关键词： 旋转目标检测   分支对齐   动态标签分配   遥感图像  

摘要： 现有的一阶段遥感检测器大多使用具有平行分支的检测头，普遍存在两分支预测不对齐问题。针对该问题，提出了一种分支特征对齐网络。首先，分支对齐模块通过学习分支对齐特征来加强分类和回归分支之间的特征交互，同时模型基于对齐特征动态调整采样位以实现两分支的特征对齐；然后，在样本分配阶段，模型通过设计的对齐度指标在训练过程中动态评估样本的分类和回归质量，并基于排序的分配策略由粗到细筛选正样本，保证不同尺寸的目标获得足够的监督信息；最后，在DOTA-V1.0、DOTA-V1.5和DIOR-R这3个常用数据集上，所提算法取得75.36%、68.26%和65.50%的平均精度均值，相较于其他先进算法，在检测性能与检测效率上具有明显优势。

关键词： 苹果花   激光疏花   参数优化   目标检测   LT-YOLO  

摘要： 针对苹果花激光疏花技术中的关键参数优化问题，设计了激光疏花试验台。通过正交试验法，优化了试验台高度、激光打击时间及PWM占空比，得到最佳参数组合：激光高度为20 cm、打击时间为10 s、激光功率(PWM占空比)为50%将达到最佳的疏花效果。针对激光疏花中苹果花识别与定位，提出了LT-YOLO(Lightweight and targeted-you only look once)苹果花检测模型，设计了基于ViTBlock的DPRViTBlock模块和基于C2f模块的DPRVBC2f模块，并添加了DPRVBC2f模块和ELA注意力模块，应用于检测骨干和检测头的特征提取，以增强对苹果花的检测性能，验证集中该模型的准确率、召回率和平均精度均值分别为83.16%、82.15%和87.47%,相比YOLO v8模型分别提高5.04、2.12、2.15个百分点，内存占用量为5.26 MB,检测速度为128 f/s,满足使用时的准确性和实时性的要求。该研究为苹果花疏花技术进一步优化与智能化应用提供了科学依据。

关键词： 梳棉机棉网   深度学习   目标检测   棉结   轻量化模型   YOLOv8   图像检测  

摘要： 针对基于深度学习的棉结目标检测模型占用过多计算资源、难以满足嵌入式设备及移动端的实时在线检测的问题，提出基于改进型YOLOv8的梳棉机棉网上棉结检测方法。首先，将轻量型网络MobileNetv3＿Small用作YOLOv8n骨干网络，降低计算参数量；其次，在MobileNetv3网络中使用自改进协调注意力机制(coordinate attention)模块替换原有的压缩和激励(squeeze-and-excitation)注意力机制模块，提升对棉结的检测精度；最后，使用EIoU损失函数取代原YOLOv8n中的CIoU损失函数，在处理数据时保留更多有效信息。在自制棉结图像数据集上验证改进型YOLOv8算法的检测效果，结果表明：基于改进型YOLOv8的检测方法平均准确率均值达到95.8%,相较于改进前提升了2.6%;参数量减少了34.2%。改进后算法的检测效果更好，且模型更加轻量，可满足嵌入式设备的使用。

关键词： YOLOv8s   ODE   BiEO-Neck   小目标检测头   WIoU  

摘要： 针对无人机航拍图像中存在因背景复杂、尺度变化大、目标密集而导致的小目标检测率较低问题，提出一种新型双向加权多尺度动态无人机视角下小目标检测（BiEO-YOLOv8s）算法。首先，设计全新ODE模块来替代部分C2f模块，使其能更准确、更快速、多角度地定位目标特征。然后，设计双向加权多尺度动态颈部网络结构（BiEO-Neck），实现浅层特征与深层特征的深度融合。其次，添加小目标检测头，进一步提升特征提取能力。最后，采用广义交并比边界损失函数来替代原有边界损失函数，以增强边界框的回归性能。在VisDrone数据集上进行实验，与基础模型YOLOv8s相比，平均精度均值提升了6.1百分点，检测速度仅为4.9 ms，整体性能优于其他主流模型。通过在IRTarget数据集上的通用性测试，进一步验证了该算法在不同数据集上的有效性和适应性。所提算法能够高效地完成无人机航拍图像的目标检测任务。

