关键词： 深度学习   农作物图像识别   卷积神经网络   目标检测  

摘要： 农作物图像识别是一项重要的农业技术,它能够通过分析农田中的图像数据来快速、准确地识别不同作物的生长状态和健康状况。随着深度学习技术的快速发展,基于深度学习的农作物图像识别研究取得了显著的进展。梳理近年来该领域的研究进展,总结不同深度学习模型在农作物图像识别任务中的应用。首先,回顾农作物图像识别技术的发展进程,从基于特征选择的传统方法到近年来基于深度学习的方法;其次,讨论神经网络、生成对抗网络、目标检测、知识蒸馏等深度学习算法在农作物图像识别中的应用,包括对不同农作物品种、病虫害和生长阶段的识别;最后,分析该领域存在的问题与挑战,并提出未来可探索的研究方向,进而为农业科技的进一步发展提供参考,促进农作物图像识别技术的应用和推广,推动我国农业生产的智能化和可持续发展。

关键词： 图像翻译   语义图像合成   生成对抗网络   深度学习   计算机视觉  

摘要： 语义图像合成是图像翻译领域一个重要的研究和应用方向,旨在利用输入的语义图像(如语义分割图、地图、线稿图等)生成与图像描述相符的真实图像。针对基于生成对抗网络(GAN)的语义图像合成任务由于缺乏全局信息导致生成图像特征模糊、纹理细节缺乏关联性的问题,基于pix2pix网络提出一种结合外部注意力机制改进的全局信息增强语义图像合成方法。首先,在U-net结构的生成器上采样阶段引入外部注意力机制,增强生成图像像素间的空间相关性;其次,在生成器上采样层使用深度残差模块,在提高生成图像质量的同时,增强生成图像的多样性;最后,鉴别器引入全局信息以增强鉴别能力。在cityscape、landscape、edges2shoes数据集上进行实验,改进后的方法相比基线模型在FID指标上分别提升了57.37、26.74和1.78。实验结果表明,该模型能够有效利用全局信息增强生成图像纹理细节的关联性,提高图像质量。

关键词： 图像处理   缺陷检测   无监督学习   注意力机制   空洞金字塔池化  

摘要： 针对工业产品表面缺陷检测中特征重建精度低导致图像级、像素级、区域级误判率高的问题,提出了一种改进深度特征重建(deep feature reconstruction, DFR)的无监督缺陷检测方法。首先,在特征重建过程中引入跳跃连接,增强特征重建精度,提高模型对正样本特征的重建能力。其次,引入注意力机制,提升算法对缺陷区域的关注,并探索空间注意力对不同目标缺陷检测的影响。然后,在特征重建算法中引入空洞金字塔池化,在不增加参数量的情况下多尺度捕捉上下文信息,提高模型对不同尺寸缺陷的检测能力。最后,使用L_(2)-SSIM(L_(2)-结构相似性)损失函数约束特征重建,在保持像素相似性的基础上同时保留特征结构。基于MVTecad数据集的实验结果表明,所提算法的图像级检测精度、像素级检测精度和区域级检测精度分别为97.5%、 97.2%和93.1%,均优于对比算法。

关键词： 多目标跟踪   YOLOX   自适应运动状态关联   深度学习   团队体育视频  

摘要： 当前主流多目标跟踪(MOT)方法主要针对行人或车辆等目标的规则运动模式,不适用于团队体育视频中非线性、不规则运动的目标跟踪。针对该问题,提出了基于改进YOLOX和自适应运动状态关联的团队体育多目标跟踪(TS-MOT)深度学习框架。对原YOLOX检测网络进行改进,在主干网络末端集成相似度注意力模块(SimAM),提高特征提取的表征能力,改善颈部组件中特征融合过程。在损失函数中使用变焦损失和广义交并比损失,提高对目标姿态变化和相互重叠的检测能力。此外,在数据关联中,使用具有弱相关性的多个运动状态对目标运动进行表征,通过运动状态相似度计算关联每个目标和轨迹,动态提高轨迹连续性和对意外运动变化的鲁棒性。实验结果表明,所提方法在团队体育MOT任务中表现较好,在SportsMOT数据集上取得了89.4%和78.2%的IDP和IDF1,优于其他先进的MOT方法。

关键词： 海杂波   弱目标检测   时频分析   K-medoids聚类   凸包检测器  

摘要： 为了进一步提升时频域特征检测海面弱目标的能力,提出一种平滑伪魏格纳-威利分布(smoothed pseudo Wigner-Ville distribution,SPWVD)-短时傅里叶变换(short-time Fourier transform,STFT)海面弱目标检测算法.首先,采用STFT对回波信号进行时频特征分析,优化SPWVD的时频特征分析结果,并引入K-medoids聚类算法对二者时频矩阵进行降噪处理.然后,提取时频域特征多普勒频率稳定度(Doppler frequency stability,DFS),利用快速凸包学习算法获得虚警可控的判决区域,从而判定海杂波与目标.最后,基于IPIX数据集中实测数据的实验结果表明所提出的检测算法在相同虚警率下比时频三特征检测器的平均检测概率高6.3%.

