关键词： 杂交水稻   异常检测   目标检测  

摘要： 除杂是杂交水稻制繁种过程中保证种子纯度的关键步骤。为了防止杂株产生异常花粉影响杂交优势,除杂作业需要反复人工操作,耗费大量的人工和时间。田间杂株的自动化地识别是实现机械化和自动化除杂的基础。为了实现杂交水稻制繁种杂株的自动化精确检测,首先使用无人机航拍采集含有杂株的杂交水稻制繁种田俯拍图像,通过中心裁剪获得无畸变的高质量图像,标注出图像中的杂株目标后经过几何变化和颜色变化进行数据增强,获得杂交水稻制繁种田间杂株数据集。针对图像数据集中杂株和正常植株之间的高相似度,提出了一种杂株目标检测网络模型T-CenterNet2,在CenterNet2网络的特征金字塔网络中添加纹理感知模块,这一模块通过重组通道信息获得特征图中的纹理特征,进而增强杂株目标和背景的特征差异;并重新设计了损失函数,添加测量纹理特征和标签真值之间差异的纹理损失,用于控制纹理感知模块;针对除杂的实际作业情况引入DIoU作为边界框损失,通过增加预测框和标签中心点的距离惩罚项以提高网络预测的目标中心点准确度。为了验证各项改进对模型的性能提升,首先使用mAP和召回率作为评价指标描述模型对杂株目标的检测效果,将改进后模型与原始模型CenterNet2以及4种典型模型(Faster R-CNN、FCOS、YOLOX、DeTR)进行对比,实验结果表明改进后T-CenterNet2模型mAP达到86.4%,较原始模型提高11.0个百分点,召回率达到82.5%,较原始模型提高11.6个百分点,而典型模型最高mAP和召回率仅为73.1%和66.2%,T-CenterNet2模型取得明显的优势。其次对比了不同损失函数组合对模型收敛速度和检测精度的影响,其中具有权重的纹理损失和DIoU组取得最佳结果,证明重新设计的损失函数有效适用于杂株检测任务。改进后模型具有较高的检测精度和鲁棒性,能够实现良好的杂株检测效果。

关键词： AIGC   大语言模型   OpenCV图像处理与应用   计算机视觉   教学改革   深度学习  

摘要： 自2022年以来,随着以ChatGPT为代表的大语言模型技术的迅猛发展,教育领域成为大语言模型的重要应用场景之一。文章针对当前高职技能人才培养过程中面临的困难与挑战,提出通过AIGC技术从丰富教学手段、更新课程内容、强化实践教学、实现个性化学习等方面助力教学改革。结合OpenCV图像处理与应用课程,文章从课前、课中和课后三个阶段详细描述了AIGC的应用过程,对AIGC赋能高职教育进行了初步探索,为OpenCV图像处理与应用课程的教学提供了新的思路与方法。

关键词： 航拍图像   小目标检测   YOLOv8n   FasterNet   SPPF模块   高效多尺度注意力机制(EMA)   Wise IoU  

摘要： 针对航拍图像小目标检测中存在目标密集和相互遮挡问题,提出一种基于YOLOv8n的航拍图像小目标检测算法。在主干网络末段,置换C2f中Bottleneck为改进后的FasterNet,保持通道数并提升收敛速度;替换SPPF中CBS激活函数SiLU为ReLU使输入负值置零,在CBS后引入SE注意力机制扩张感受野,保留更多小目标特征。输出端检测头前嵌入高效多尺度注意力机制EMA获取更多细节信息,进一步提高小目标关注度。将基线网络损失函数CIoU替换成Wise IoU,提供增益分配策略,专注普通质量锚框,提高网络泛化能力。在数据集VisDrone2021和RSOD上做消融实验和对比实验,相较于基线算法,mAP@0.5分别提升5.1和7.2个百分点,mAP@0.5:0.95分别提升4.4和2.1个百分点,表明检测精度指标显著提升;在公开数据集VOC2007+2012上做泛化实验,mAP@0.5提升3.8个百分点,表明具有良好的鲁棒性。

关键词： 羊只   多目标追踪   深度学习   注意力机制   YOLO   ResNet   DeepSORT  

摘要： 羊只的运动状态能够反映其健康状况,对养殖场环境下的目标羊只运动轨迹进行追踪是获取其运动状态的关键一步。在特定的情况下,例如羊只分娩前或疾病治疗过程中,对少量的目标进行自动化的跟踪具有实用性。为了提高多目标追踪的准确性,本文提出了一种改进的DeepSORT-R多目标跟踪算法。在目标识别阶段,利用添加了注意力机制的YOLOV5-CBAM网络实现羊只目标的检测;在重识别阶段,采用添加了注意力机制的ResNet50网络实现了羊只身份的识别。本文提出的方法针对测试集的试验结果表明,MOTA、MOTP和IDSW分别达到了76.15%,0.208和7.5。此外,在长视频追踪测试过程中,本文提出的方法在评价指标MOTA,MOTP和IDSW的得分上均优于目前常用的YOLOV4+DeepSORT和ByteTrack。试验结果表明本文提出的方法能够用于实际养殖环境中多目标羊只的跟踪。

