关键词： 船体分段合拢面   精度检测   点云   目标检测   深度学习  

摘要： 在船体分段合拢面精度检测方面,三维激光扫描仪相比全站仪具有高效、高精度和操作便捷等优势。但扫描点云往往数据量庞大且会包含大量与设计模型无关的周围空间点,不仅增加运算时间而且影响配准精度。基于显著构件的点云配准方法能解决该问题,但实现显著构件的智能识别,还需要一种针对船体分段合拢面构件的智能识别算法。采用深度学习方法,构建一种基于点的、无锚点单阶段目标检测神经网络模型,其适用于船体分段合拢面点云数据,基本实现了对船体分段合拢面上构件的智能识别。使用ADAM优化器对网络进行优化训练,在测试集上获得了平均精确度均值P_(A-m)为64.36%的效果。研究成果可用于改进点云粗配准方法,为实现船体分段合拢面精度的智能高效检测提供帮助。

关键词： 小目标检测   无人机航拍图像   Double-Head RCNN   Transformer   内容感知特征重组  

摘要： 为解决无人机航拍图像中小目标特征信息少且容易被噪声干扰导致现有算法漏检率和误检率高的问题,提出一种改进Double-Head Region-卷积神经网络(RCNN)的无人机航拍图像小目标检测算法。在骨干网络ResNet-50上引入Transformer和可变形卷积(DCN)模块,更有效提取小目标特征信息和语义信息;提出一种基于内容感知特征重组(CARAFE)的特征金字塔网络(FPN)结构模块,解决特征融合过程中小目标被背景噪声干扰而丢失特征信息的问题;在区域建议网络中针对小目标尺度分布特点重新设置Anchor生成尺度,进一步提升小目标检测性能。在VisDrone-DET2021数据集上的实验结果表明:所提算法能提取更具有表征能力的小目标特征信息和语义信息,对比Double-Head RCNN算法,所提算法的参数量增加了9.73×10^(6),FPS损失了0.6,但是AP、AP50和AP75分别提升了2.6%、6.2%和2.1%,APs提升了3.1%。

关键词： 种质资源   玉米雄穗   目标检测   无人机   可见光影像   YOLO v7-tiny  

摘要： 针对玉米种质资源遗传多样性丰富导致雄穗大小、形态结构及颜色呈现较大差异,无人机搭载可见光传感器相比地面采集图像分辨率低,以及图像中部分雄穗过小、与背景相似度高、被遮挡、相互交错等情况带来的雄穗检测精度低的问题,提出了一种改进YOLO v7-tiny模型的玉米种质资源雄穗检测方法。该方法通过在YOLO v7-tiny中引入SPD-Conv模块和VanillaBlock模块,以及添加ECA-Net模块的方式,增强模型对雄穗特征的提取能力。利用自建的玉米种质资源雄穗数据集,训练并测试改进模型。结果表明,改进YOLO v7-tiny的平均精度均值为94.6%,相比YOLO v7-tiny提升1.5个百分点,相比同等规模的轻量级模型YOLO v5s、YOLO v8s分别提升1.0、3.1个百分点,显著降低了图像中雄穗漏检及背景误检为雄穗的发生,有效减少了单穗误检为多穗和交错状态下雄穗个数误判的情况。改进YOLO v7-tiny模型内存占用量为17.8 MB,推理速度为231 f/s。本文方法在保证模型轻量化的前提下提升了雄穗检测精度,为玉米种质资源雄穗实时、精准检测提供了技术支撑。

关键词： 数据关联   运动特征   信号特征   代价函数   多维特征   目标跟踪  

摘要： 复杂弹道场景下目标分布密集,相互之间存在遮挡,雷达对目标跟踪时容易出现关联错误。为了解决这一问题,文中提出一种运动特征与信号特征相结合的多维特征数据关联技术。首先按照观测的目标类型对窄带尺寸、雷达散射截面积、一维像尺寸等信号特征进行建模;其次分层级进行数据关联,当运动特征存在模糊时,利用信号特征代价计算函数得到属性代价,并结合运动特征代价计算得到综合代价,将其作为代价函数进行关联计算,得到最终关联结果。仿真实验表明,在复杂弹道场景,该技术能够将关联正确率从80%提升到95%以上,显著提升了目标跟踪质量。该技术可以推广至其他复杂多目标跟踪场景,具有良好的工程应用前景。

关键词： 太赫兹图像   深度学习   目标检测  

摘要： 近年来,太赫兹成像技术已成为安全保障领域内的关键技术之一。然而,目前技术发展的局限性使得太赫兹成像系统在图像分辨率等方面面临挑战,这些问题直接影响到成像质量和图像的实用性。研究提出了一种新的基于深度学习算法的太赫兹人体安检图像处理技术。对YOLOv5s网络结构进行了改进,引入了注意力机制模块,并对特征金字塔网络(FPN)模块进行优化,增强了模型对于图像中关键特征的捕捉能力。通过实验对比,证明了改进后的模型在检测图像中的可疑物品方面具有更优的性能。研究旨在为太赫兹成像技术在人体安检中的应用提供新的解决思路,也为提升安检效率和准确性开辟了新的研究方向。

