关键词： 机器视觉   图像处理   位姿检测   目标检测   缺陷检测  

摘要： 针对医用透明方杯人工检测效率与精确率低、对产品有磨损的问题,引入视觉检测技术,结合图像处理与深度学习,设计开发一种医用透明方杯位姿与缺陷检测系统。针对方杯位姿检测,首先,通过基于改进动态阈值准确分割方杯图像边缘区域。然后,改进Canny算法的高低阈值设计,检测出更多细微幅值差别的边缘,设定共线边缘合并的阈值条件,进而拟合得到两边缘直线,基于两边缘计算出虚拟中轴线。最后,通过最小外接矩形粗定位中心,粗定位点到轴线的垂足作为方杯精定位坐标,根据仿射变换将方杯图像矫正到参考位姿。缺陷检测方面,对图像局部缺陷进行灰度拼接,构建3种缺陷类间均衡的图像数据集。基于SqueezeNet、Inception-V3与ResNet-50三种神经网络迁移学习训练后,综合评估发现SqueezeNet模型的性能表现最优,在测试集平均精度达98.6%,识别精确率和召回率分别达99.8%与98.8%。实验验证结果表明对单张图像位姿与缺陷检测速度分别为770.5 ms与553.1 ms,改进后位姿检测精度更高,检测缺陷准确率达到94%,具有良好的实时性与稳定性,可满足检测要求。该研究可为医用透明方杯的位姿与缺陷检测提供技术支持。

关键词： 农作物病虫害检测   卷积神经网络   深度学习   计算机视觉  

摘要： 农作物病虫害是全球农业生产的严重威胁之一,易造成巨大的经济损失。引入机器视觉和机器学习方法进行农作物病虫害检测,不仅可以提高病虫害检测的效率,而且有助于及时采取防治措施,降低损失。卷积神经网络(CNN)作为深度学习的代表技术之一,在计算机视觉领域的图像识别、物体识别等方面应用广泛,在农作物病虫害检测方面也取得了一些成果。本文概述了基于CNN检测农作物病虫害的技术要点、发展历程,综述了该技术的主要研究方向与进展,总结了目前研究中存在的主要问题并提出相应的解决策略,旨在为CNN在农业上的应用提供理论依据,并为农业生产管理的智能化提供技术支撑。

关键词： 票据审核   前沿科技   机器视觉技术   会计领域   会计行业   人工智能   模式识别   图像处理  

摘要： 在会计领域票据审核作为确保财务信息准确无误的关键环节,其重要性不言而喻。然而,传统的人工审核方式往往面临效率低下、易出错等固有缺陷。近年来,随着科技的迅猛发展,尤其是机器视觉技术的兴起,为会计票据审核提供了全新的解决方案。机器视觉技术作为一项集图像处理、模式识别及人工智能于一体的前沿科技在多个领域展现出了强大的应用潜力。在会计领域,其通过精准捕捉与解析票据图像,实现信息的快速提取与验证,显著提升了审核的效率与准确性。本文旨在深入探究机器视觉技术在会计票据审核中的应用实践,以期为会计行业提供一种高效、可靠的审核工具。

关键词： 深度学习   目标检测   图像识别   苗圃   YOLOv5s   部分卷积  

摘要： 为解决电动喷雾机器人在苗圃作业时对树苗、行人和栽培盆识别准确率低等问题,该研究提出一种基于改进YOLOv5s(you only look once version 5 small)的多目标检测方法。首先对骨干网络进行改进,将部分卷积(partial convolution,PConv)引入综合卷积模块(comprehensive convolution block,C3)中以减少网络模型计算量;在骨干网络最高维特征后添加坐标注意力机制(coordinate attention,CA)以提升位置感知精度;优化网络模型颈部结构并使用双线性插值进行上采样操作,增强模型特征提取能力;最后对原耦合检测头进行更换并优化检测部分的结构,使用改进的轻量化解耦头LD检测头(light decouple detection head)以进一步提升检测精度。试验结果表明,改进后模型的平均精度均值mAP_(0.5)、mAP_(0.5:0.95)、精确率、召回率分别达到88.2%、54.7%、86.0%和82.4%。与YOLOv5s模型相比,mAP_(0.5)、mAP_(0.5:0.95)、精确率、召回率分别提高4.6、5.9、1.8、3.4个百分点。改进模型在移动端部署后,识别需要避障的行人、盆以及需要作业的树苗的准确率较原模型分别提升了15.4、4.8和7.0个百分点。研究结果可为电动喷雾机器人在苗圃中的作业提供技术支撑。