关键词： 小目标检测   特征金字塔网络   注意力机制  

摘要： 由于小目标可视化特征少、难以定位,故许多小目标检测方法基于特征金字塔网络(FPN)进行多尺度融合丰富各特征层的信息。然而,FPN只关注特征局部相关性并且使用逐元素相加操作融合不同的特征层忽略了不同特征层感受野的不同。因此,提出增强上下文特征金字塔网络(ECFPN),设计了上下文信息增强(CIE)模块增强上下文信息,注意力引导特征融合(AGFF)模块融合高层特征图和低层特征图。实验结果表明,ECFPN在VOC2012数据集上的AP 0.5、AP S分别达到75.05%和19.48%,在NWPU VHR-10数据集上的AP 0.5、AP S分别达到93.48%和45%,具有良好的小目标检测性能。

关键词： 深度学习   YOLOv8   MHSA   SIoU  

摘要： 无人机图像目标探测在日常生活和军事作战领域发挥着不可或缺的作用,但检测图像大小、距离远近等条件的变化仍然使得该领域的研究具有很大的挑战,故提出一种基于YOLOv8的无人机图像目标检测算法。在原YOLOv8基础上提出检测头替换成Dyhead(Dynamic Head)检测头,引入MHSA注意力机制(Multi-Head Self-Attention),引入SIoU(Smoothed Intersection over Union)损失函数从而对检测密集的目标图像有了很好的效果。在Drone Vehicle数据集和自定义数据集Object上对算法性能进行了训练对比和评估,并设计了详细的消融实验,实验结果表明,改进算法检测精度达到了91.3%同时mAP达到85.7,相比于YOLOv8算法精度提升了8.6%,mAP提升了9%,改进后的算法可以更好地应用在无人机图像检测中。

关键词： 无人机   目标检测   小目标   多尺度特征融合  

摘要： 在无人机捕获的大尺度图像中,目标检测是一个具有挑战性的问题,尤其是对小目标和尺度变化较大的目标进行检测。为此,提出了一个简单而有效的尺度增强金字塔网络(SEPNet)来解决这些问题。SEPNet由上下文增强模块和特征对齐模块组成。具体来说,上下文增强模块结合了多尺度卷积和多分支分组卷积来建模全局关系,增强了对象特征的表示,防止空间信息丢失的特征流入多尺度特征融合层。特征对齐模块自适应学习像素偏移以保持特征一致性。特征对齐模块旨在调整卷积核中采样点的位置,有效缓解相邻特征融合带来的信息冲突。结果表明,SEPNet在VisDrone数据集上的AP得分为18.9%,比最先进的检测器RetinaNet的AP高5.6%。

关键词： 在线多目标跟踪   注意力机制   多级线索关联  

摘要： 针对多目标跟踪(Multi-Object Tracking,MOT)任务中因目标间的相互遮挡导致目标跟踪失败和轨迹关联错误等问题,提出一种新的基于注意力机制和多级线索关联策略的多目标跟踪网络。生成目标可见性图并将其转化为空间注意力图来解决多个目标之间的遮挡问题;在特定目标对象分支网络中,使用通道注意力提高特征鲁棒性;提出结合目标对象的外观、运动以及交互三种线索的多级线索关联策略来匹配当前目标的正确轨迹。在基准数据集MOT16和MOT17上的实验结果表明,与现有方法相比,所提出的方法在多个评价指标上能获得更好的结果。

关键词： 智慧职教   图形图像处理   混合式教学   AI拓展教学  

摘要： 以“图形图像处理”课程为例,探讨了在智慧职教平台支持下的混合式教学设计过程,并分析了在此基础上利用相关人工智能(Artificial Intelligence,AI)技术拓展教学实践的方式和效果。首先,阐述了智慧职教平台的发展背景和意义,概括了利用智慧职教平台教学的优势。其次,根据课程的性质,分析了在平台上完成前期建课的方法和混合式教学的路径。再次,从图像识别与智能修图、自动生成图像与风格转换、虚拟现实(Virtual Reality,VR)技术下课程融通3个方向,论述了使用AI工具拓展教学的具体操作方法。最后,分析得出教学实践的效果,指出教学实践过程中遇到的问题并提出相应的建议,以促进课程的创新发展。

关键词： 图像处理   泄漏区域识别   目标检测   挥发性有机化合物泄漏   红外气体成像仪  

摘要： 为了解决红外气体成像仪在挥发性有机化合物(VOC)泄漏识别中存在的误识别率高、漏检率高、算法执行效率低以及模型泛化能力差等问题,提出了一种基于运动特征增强的VOC泄漏区识别方法。采用视频序列投影变化率统计的方法确定视频稳定性判定阈值,提取稳定状态下运动背景和运动前景;采用优化线性拉伸的方法对运动前景进行特征增强和异常值过滤;将运动前景与原始帧进行图像融合,并利用目标检测算法进行VOC泄漏区域识别;通过模型预训练和迁移学习的方法,以烟雾数据集和少量VOC泄漏数据集进行了识别模型训练,并将模型迁移至RK3588S嵌入式开发板上进行了执行效率测试。结果表明,该算法在交并比为0.5的情况下,平均精度均值为0.88;交并比在0.5~0.95范围内,平均精度均值为0.51,单帧平均识别时间为49 ms,具有较高的识别精度和识别效率,能够满足实时监测需求。本文中的算法能够保持稳定的模型性能且具有一定的抗干扰能力,为VOC泄漏识别提供了一定的参考。