关键词： 目标检测   烟雾检测   YOLOv7网络   网络复杂度  

摘要： 【目的】旨在解决复杂场景中目标烟雾失检、检测精度低的问题。【方法】基于YOLOv7算法基础上进行优化改进,将原模型Neck部分的PAFPN结构替换为渐近式特征金字塔结构AFPN并引入ECIoU作为目标回归损失函数,在自构建数据集SMdatase和Pycharm平台上进行验证。【结果】实验结果表明:改进后的算法准确率比原YOLOv7模型提高了1.3%,达到68.6%,平均精度均值(mAP)比原YOLOv7模型提升了1.8%,达到64.6%,且改进后算法的计算复杂度仅有82.5 GFLOPs,比原YOLOv7模型下降了27.4%。【结论】提出的基于改进YOLOv7算法,既能降低网络计算复杂度又能提升检测精度,为复杂场景烟雾检测的后续研究提供了新思路。

关键词： 路侧停车   图像数据   目标检测   YOLOv5  

摘要： 针对现有路侧停车目标检测和识别方法在复杂场景中效率和精度的不足,提出了一种基于梯形卷积算法的优化方案,并将其集成至YOLOv5模型中。此算法通过选择性跳过部分不必要的卷积运算,减少了计算量,从而提升了模型推理效率。实验使用视频采集的图像数据集进行训练和验证,比较了传统卷积和梯形卷积在不同设备下的性能差异,改进后的模型在CPU环境下推理时间减少,且实现了较明显的速度提升。因此,算法能够在路侧停车场景中提高目标检测模型的实时性,为部署低成本高效率的智能交通系统提供了新方案。

关键词： 显著性引导图像   自适应融合   注意力增强特征   金字塔网络   改进Faster-RCNN   遥感图像   目标检测  

摘要： 目标检测作为遥感图像处理领域的关键任务之一,一直是遥感图像处理的研究热点。尽管深度学习方法在此领域取得了显著进展,但在应对遥感图像的尺度变化和复杂背景时,仍面临着不小的挑战,这在一定程度上限制了检测精度的进一步提升。为了解决这个问题,提出了一种创新的遥感图像目标检测方法,该方法融合了显著性引导的图像自适应融合模块,并对Faster-RCNN进行改进,提升目标检测的准确性。首先,在图像预处理阶段提出了一个基于显著性引导的图像自适应融合模块,有效地集成了图像的语义信息和浅层细粒度的细节,使模型能够优先考虑对象区域,同时最大限度地减少背景干扰。其次,在引入MobileNetV3作为Faster-RCNN的特征提取器后,提出了一个注意力增强特征金字塔网络,将注意力与上采样结合起来,进一步增强了目标特征并输出高质量的特征图,从而有效提升了多维特征的提取效果,为后续的目标检测任务提供了更为精准和丰富的特征信息。再次,设计了一个多尺度区域建议网络,这种设计能够更准确地捕获不同大小和形状对象的特征,进而增强特征的表达能力,有效提升目标的检测精度。最后,在DIOR和ROSD数据集上进行实验验证,所提出的网络模型相较于其他先进方法展现出了更高的检测精度,充分证明了其优越性和有效性。

关键词： 无人机   路径规划   协同覆盖   图像处理  

摘要： 为解决多无人机区域协同覆盖的问题,提出一种基于奖励函数的实时协同覆盖算法。首先建立环境地图模型,根据先验信息划分为:待覆盖区域、已覆盖区域、边界区域以及禁飞区域;并采用矩阵运算实现地图的快速更新。根据无人机的动力学特性,建立无人机的运动模型。根据动态窗口预测无人机的路径,结合地图信息使之实现障碍物回避,并在陷入困境时,利用图像处理技术和改进A*算法引导无人机飞行。最后进行了仿真,结果表明提出的协同覆盖算法有很高的鲁棒性和覆盖效率。当运行到1200步长时,所提算法的覆盖率为:96.66%,相较于贪婪算法、预测算法和无引导算法分别提高了:33.7%、30.5%和16.05%。

关键词： 计算机视觉   图像识别   监测   密度   热压   定向刨花板   断面密度梯度(VDP)  

摘要： 【目的】断面密度梯度(VDP)是影响定向刨花板物理力学性能的重要因素,以往的研究大部分采用模拟预测等间接方式获取VDP。为了快速、准确、直接获取热压过程中定向刨花板的VDP,将计算机视觉技术应用于VDP的在线监测。【方法】利用计算机视觉技术处理热压过程中采集的照片,快速、准确地识别、标记刨花,计算瞬时压缩比例和密度,实现VDP的在线监测。在实验室制备陡峭型和平坦型两种VDP的定向刨花板。在热压过程中,采用VDP在线监测方法跟踪记录标记刨花位置,并计算压缩比例和区域密度;使用热敏电阻同步记录板坯表芯层温度,断面密度扫描仪计算区域密度。将实际结果与监测结果对比,以验证该技术的可靠性。【结果】(1)该监测方法具有快速、准确、数据完整的特点;(2)板坯瞬时平均压缩比例与标记刨花的瞬时平均压缩比例的相关系数均值大于0.990,区域密度的监测值和实际值的相关系数大于0.840,说明VDP在线监测方法能够准确获得瞬时压缩比例和区域密度;(3)该监测方法能够直观反映热压过程中VDP的形成过程,为解译VDP的形成原理提供新的技术手段。【结论】本研究基于计算机视觉技术开发了一种快速、准确监测定向刨花板VDP的方法。计算机视觉的应用可以为人造板的生产优化提供新的技术选择。