关键词： STEAM   教育理念   高职院校   图形图像处理   教学实践   项目化  

摘要： STEAM教育理念注重对学生进行科学、技术、工程、数学及综合能力等方面的培养，促进教育教学的变革，要求学生能够独立完成项目任务。在基于STEAM教育理念的高职院校图形图像处理课程教学实践中，教师需要采用项目化的方式展开教学，以项目为载体，组织学生以小组合作的方式完成项目任务，使学生在项目合作中掌握课程内容。

关键词： 遥感影像   数据增强   飞机目标检测   Faster-RCNN   深度学习  

摘要： 针对现阶段遥感影像飞机目标检测的数据集规模较小的问题，使用水平翻转和灰度变换的数据增强方式扩充数据集，在一定程度上可以提高飞机目标检测的准确性，并缓解过拟合的现象。为解决Faster-RCNN中VGG16网络层数较浅，特征提取不充分的问题，使用ResNet50作为特征提取网络，可以提炼出更深层次和抽象的目标特征，在网络深度加深、梯度爆发和网络性能提升不明显的情况，ResNet50中的残差结构有利于解决这些问题。为解决ROI Pooling两次量化造成的区域不匹配问题，使用ROI Align双线性内插的方法取消两次量化操作，获得更精确的像素坐标，并将整个特征聚集过程转化为一个连续的操作。最终优化FasterRCNN在RSOD数据集上飞机目标检测精度达到了98.72%，同时在UCAS-AOD数据集上也具有良好的泛化性能，验证了优化模型的有效性。

关键词： 图象处理软件  

ISBN: (纸本)9787302679325

摘要： 本书共20章，主要内容包括计算机视觉概述、0penCV的Python开发环境搭建、OpenCV基本操作、数组矩阵、图像处理模块、灰度变换和直方图修正、图像平滑、几何变换、图像边缘检测、图像分割、图像金字塔、图像形态学、视频处理，以及停车场车牌识别、目标检测、数字水印、图像加密和解密、物体计数、图像轮廓和手势识别等案例。

关键词： 深度学习   轻量化设计   目标检测   综述  

摘要： 随着深度卷积神经网络的兴起，很多目标检测模型取得了显著的成绩。然而，大模型以计算成本昂贵且内存密集型为特点，难以部署在嵌入式、实时检测等环境中，因此，研究设计轻量化模型是当前的研究热点之一。构建轻量化的目标检测算法是具有挑战性的任务，因为模型必须要被精妙设计才能在花费尽可能少的参数量和计算资源消耗的同时获得优越的检测性能。在过去10年中，轻量化算法设计取得了显著进展。总结了轻量化目标检测算法，旨在进一步探索轻量网络设计的新思路和新方向。将轻量化算法设计分为3类：骨干网络、特征融合网络和注意力机制。详细分析了每一类在目标检测任务中的性能、优势和局限性。接着，简要介绍了一些最近取得成功的方法，如YOLO系列和DETR。最后总结了研究内容，并讨论了未来工作的挑战和潜在方向，同时探讨了轻量化设计在目标检测领域的发展趋势。

关键词： 机器视觉   目标检测   YOLOv5算法   Transformer结构   电动三轮车  

摘要： 针对我国道路交通管理工作中的电动三轮车目标检测问题，以及当前检测模型在小目标检测和实时性上的不足，提出了一种基于改进YOLOv5s模型的检测方法。对原始的YOLOv5s模型进行改进，增加小目标检测头，引入结合高效加性注意力机制的Transformer结构，结合城市道路场景构建数据集。实验结果显示，改进模型在精确度、召回率和平均精度均值（mAP@0.5）等性能指标上分别提升了0.67、2.68、5.78百分点。同时，模型在帧率上达到了92 frame/s，表现出了良好的处理能力，能够满足实际道路交通场景下的实时检测需求。

关键词： 计算机图形图像处置   计算机   虚拟现实   三维  

摘要： 本文首先概述了计算机图形图像处理技术，然后详细阐述了其关键技术与应用，并结合这些分析了其在不同领域的应用效果。最后，以《上古卷轴5：天际》为例，具体分析了三维重建技术，以期为相关提供参考。