关键词： 番茄   果实计数   目标检测   多目标追踪   超深掩蔽  

摘要： 针对在温室生产条件和作物种植模式约束下,番茄果实目标连续稳定跟踪困难,难以满足统计计数精度要求等问题,提出一种基于超深掩蔽与改进YOLOv8的不同成熟度果实计数方法。在YOLOv8基础上,构建融合全局特征的空间异质卷积核,优化设计卷积算子及目标检测网络,引入对果实目标标注更具鲁棒性的损失函数。提出用深度估计模型预测深度信息,动态生成深度阈值,基于该阈值,掩蔽远景果实目标,解决目标跟踪不稳定产生的计数精度低的问题。结果表明,与YOLOv8n相比,改进模型平均检测精度提高了3.2个百分点,召回率提高了3.7个百分点;将所设计的卷积算子用于目标检测模型,与使用该算子前相比,果实检测精度提高了2.7个百分点,与引入鲁棒性损失函数前相比,引入该损失后,检测精度提高了1.1个百分点;与不用超深掩蔽处理相比,应用该处理后,番茄果实计数精度提高了12.63个百分点;该方法的番茄果实计数精度为93.80%,对不同成熟度果实的计数精度不低于91.00%,计算速度为23帧/s。对YOLOv8的改进是有效的,超深掩蔽对提高番茄计数精度具有重要作用,研究可为基于视觉技术的果蔬产量统计提供技术参考。

关键词： 图卷积神经网络   特征提取   特征融合   目标检测   深度学习   无锚框方法   特征金字塔网络   Object-Box检测器   多尺度特征   全局特征  

摘要： 随着对目标检测任务研究的不断深入,以ObjectBox检测器为代表的无锚框方法引起了研究者们的关注。然而,ObjectBox检测器不能充分利用多尺度特征,也未充分考虑目标中心点与全局信息关联。为此,借助图卷积神经网络的节点相互影响原理,提出基于图谱方法的图卷积层模块GConv(graph convolution layer),学习图像全局特征;融合模块GConv与C3(cross stage partial network with 3 convolutions)得到GC3(graph C3 module)模块,进一步提取图像原始特征、细节特征以及全局特征;将GC3结合广义特征金字塔网络GFPN(generalized feature pyramid network),提出图广义特征金字塔网络GGFPN(graph generalized feature pyramid network),并嵌入ObjectBox算法,设计出ObjectBoxG算法。经典数据集的实验测试表明,提出的GC3模块比原C3模块具有更强特征提取能力;提出的GGFPN网络比GC3的特征学习能力更强;提出的ObjectBoxG算法具有优良的目标检测性能。

关键词： 血细胞检测   目标检测   外周血细胞   深度学习网络模型   消融实验   YOLO   单次多框检测器(SSD)  

摘要： 目的为了解决目前常用血细胞检测仪器检测耗时长、检测细胞种类少及人工镜检方式耗时耗力的问题。方法为了更快捷地对血细胞进行检测,提供准确的检测报告,减少医生工作量,本研究结合区域卷积神经网络、YOLO、单次多框检测器(Single Shot MultiBox Detector,SSD)等深度学习方法进行血细胞检测,并在实验中选择外周血细胞数据集,应用SSD模型和YOLO系列中的YOLOv5、YOLOX、YOLOv6、YOLOv7共5种网络模型进行训练,对比评估指标并讨论各网络模型的优劣势。结果本研究搭建了精准度更高、运行速度更快的新模型,精准度可达99.3%,单张检测时间为10.3 ms,并且所占内存仅为71.2 MB,超过其他网络模型;本文的消融实验验证了新添加的全连接层模块与泛化模块的实用性。结论该模型能够出色且准确地检测血细胞,且检测速度快、准确率高,同时模型较小,方便使用和维护。

关键词： 教育信息化   PBL教学法   Photoshop图像处理   教学改革  

摘要： 一、引言1969年,美国神经病学教授Howard Barrows创立了探究问题教学法(Problem-Based Learning,简称PBL)。PBL教学法是以问题为导向、以解决问题为目的的教学方法,通过问题引导学生专注于学习,培养学生的信息检索能力和批判性思维,并帮助他们在寻找和获得知识的同时提高分析问题和解决问题的能力。Photoshop图像处理课程是数字图文信息技术专业基础课程,主要目的是让学生理解色彩原理,掌握图像处理的知识和技术,学会Photoshop各种工具的使用。

关键词： 无人机   输电线路   巡检   图像处理技术  

摘要： 我国输电网架设十分广泛,输电线路的运行状态直接关系到整个电网的安全。传统的人工巡检方式效率低下,并存在安全风险。近年来,无人机技术的兴起为输电线路的巡检带来了革命性的变化。无人机通过搭载高清摄像头,能够快速获取输电线路的图像资料,图像处理技术的应用则进一步提升了巡检的效率和准确性。基于此,本文对无人机加以研究,明确其在输电线路巡检中的意义与优势,同时,重点说明图像处理技术在实际巡检中的具体应用,提升线路巡检效率。

