关键词： 无人机   目标检测   人工去雄   玉米雄穗   RTMDet   轻量化网络  

摘要： 玉米制种田遗漏雄穗检测是实现人工去雄质量评估的关键。针对现有玉米雄穗检测模型面临的参数量大、检测效率低和精度差等问题,提出一种基于RTMDet-tiny的轻量级雄穗检测模型MLCE-RTMDet。模型采用轻量级的MobileNetv3作为主干特征提取网络,有效降低模型参数量;在特征提取网络中引入CBAM注意力模块,增强对雄穗目标的多尺度特征提取能力,克服引入轻量化网络可能带来的性能损失。同时,使用EIOU Loss替代GIOU Loss,进一步提高雄穗检测精度。在自建数据集上的试验表明,改进的MLCE-RTMDet模型参数量缩减至3.9×10^(6),浮点运算数降至5.3×10^(9),参数量和浮点运算数分别比原模型减少20.4%和34.6%。测试集上模型平均精度均值增至92.2%,较原模型提高1.2个百分点;同时,推理速度达到41.9 f/s,增幅达12.6%。与YOLO v6、YOLO v8、YOLO X等当前主流模型相比,MLCE-RTMDet表现出更好的综合检测性能。改进后的高精度轻量化模型可为实现玉米制种田人工去雄后的遗漏雄穗检测提供技术支撑。

关键词： 杂波知识图谱   空时谱估计   自适应处理   稀疏性   航空电子技术   目标检测   多目标信号跟踪  

摘要： 在隐藏体目标故障探测识别中,由于埋体材质以及信号微弱的小埋藏体信号混合等杂波干扰,导致多目标信号难以捕捉。为此,设计了杂波知识图谱驱动的空时自适应处理方法,可有效抑制杂波并完成动目标检测。通过仿真实验发现,场景中的主要杂波集中在-15°的角度范围内,并且归一化多普勒值接近0.25。使用空时自适应处理和空时谱估计算法,确定真实运动目标具体位置在146帧附近,得到的方位角和归一化多普勒数值与仿真实验一致,表明所提方法的正确性和有效性。

关键词： 计算机视觉技术   无人驾驶汽车   目标检测  

摘要： 在当今科技飞速发展的时代,计算机视觉技术已成为推动无人驾驶汽车发展的核心动力。这项技术通过模拟人类视觉系统,使计算机能够从图像或多维数据中识别、处理和理解周围环境,其精准的目标检测、语义分割等功能为无人驾驶汽车提供了感知周围环境的能力,确保了驾驶的安全性和可靠性。该文概述计算机视觉技术,探讨计算机视觉技术在无人驾驶汽车中的具体应用,展望计算机视觉技术在无人驾驶汽车中的应用趋势,以提升计算机视觉技术在无人驾驶汽车中的应用水平。

关键词： 目标检测   电动车识别   YOLOv8  

摘要： 随着城市化步伐的不断加快,电动车已成为城市居民日常出行的重要工具,许多居民为了充电方便,选择将电动车搬进居民楼,并通过电梯运输,这一行为导致了居民楼内电动车安全事故频发。因此,开发一种高效且准确的电梯内电动车检测算法显得尤为重要。首先,使用FasterNet中的FasterNet Block替换C2f中的Bottleneck,其降低了模型的计算量,提升了检测速度。在YOLOv8原结构中引入SEAttention注意力机制,把重要的特征进行强化来提升准确率。替换损失函数为Inner-CIoU损失函数,以提升模型检测性能和泛化能力。经过实验验证,改进后的YOLO-FSI模型在电梯内电动车数据集上的mAP50为93.7%,相较于原模型,参数量减少了23.3%,检测速度更是提升了5.2帧/秒。综上所述,YOLO-FSI模型可以有效提升电梯内电动车的检测能力,并且做到了轻量化及快速推理。

关键词： 计算机视觉技术   人类视觉系统   计算机系统   人工监控   智能分析   数字图像   化学实验   实验室安全  

摘要： 随着化学产业的快速发展,实验室安全问题日益突出。传统的人工监控方式难以全面及时地发现潜在危险,计算机视觉技术(是一门跨学科的科技领域,旨在使计算机系统能够从数字图像或视频中获取高层次的理解,模拟人类视觉系统的功能)在此背景下应运而生。利用先进的图像处理算法和智能分析能力,计算机视觉在提升化学实验的安全性和可靠性方面展现出广阔前景。这项技术不仅能有效预防事故的发生、降低人员伤亡风险,还能优化实验流程、提高科研效率,为化学领域的可持续发展提供有力支撑。