关键词： 火龙果   成熟度识别   YOLOv8   PSP-Ellipse   目标检测   形状识别  

摘要： [目的]提高火龙果成熟度检测准确率及鲁棒性。[方法]采用YOLOv8目标检测模型与PSP-Ellipse分割算法相结合的策略,提出一种高效且准确的火龙果成熟度自动识别方法。先利用YOLOv8的实时目标检测功能对火龙果进行初步定位和识别,再通过PSP-Ellipse的形状识别能力,对火龙果的形状和成熟度进行进一步的精细分类。[结果]火龙果成熟度分类准确率为97.6%,鲁棒性较强。[结论]该方法在复杂背景和多种光照条件下能够显著提高火龙果的自动化分级效率。

关键词： 伪装目标检测(COD)   边缘语义   特征增强   特征聚合  

摘要： 伪装目标检测(camouflaged object detection,COD)旨在检测隐藏在复杂背景中的伪装目标。由于伪装目标的特点:前景与背景纹理相似、边缘对比度低,导致现有方法得到的预测图像边缘模糊、小目标区域缺失。因此,本文提出了边缘信息引导的伪装目标检测网络(edge information guided network,EIGNet)。首先,通过低层特征和高层特征对目标的边缘进行显式建模,充分提取目标的边缘特征指导后续特征表示。然后,通过双分支结构处理不同维度的伪装目标。其中,全局分支用以提取全局上下文信息强调大目标的全局贡献,局部分支用以挖掘丰富的局部低级线索增强小目标的特征表示。最后,采用自顶向下的方式实现相邻层特征的逐步融合,得到具有精细边缘和完整区域的预测图像。在3个伪装数据集上的实验结果表明本文方法优于其他15个模型,在NC4K数据集上平均绝对误差(mean absolute error,MAE)降至0.044。

关键词： 计算机视觉技术   食品检测   应用   优化策略  

摘要： 本文概述了计算机视觉技术在食品外观质量检测、成分分析与识别、微生物污染检测以及保质期预测等方面的具体应用,分析了其在食品检测中面临的挑战,并提出数据增强与迁移学习、精细化特征提取与背景抑制、轻量级模型设计与硬件加速、多模态信息融合与法规适应性设计等优化策略与技术创新。本研究旨在为提升食品检测的效率与准确性提供有力支持。

关键词： 视频SAR   动目标阴影   目标检测   深度学习  

摘要： 动目标阴影检测是近年来视频合成孔径雷达(Video SAR)领域中的一项具有挑战性的任务。动目标阴影存在着尺寸易变、深浅不一的特点,使得视频SAR动目标检测更加困难。文中提出了一种基于改进神经网络Efficient-Det的视频SAR动目标检测方法。首先,为获得动目标阴影的更多空间位置信息,通过融入坐标注意力机制重建了Efficient-Det网络的主干部分;其次,为进一步减少计算量,对颈部网络剪裁并将深度可分离卷积替代头部网络中原本的卷积。在网络训练过程中,采用非极大抑制法来筛选预测框,损失函数采用回归损失和交叉熵损失的组合,其中的交叉熵损失是用来抑制正负样本极端不平均带来的负面作用。通过实验验证,文中方法可有效提升视频SAR动目标阴影检测的准确性与效率。

关键词： 颌骨囊肿   颌骨肿瘤   影像诊断   曲面体层片   人工智能   深度学习   目标检测   YOLO v8m   神经网络模型  

摘要： 目的 探讨深度学习应用于曲面体层片辅助诊断颌骨透射病变、颌骨阻射病变的效果,以减少漏诊,辅助医生早期筛查、提高诊断准确性。方法 本研究通过四川大学华西口腔医院伦理委员会批准。以443例曲面体层片为研究对象,构建YOLO v8m-p2神经网络模型,将标注后的图像分为训练集354例,验证集45例和测试集44例,用于模型训练、验证和测试。采用精确率、召回率、F-1分值、G分值、mAP50评价模型的检测性能。结果 443例曲面体层片涵盖颌骨常见的良性病变,其中颌骨透射病变数量为318,包括含牙囊肿、牙源性角化囊肿、成釉细胞瘤3类病变;颌骨阻射病变数量为145,包含特发性骨硬化、牙瘤、牙骨质瘤、牙骨质-骨结构不良4类病变,样本有良好的代表性。YOLO v8m-p2神经网络模型识别颌骨病变的性能:精确率为0.887,召回率为0.860,F-1分值为0.873,G分值为0.873,mAP50为0.863。其中,含牙囊肿、牙源性角化囊肿、成釉细胞瘤召回率分别为0.833、0.941、0.875。结论 YOLO v8m-p2神经网络模型应用于初步检测口腔曲面体层片中的颌骨透射病变及颌骨阻射病变以及多分类检测颌骨透射病变时诊断性能表现良好,可辅助医生筛查曲面体层片的颌骨疾病。