关键词： 菜豆   分类   机器视觉   图像处理   智能识别   机器学习   支持向量机   特征提取  

摘要： 为基于机器视觉(MV)设计一种低成本、高效且无损的菜豆种子识别、分类的方法,采集6个品种2751粒菜豆种子的图像信息,在对图像进行二值化、颜色提取、形态学操作等图像处理的基础上,提取包括颜色特征、纹理特征以及几何特征在内的9种特征作为分类的依据,分别建立K近邻(KNN)、随机森林(RF)、支持向量机(SVM)3种分类模型,对菜豆种子的品种进行分类。对比3种分类模型的混淆矩阵、准确率及F_(1)值后发现,SVM模型的分类效果上最优,其分类准确率和F_(1)值分别达到97.7%、0.977。研究表明,利用MV可以实现对菜豆种子的精准识别和分类。

关键词： YOLOv5   目标检测   病虫害识别  

摘要： 【目的】农田害虫种类多、信息复杂,传统人力监测手段难以满足现代农业需求,因此亟需更先进高效精准的监测技术与策略提高对农田病虫害的识别效率和准确性。【方法】提出了一种基于YOLOv5的农田病虫害图像检测识别系统,引入了Input、Backbone主干网络、数据增强技术、PIL图像处理库等,增强了网络提取图像特征的能力。同时,共收集了13 160张害虫的图像构建数据集,并按7∶3划分了训练集和测试集,通过多次测试计算精确率、召回率和F1值等性能指标,评估模型效果。【结果】在经过1 500世代的训练后,平均精确度约为0.83,平均验证精确度约为0.791,F1值约为0.877,充分证明了模型在复杂条件下的鲁棒性和高精度识别能力。【结论】运用深度学习的YOLOv5和数据挖掘技术进行农田病虫害图像识别研究,有助于实现自动化精准识别,为农业生产和生态保护提供支持保障。深度学习技术在农业智能化管理方面的应用潜力巨大,未来可以增加害虫的种类来扩充数据集,进一步提升识别精度,推动相关产业的健康发展。

关键词： 动态环境   目标检测   同时定位与建图   稠密点云地图   光流法  

摘要： 针对动态物体严重干扰同时定位与建图(SLAM)系统正常运行的问题,提出一种基于目标检测和特征点关联的动态视觉SLAM算法。首先,利用YOLOv5目标检测网络得到环境中潜在动态物体的信息,并基于简易目标跟踪对图像漏检进行补偿;其次,为解决单一特征点的几何约束方法易出现误判的问题,依据图像的位置信息和光流信息建立特征点关联,再结合极线约束判断关系网的动态性;再次,结合两种方法剔除图像中的动态特征点,并用剩余的静态特征点加权估计位姿;最后,对静态环境建立稠密点云地图。在TUM(Technical University of Munich)公开数据集上的对比和消融实验的结果表明,与ORB-SLAM2和DS-SLAM(Dynamic Semantic SLAM)相比,所提算法在高动态场景下的绝对轨迹误差(ATE)中的均方根误差(RMSE)分别至少降低了95.22%和5.61%。可见,所提算法在保证实时性的同时提高了准确性和鲁棒性。

关键词： 物联网   智慧交通   图像处理   车牌识别  

摘要： 车牌识别系统是智慧交通系统的重要组成部分,本文设计了一个高精度和低成本的车牌识别系统,本系统依赖于三个图像处理阶段来实现高精度车牌识别,这三个阶段分别是预处理、分割和字符识别,在预处理阶段采用不同阈值的Canny边缘检测方法、轮廓检测和掩模技术来定位车辆边缘和车牌。实验结果表明:该系统以93%的准确率识别了车牌。此外,本文还使用ESP32摄像头和Raspberry-Pi(树莓派)实现了一个原型系统。

关键词： 甘蔗   杂草识别   YOLOv8n算法   目标检测  

摘要： 杂草是影响甘蔗生长的重要因素之一,为实现对不同甘蔗杂草的识别,提出一种基于深度学习的甘蔗杂草检测方法。以广西地区常见且对甘蔗生长危害较大的杂草为对象进行图片采集,并对采集的图片进行平移、翻转、裁剪、缩小、对比度和光亮调整及去噪等操作增强数据。利用YOLOv8n检测模型对数据集进行试验,并与YOLOv3—tiny、YOLOv4—tiny、YOLOv5n和Yolov7—tiny进行对比。试验结果表明,YOLOv8n检测模型的精确率为98.3%,召回率为96.8%,mAP为98.2%。与目前主流的轻量化目标检测算法YOLOv3—tiny、YOLOv4—tiny、YOLOv5s和YOLOv7—tiny对比,精确率分别提高26.9%、12.7%、4.2%和9%;召回率分别提高25%、24.5%、6.1%和10.6%;mAP分别提高25.9%、19.4%、3.6%、7.8%。同时,在密集、遮挡、杂草交错、小目标、昏暗环境的情况下YOLOv8n检测模型对甘蔗杂草能实现高精度识别,具有较强的鲁棒性。