关键词： 缺陷检测   机器学习   计算机视觉  

摘要： 日常汽车驾驶中,轮胎的质量好坏直接影响人们的生命安全,轮胎缺陷检测必不可少。为解决传统人工检测方法中检测速度慢、成本高、精度低等问题,本研究基于YOLO目标检测平台,设计开发一款轮胎缺陷智能检测平台,结合计算机视觉技术,实现对X光图片中轮胎缺陷的自动识别和分类。通过多尺度预处理、特征提取、卷积操作和边框回归等策略,进一步提高了检测速度和准确率。

关键词： 目标跟踪   孪生网络   抗遮挡   重检测   特征融合  

摘要： 针对SiamRPN目标跟踪方法用一阶浅层网络提取特征,难以精确地获得丰富的特征信息;缺少遮挡判别机制,易导致目标漂移或跟丢的问题,提出一种双线性特征融合与自适应重检测相结合的孪生网络目标跟踪方法.使用改进的ResNet50提取序列特征,对最后3个残差块提取的特征进行双线性级联融合,获得二阶特征信息,并通过区域候选网络输出目标框;计算目标框对应的平均峰值相关能量,判断目标是否被遮挡;针对遮挡,构建以上一帧跟踪结果为中心的邻近检测窗口,结合权重顺序选择与随机选择的方式选取窗口,对目标重检测.对比OTB100和UAV123数据集上的实验结果表明,所提方法跟踪成功率分别达到0.894和0.800,跟踪精确度分别达到0.669和0.605,同时具有较好的跟踪时效性.

关键词： 卷积神经网络   生成对抗网络   图像转换   红外小目标   合成数据增强  

摘要： 近年来,卷积神经网络在红外小目标检测方面取得了良好的效果;但由于该技术中公共训练数据数量有限,在一定程度上导致分析结果不够精确;为了解决训练数据的稀缺问题,提出了一种生成红外小目标检测合成训练数据的方法;采用生成对抗网络框架,其中合成背景图像和红外小目标在两个独立的过程中生成;在第一阶段,通过将可见光图像转化为红外图像来合成红外图像;在第二阶段,将转换后的图像上植入目标掩码,将所提出的强度调制网络合成了真实的目标对象,可以从进一步的图像处理产生;实验结果表明,当使用由真实图像和合成图像组成的数据集训练各种检测网络时,检测网络比只使用真实数据产生更好的性能,优化了传统数据处理方法,使得训练结果更为精确。

关键词： 计算机视觉   精密仪器   自动校准   智能制造  

摘要： 随着现代科学技术的快速发展,设备也向着更加精密化和自动化以及智能化的方向拓展,许多精密仪器设备的精确度也越来越高。若想使精密仪器设备既运行高速又精确度高,应用条件要达到标准。所以,对接地系统在精密仪器运行中应用质量也有着很高要求。本文在分析视觉辅助精密仪器自动校准的关键技术的基础上,研究了典型精密仪器如坐标测量机、数控机床、大型天线等的自动校准应用,并结合新型视觉传感器、多源异构数据融合、人工智能优化等技术发展,对校准技术的未来趋势进行了展望,旨在为智能制造环境下精密仪器的高效校准提供新思路。

关键词： 小目标检测   全局注意力机制   YOLOv8n   AFPN  

摘要： 目标检测是计算机视觉领域的核心问题之一,针对小目标检测目标特征提取难、语义信息处理不精准等问题,在原模型的基础上加入了深度可分离卷积和全局注意力机制来优化网络结构,通过数据增强来提升目标检测算法的性能,使用渐近特征金字塔网络(AFPN)改进原有YOLOv8n的检测头,通过自适应空间融合和底层特征对齐,AFPN能够提升目标检测性能,尤其适用于处理矛盾信息。通过在CoCo数据集上进行大量实验验证,得到实验结果表明,所提出的改进措施在检测精度和实时性能方面取得了显著提升。