学者致力于数据的研究.构建合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船数据集是SAR舰船目标检测项目的第一步,也是星载SAR图像实际工程应用的基础.分析了影响SAR舰船目标检测性能的关键因素,阐述了SAR舰船数据集的构建方法,概述了TerraSAR-X、"哨兵"1号(Sentinel-1)和高分三号(GF-3)三种SAR图像数据源,并对几种公开的SAR舰船数据集进行梳理与分析,总结了各数据集的发展历程,最后指出构建SAR图像舰船数据集仍需考虑的几个方面.     

可见光和红外图像决策级融合目标检测算法

为了提高可见光和红外图像决策级融合目标检测算法的性能,提出了一种基于模型可靠性的决策级融合策略。首先采取图像预处理技术提高红外图像的整体质量,之后对可见光与热红外目标检测模型分别进行训练测试,根据模型测试结果得到融合策略所需参数,依据所提出的融合策略对模型检测结果进行融合,得到最后的融合检测结果。实验结果表明,相比于单一目标检测模型的检测结果,所采用的融合算法在白天的漏检率比可见光检测模型降低了8.16%,夜间漏检率比红外检测模型降低了9.85%。     

基于深度学习的图像目标检测算法综述

图像目标检测是找出图像中感兴趣的目标，并确定他们的类别和位置，是当前计算机视觉领域的研究热点。近年来，由于深度学习在图像分类方面的准确度明显提高，基于深度学习的图像目标检测模型逐渐成为主流。首先介绍了图像目标检测模型中常用的卷积神经网络；然后，重点从候选区域、回归和anchor-free方法的角度对现有经典的图像目标检测模型进行综述；最后，根据在公共数据集上的检测结果分析模型的优势和缺点，总结了图像目标检测研究中存在的问题并对未来发展做出展望。