关键词： γ光子   无损检测   软件设计   图像处理   质量优化  

摘要： 针对利用γ光子对工业零部件内部进行成像的图像空间分辨率较低以及边缘模糊等问题,在传统MLEM算法的基础上提出一种EP-MLEM重建算法。通过在重建的每一次迭代过程中进行优化来提高图像的质量。设计一组工业多通管仿真模型进行仿真,并分别对传统MLEM算法和改进的EP-MLEM算法重建后的图像进行图像质量评价。仿真实验表明:EP-MLEM算法重建图像的PSNR和SSIM分别由21.1434和0.6158提升到了23.1383和0.7198,EP-MLEM算法在边缘表现方面强于传统MLEM算法。

关键词： 核心网   NWDAF   智能化   部署方案   5G-A  

摘要： 随着中国成为全球最大的电动自行车市场,保有量的不断增长带来了火灾风险的上升,已成为应急救援管理领域研究的核心议题。目前,电动自行车火灾预警系统主要依赖监测充电设备的温度、电流、电压等指标,并结合烟雾、火焰探测数据,但在火情发生后往往缺乏智能化分析能力,无法准确评估火灾危险级别。这导致在紧急情况下仍需依赖人工经验进行决策,影响了应对效率。提出了一种基于图像识别技术的电动自行车火灾危险程度评估方法,在识别到明火明烟后,通过监控视频流进行图像回溯处理,识别潜在可燃物,统计电动自行车数量,并计算密度,最终利用半定量风险评估工具NOC进行风险识别和量化,输出火灾危险程度判定。该方法能够在AIVA指挥调度平台上判断电动自行车火灾危险程度,为现场应急决策提供科学依据,从而提高电动自行车火灾应对的效率和安全性。

关键词： YOLOv8   行人检测   注意力机制   低照度  

摘要： 在井下电机车无人驾驶障碍物检测任务中,由于光照不均、粉尘等因素的影响,电机车障碍物图像目标检测系统会出现提取目标特征困难、目标识别精度降低等问题,易导致障碍物误检和漏检。针对上述问题,提出一种基于SCI-YOLOv8的低照度目标检测算法,将SCINet自校正照明网络与YOLOv8目标检测算法相融合,使YOLOv8算法更有利于低光照目标检测。并将LSKA注意力机制嵌入到YOLOv8网络中Head部分C2f的末端,降低计算和内存成本的同时,保持了高效的图像处理能力。实验结果表明,本研究所提出的算法在公共低光数据集Exdark目标检测中,mAP@50为57.7%,mAP@50∶95为35.4%。相较于原始YOLOv8目标检测算法mAP@50提高了1个百分点,mAP@50∶95提高了1.4个百分点。在井下低光数据集LLP目标检测中,SCI-YOLOv8模型的mAP@50达到97.3%,mAP@50∶95为68.2%,相较于原始模型分别提高了3.4个百分点和8.6个百分点。本研究所提出的SCI-YOLOv8算法在低光场景的目标检测中具有优越性,能满足井下低光场景的目标检测任务要求,为井下电机车安全、高效、智能运行提供了技术支撑。

关键词： YOLO   曲线车道检测   滑动窗口   自动驾驶   计算机视觉  

摘要： 针对自动驾驶领域的车道自动检测中存在的检测准确率低、实际应用难等问题,研究基于YOLO与传统图像处理算法混合的车道检测算法;基于车载传感器拍摄的视频,利用YOLOv8算法检测并标记车前/侧方附近的物体,并将图像视角转换到鸟瞰视角,利用基于滑动窗口的二次多项式法识别当前帧的车道线,融合前序帧的车道信息,检测出当前帧的车道;经过数据集和实际场景的测试表明,算法的检测准确性提升10%以上,检测速度明显提升。

关键词： 小样本学习理论   船舶目标检测   目标识别   船舶数据集   人工智能   深度学习  

摘要： 针对船舶视频目标多样性、新增样本有限等问题,提出了一种基于计算机视觉信息小样本学习理论的船舶目标检测技术,通过构建时空对称卷积神经网络,融合时序对称的视觉和语义特征,实现视频质量增强,基于初始化表征学习与随机梯度下降理论,实现边缘极少样本数据的快速训练与迭代,通过自建船舶样本数据集进行模型训练,实现了基于视频的船舶目标检测,并结合AIS数据实现了船舶属性信息与视频的融合,建立了一种不依赖于船载终端的主动式非接触船舶监管系统,面向海事监管人员和水运行业参与人员提供智能化便捷化的监管服务,依托该平台打造海事智慧之眼、建设水运服务大脑。