关键词： 改进四帧差分   FPGA   边缘检测   DDR3   多运动目标检测  

摘要： 针对传统的帧间差分运动目标检测算法易出现虚假边缘及边缘缺失等现象,设计了一种改进的四帧差分运动目标检测系统,将图像边缘信息与四帧差分算法相融合对运动目标进行检测,并在现场可编程门阵列(Field Programmable Gate Array,FPGA)平台上构建了视频图像处理系统。该系统主要由图像采集模块、图像缓存模块、图像处理模块和图像显示模块4个部分组成。通过OV5640摄像头采集1 024×768分辨率的图像数据,将采集的图像数据存入DDR3中,并采用改进的四帧差分算法对运动目标进行检测与标记,最终传输至高清多媒体接口(High-Definition Multimedia Interface,HDMI)外接显示器实时输出结果。实验结果表明,该系统可以准确检测出摄像头采集的视频源中的多个运动目标,并满足实时检测要求。

关键词： 目标检测   成像处理   图像变换   星载SAR   舰船目标   战略要地   处理思路   稀疏性  

摘要： 海洋是国家安全的战略要地,我国海岸线长、海域广,舰船作为海洋活动最重要的元素,快速掌握其动态对保障海洋权益具有重要意义.星载合成孔径雷达(Synthetic Aperture Radar,SAR)具备全天时、全天候观测能力,是实现广域舰船目标检测的重要手段,SAR回波数据类似噪声,需要经过复杂的成像处理得到其图像.经典星载SAR舰船目标检测采用"先成像-后检测"的思路,约80%的时间和资源消耗在成像处理环节,近几年随着广域星载SAR舰船目标检测应用需求的快速增加,成像幅宽呈数量级式增长,回波数据量也急剧增加,导致成像处理环节成为制约广域舰船目标快速检测的瓶颈.同时,对于广域舰船目标检测这类任务,目标的稀疏性很强,经典的处理思路把时间和资源浪费在无效数据处理中.

关键词： 点云数据   一阶段目标检测   CYM-Net   轻量化模型   特征金字塔  

摘要： 目标检测在机器人、自动驾驶等实际应用领域中具有广泛的应用。在这些场景下,目标检测任务需要在资源有限的平台上实时执行,对目标检测算法的参数量和检测速度有着较高的要求,因此需要实现目标检测算法的轻量化和高效化。然而传统的卷积神经网络(convolutional neural networks,CNNs)由于网络结构复杂、对算力要求较高,难以满足移动端的应用需求。为解决以上问题,本文提出了一种基于点云数据的一阶段轻量化目标检测算法CYM-Net模型。该模型融合了MobileNetV3的bneck模块设计思想和YOLOv4目标检测思想,并对特征金字塔进行了改进,从而显著减少了模型的参数量。本文在KITTI数据集上对CYM-Net模型进行了训练和验证。实验结果表明,CYM-Net模型在鸟瞰图和3D检测两个任务上均展现出更优异的性能,并且其检测速度也优于其他方法。通过本研究,本文为机器人、自动驾驶等领域的目标检测问题提供了一种高效轻量化的解决方案。

关键词： 目标检测   YOLOv8s   道路检测   深度学习  

摘要： 文章从YOLO的部署、数据集的构建、模型的训练到模型的应用全过程,研究了基于YOLOv8s目标检测算法的道路坑洼检测技术在城市道路坑洼检测中的应用,以实现对道路的各种类型和尺寸坑洼的准确检测。实验结果表明,该技术在准确性、速度和稳定性方面都具有显著优势,与传统人工方法相比,检测效果明显提升,为道路维护和安全提供了更为可靠和高效的解决方案。

关键词： 专业课程   计算机视觉   思政育人   协同育人   立德树人  

摘要： 计算机专业课程的教学主要以传授知识与课内实践为主,聚焦专业素养的培养,忽略了其思政育人的作用。高校要贯彻落实立德树人根本任务,必须守正创新,积极探索专业教育与思想政治教育协同推进的新模式。以“计算机视觉”课程为发力点,推动课程教学改革、教学理念转变,完善教学设计,结合实际教学案例挖掘和应用计算机视觉中蕴含的思政元素,引导学生成长为又红又专、全面发展的社会主义建设者和接班人,实现思想政治教育和知识体系教育的有机统一。

关键词： 遥感图像   目标检测   YOLOv7   迁移学习   CBAM  

摘要： 针对遥感图像背景复杂所带来的检测精度低、小目标特征丢失的问题,提出一种改进YOLOv7的遥感图像飞机目标检测算法。该算法采用迁移学习的策略,微调预训练模型,提升了模型的泛化能力;通过在模型的检测头引入融合注意力机制模块(CBAM),获取上下文语义信息,以增强对遮挡物和小目标的特征提取能力。采用RSOD数据集来验证改进算法的效果,结果表明:改进后YOLOv7算法mAP达到了97.13%,相比原始YOLOv7提高了3.08个百分点,有效提高了遥感图像飞机的检测精度。