关键词： 双流学习框架   红外小目标检测   超分辨率任务   共享特征注意力机制  

摘要： 为解决由于目标尺寸小、背景复杂等因素导致红外小目标检测精度难以提高的问题,提出一种基于双流学习框架红外小目标检测方法。将分割网络用于小目标检测,并将超分辨率任务作为辅助手段,引入共享特征注意力机制(SFAM),解决特征融合和迭代中的特征损失问题。通过在公共数据集上进行了4种不同场景的广泛实验,并以0.835的精度优于其他方法。同时,消融研究也证实了SFAM的重要性和可行性。

关键词： 目标检测   多尺度特征融合   智能船舶   注意力机制   YOLOv3  

摘要： 文中提出了一种实海域高精度的小目标检测算法.算法以YOLOv3作为基础模型,通过增加高分辨率特征层保留更多小尺度目标的细节特征信息.利用跳跃残差连接改进了YOLOv3的多尺度特征融合结构,以降低特征融合导致的目标特征损失,同时增强不同尺度特征图之间的信息交互.设计了双重注意力特征融合模块聚合局部特征与全局特征并细化融合特征图,降低融合特征图的混叠效应.在实海域数据集和VOC2007数据集上进行了验证,结果表明:提出的方法能够有效地提升模型的检测精度,尤其是小尺度目标的检测精度提升约15%,同时检测时间未出现明显增加.

关键词： 绝缘子   目标检测   迁移学习   Faster-RCNN  

摘要： 针对在室外复杂背景下绝缘子缺陷识别准确率低的问题,提出了一种改进的Faster-RCNN算法,该算法使用ResNet50+FPN替代了原始的骨干网络,并在网络中引入CBAM注意力机制。之后使用K-mean算法定制了锚选框的尺寸,提升对小目标的检测精度。采用在COCO数据集上训练的权重来进行迁移学习。实验结果表明,改进模型相比于原算法,对绝缘子各类缺陷的平均检测精度提升了4.4%,具有一定的工程应用潜力。

关键词： YOLOv3   目标检测   注意力机制   CIOU损失  

摘要： 家禽产业的发展依赖于精确高效的家禽部位目标检测技术,但当前该技术面临家禽生物多样性和生长变化性使目标特征提取困难、检测环境复杂导致检测工作难度增加等问题的挑战。针对家禽分拣中鸡的部位目标检测问题,本文提出一种名为AM-CIOU-YOLOv3的改进算法。该算法采用轻量化的Darknet-53骨干网络,力求高效提取目标特征;同时,该算法还引入双重注意力机制,即SE(Squeeze-and-Excitation)模块和STN(Spatial Transformer Network)模块,依据输入数据特征和上下文信息分配权重,聚焦关键部位特征并过滤干扰信息。此外,还将IOU损失替换成CIOU(Complete IOU)损失,借助多维度信息融合精确评估预测框与真实框的匹配程度。通过仿真实验将AM-CIOU-YOLOv3算法与YOLOv3、Faster R-CNN、YOLO和SSD等算法进行对比,结果表明AM-CIOU-YOLOv3算法在准确率、召回率、F值以及识别时间等方面具有显著优势,该算法能够充分满足鸡部位识别的实时性和精准性要求,可为相关家禽部位的识别工作提供有效的技术支持。

关键词： 深度学习   目标检测   YOLO   Faster RCNN   食源性致病菌   注意力机制  

摘要： 食源性致病菌是冷藏食品威胁人类健康的主要病原菌之一,是食品卫生微生物检验中的必查项目。细菌识别的传统方法需要在细菌培养的国标时间到达后由肉眼观察并计数,观察者极易因眼睛疲劳导致错误计数,费时费力;而且传统方法需要特殊试剂进行细菌检测,成本较高,需要专业知识进行操作。为快速准确检测细菌小目标,本文提出一种新型食源性致病菌检测方法——CBAM^(1,2,3)-YOLOv7,首先利用工业照相机代替显微镜拍摄图像,并将捕捉到的单增李斯特菌图像输入到优化后的模型中进行识别,该模型在YOLOv7模型的基础上加入CBAM注意力机制,使模型在通道域上更加敏感,增强了特征提取能力。为增强对比性,将同样的图像分别输入到Faster RCNN、YOLOv4、YOLOv5、YOLOv7深度学习模型中进行训练。优化后的模型较YOLOv7平均准确率提升了0.52个百分点、召回率提升了0.27个百分点。试验证明CBAM^(1,2,3)-YOLOv7算法可以实现对单增李斯特菌的高精度识别,对其他食源性致病菌的快速检测具有指导意义和参考价值。