关键词： 发热门诊   计算机视觉   个人防护用品   医务人员  

摘要： 目的研究计算机视觉提醒对提高发热门诊医务人员脱卸个人防护用品(PPE)正确率的影响。方法2022年1—9月间,将某医院发热门诊医务人员分为干预组和对照组,对照组只有视频监控无智能提醒,干预组采用计算机视觉提醒医务人员正确脱卸PPE关键步骤,比较2组脱卸PPE正确率的差异。结果跟对照组相比,干预组在一脱区和二脱区的手卫生正确率明显提升,脱卸PPE整个流程顺序的正确率从干预前的74.66%上升到干预后的91.70%(P<0.001),所有关键步骤的正确率从干预前的89.85%提高到干预后的94.10%(P<0.001)。结论采用计算机视觉智能提醒PPE脱卸流程的关键步骤可以明显提高发热门诊医务人员脱卸PPE的正确率。

关键词： 图像处理   线上和线下混合式教学模式   核心素养  

摘要： 在信息技术与教育深度交融的背景下,面对图像处理课程教学中存在的教学模式固化、评价方式单一和综合能力欠缺等问题,提出线上线下混合式小组合作教学新模式。以认知层次为线索,引领学生探索图像处理的知识;以小组合作为核心,激发学生团队协作的智慧;以三维评价体系作为抓手,多方面评价学生学习成果,促进学生学习进步。此教学模式旨在高效传授图像处理的专业知识,扎实提升学生的实践技能,同时注重培育其批判性思维与创新能力,坚定落实“立德树人”的教育理念,实现学生核心素养的全面提升。

关键词： 未成熟青苹果   改进YOLOv3   目标检测   自然场景  

摘要： 为研究适合当前生产实际的苹果自动套袋技术,实现真实环境中未成熟青苹果的精准识别,提出一种基于改进YOLOv3的自然场景中未成熟青苹果图像识别方法。首先,为提高含干扰因素图像中未成熟青苹果识别准确率,基于YOLOv3算法利用残差网络和多尺度特征融合检测小目标的思想,对YOLOv3特征提取网络进行改进与试验验证,利用尺寸为(104,104,128)的特征图代替原尺寸为(13,13,1024)的特征图作为输出,提出改进YOLOv3的未成熟青苹果目标检测模型,通过增大特征提取网络输出特征图尺寸,减小感受野尺寸,提高算法网络对图像中未成熟青苹果的捕捉能力与识别准确率。其次,设计不同算法、不同品种和不同环境下的识别对比试验并对结果进行对比分析。改进YOLOv3在整体数据集上的检测均值平均精确率mAP值和召回率R值分别为92.46%、87.6%,较原YOLOv3分别提高3.22%、14.57%,改进模型性能提升主要体现在检测正确目标数量的能力上;在含光照影响、重叠和遮挡影响图像测试集上改进YOLOv3的mAP值较原YOLOv3分别提高3.58%、2.74%。改进YOLOv3模型对整体数据集和含干扰因素图像测试集的检测准确率较高,检测正确目标的数量较多,抗干扰能力较强。

关键词： 遥感图像   深度学习   目标检测   检测头   自适应融合   锚框  

摘要： 针对遥感图像背景噪声多,小目标多且密集排列,以及目标尺度分布广导致的遥感图像小目标难以检测的问题,该文提出一种根据不同尺度的特征信息自适应融合的混合锚检测器AEM-YOLO。首先,提出了一种结合目标宽高信息以及尺度宽高比信息的二坐标系k-means聚类算法,生成与遥感图像数据集匹配度较高的锚框。其次,设计了自适应增强模块,用于解决不同尺度特征之间的直接融合导致的信息冲突,并引入更低特征层沿自底向上的路径传播小目标细节信息。通过混合解耦检测头的多任务学习以及引入尺度引导因子,可以有效提高对宽高比大的目标召回率。最后,在DIOR数据集上进行实验表明,相较于原始模型,AEM-YOLO的AP提高了7.8%,在小中大目标的检测中分别提高了5.4%,7.2%,8.6%。

关键词： 目标检测   水下垃圾   多尺度特征融合   YOLOv5   GSConv   SimAM  

摘要： 针对水下图像采集存在的光线不足、低分辨率、物体识别不清和小目标较多等局限性导致现有的目标检测算法效果不佳的问题,提出一种基于YOLOv5改进的水下垃圾目标检测算法,以达到更快速更准确地检测和清除海洋水下塑料垃圾的目标。所提算法使用限制对比度自适应直方图均衡化CLAHE预处理方法来增强数据特征,降低特征提取的难度,提高检测精度;引入无参注意力机制SimAM和更换轻量级卷积方法GSConv,在增强网络提取能力的同时减少模型计算量;同时增加多尺度特征融合检测,解决水下垃圾碎屑小目标定位困难的问题。基于自建的真实水下环境垃圾数据集MarineTrash对改进的算法进行充分实验,结果表明,改进的方法具有良好的表现,其中精度提高了4.3个百分点,mAP提高了3.5个百分点,GFLOPs降低了0.3,模型权重仅为13.9 MB,比基线降低了0.6 MB。基于YOLOv5改进的水下垃圾检测算法的研究对于在自主式水下机器人(AUVs)中部署安装探测器,以实现对海洋水下垃圾的检测和自动清除,维护海洋生态系统提供了充分的技术支撑。