工业回收过程中的图像质量增强与密集小目标检测
计算机视觉与模式识别
2025-09-04 v1 图像与视频处理
摘要
本文解决了两个关键挑战：检测小而密集且重叠的目标（这是计算机视觉中的一个主要障碍）以及提高噪声图像的质量，特别是在工业环境中遇到的图像 [1, 2]。我们的重点是评估基于监督深度学习构建的方法。我们使用一个包含超过1万张图像和12万个实例的新开发数据集对这些方法进行了分析。通过评估它们的性能、准确性和计算效率，我们确定了最可靠的检测系统，并突出了它们在工业应用中所解决的具体挑战。本文还研究了在嘈杂的工业环境中使用深度学习模型来提高图像质量。我们引入了一个基于全连接卷积网络的轻量级模型。此外，我们提出了进一步增强该模型有效性的潜在未来方向。该数据集和所提出模型的代码库可在以下网址找到：https://github.com/o-messai/SDOOD, https://github.com/o-messai/DDSRNet
引用
@article{arxiv.2509.01332,
title = {Image Quality Enhancement and Detection of Small and Dense Objects in Industrial Recycling Processes},
author = {Oussama Messai and Abbass Zein-Eddine and Abdelouahid Bentamou and Mickaël Picq and Nicolas Duquesne and Stéphane Puydarrieux and Yann Gavet},
journal= {arXiv preprint arXiv:2509.01332},
year = {2025}
}
备注
Event: Seventeenth International Conference on Quality Control by Artificial Vision (QCAV2025), 2025, Yamanashi Prefecture, Japan