关键词： 模式识别技术   图像处理   图像模式识别   图像分析   应用流程   运用探讨   应用验证  

摘要： 图像处理是图像分析应用的重要前提,而模式识别则是一种高效的图像处理技术。因此,本文简单介绍了模式识别技术,论述了模式识别技术在图像处理中的应用流程,并对模式识别技术在图像处理中的应用验证进行了进一步探究,希望为图像模式识别的实践推广提供一些参考。

关键词： 股骨颈骨折   体层摄影术   螺旋计算机   图像处理   计算机辅助   诊断  

摘要： 目的 探究64层螺旋CT三维重建技术诊断老年股骨颈骨折的临床价值。方法 采用随机数字表法将我院2021年4月至2023年2月收治的62例股骨颈骨折患者分为2组,各31例。对照组采用新东方1 000 UA型透视摄影X射线机检查,观察组则采用64层螺旋CT三维重建技术进行检查。对比2种方法在老年股骨颈骨折中的诊断准确度、解剖部位分型诊断符合率、影像学检查表现分析。结果 相比于对照组,观察组诊断老年股骨颈骨折准确度较高,漏诊率较低(P<0.05)。以临床检查结果为“金标准”,相比于对照组,观察组解剖部位分型诊断符合率较高(P<0.05)。结论 64层螺旋CT三维重建技术在老年股骨颈骨折诊断中应用价值较高,可有效提升诊断准确度,且与解剖部位分型诊断符合率较高,为临床进一步诊疗提供可靠参考,值得推广应用。

关键词： YOLOv5   带钢表面缺陷   注意力机制   特征融合   轻量化结构   目标检测  

摘要： 为解决现有目标检测方法对带钢表面缺陷检测精度不高、效率低下的问题,提出一种GS-YOLO(Gather-anddistribute-Squeeze-YOLO)模型检测表面缺陷。首先,在骨干网络中,引入SE(Squeeze-and-Excitation)注意力机制,以显著增强模型对缺陷特征的识别与定位能力;然后,将原始C3模块中的传统卷积替换为Ghost卷积,从而有效降低模型的参数量与计算量;最后,在模型颈部引入GD(Gather-and-Distribute)特征融合模块取代传统路径聚合网络(PAN)和特征金字塔网络(FPN)架构,从而确保特征融合的连续性,并提高不同规模目标的识别准确度。实验结果表明,与原始的YOLOv5s相比,所提模型的精确率、召回率和mAP@0.5分别提升了1.32、5.18和2.56个百分点,而计算量减少了0.4 GFLOPs,充分表明所提方法在兼顾检测精度提高的同时,降低了模型的计算量。

关键词： 病害   计算机视觉   苹果   Transformer编码器   自监督学习  

摘要： 为了缓解苹果叶部病害(apple leaf diseases,ALD)识别存在“类内差异大、类间差异小”的问题,该研究设计了一种融合Transformer与原型自监督(fusion transformer and prototype self-supervised,FTPSS)的模型,以进一步提高ALD识别精度。首先,利用Resnet50作为骨干网络,以提取ALD图像的多级特征图谱;然后,构造了一个简化自注意力(simplified self-attention,SSA)机制,且将其与空间注意力引导可变形卷积(spatial attention guided deformable convolution,SAG-DC)相结合,设计了一种简化自注意力可变卷积Transformer(simplified self-attention and deformable convolution transformer,SSADC-TF)编码器,用于对主干网络提取的多级特征图谱进行交互融合,以增强模型对ALD图像中不规则病变区域的感知能力;最后,构造了一个原型自监督(prototype self-supervised,PSS)学习模块,即通过构造“正交”与“聚集”二个自监督损失函数用于约束模型的训练,以缓解ALD图像识别中存在的语义鸿沟问题。基于标准图像集与真实图像集的对比试验结果表明,ALD图像经SSADC-TF逐层特征融合与PSS学习之后,FTPSS模型识别精度分别达到98.61%与98.73%,较基线模型分别提高5.15与4.49个百分点,能够满足智慧农业ALD识别的应用需求。

关键词： 目标检测   毫米波雷达   神经网络   数据融合   施工安全  

摘要： 针对目前纯视觉方案的安全帽检测算法难以兼顾精度与实时性的问题,本文利用毫米波雷达与视觉融合技术,提出一种基于嵌入式设备实时检测电力作业人员是否佩戴安全帽的智能识别算法。首先,对毫米波雷达和相机数据进行空间和时间融合;其次,基于目标生命周期方法对雷达数据进行有效目标筛选,设计状态滤波粗检测作业人员,并计算出图像感兴趣区域(ROI)映射到图像;然后,对多ROI的情况设计去重与合并方法;最后,基于YOLOv5模型,采用改进的轻量级网络ShuffleNetv2作为骨干网络,提高网络运行速度,在ROI中对人员是否佩戴安全帽进行检测。在电力现场搭建实验平台并将该方案与现有的纯视觉方案进行对比实验,结果表明该方法在检测精度有所提高的同时,实时性大幅提升,可以在作业现场实现基于嵌入式设备的实时检测。