在中红外图像中小规模的多对象细分使用图像定时特征-高斯混合模型和卷积-UNet
Meng Lv1, Haoting Liu1, Mengmeng Wang1
1Beijing Engineering Research Center of Industrial Spectrum Imaging, School of Automation and Electrical Engineering, University of Science and Technology Beijing, Beijing 100083, China.
Sensors (Basel, Switzerland)
|September 19, 2025
概括
本研究介绍了一种全天候监控算法,使用中红外图像进行草原监测. 这种新的方法通过在复杂环境中准确检测小目标来提高在放牧禁令期间的安全性.
科学领域:
- 环境科学 环境科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 智能视频监控对于保护自然资源至关重要.
- 为了有效地管理草原,需要全天候监测,特别是在放牧禁令期间.
研究的目的:
- 为全天候草原监测提出一个多对象细分算法.
- 在复杂的户外环境中提高目标检测的准确性和效率.
主要方法:
- 整合图像定时特征-高斯混合模型 (ITF-GMM) 进行强大的背景建模.
- 开发一个卷积-UNet (Con-UNet) 模型,以卷积层取代最大共享,以增强特征提取.
- 实施一个综合计算策略,将ITF-GMM和Con-UNet的输出与精细细分化的形态运算相结合.
主要成果:
- 实现了高性能指标:96.92%的精度,99.87%的准确性,94.81%的IOU和97.75%的回忆.
- 证明了实时处理能力.
- 在具有挑战性的户外条件下成功增强了小目标检测.
结论:
- 拟议的算法有效地提高了草原监测和执法自动化.
- 集成ITF-GMM和Con-UNet提供了一个强大的解决方案,用于全天候监控.
- 该方法证明能够在关键的草原管理期间改善安全监测.
