关键词： 图像处理   计算机技术   数字化技术  

摘要： 图形图像处理作为计算机科学与技术的重要分支,它见证了计算机从简单像素操作到复杂智能分析的飞跃。随着大数据时代的到来,计算能力得到了显著提升,图形图像处理技术也不再局限于传统的图像美化与修复,而是深入到信息提取、智能决策等更高层次的应用中。随着社会的进步,计算机技术已成为主导的技术力量并深入到各个行业中,特别是在图形图像处理上得到了广泛的使用。近年来,由于算法的改进、高效运算能力及AI等方面的创新,使得图形图像处理有了更强的技术基础和广阔的前景。本文旨在对现阶段图形图像处理过程中的计算机技术运用情况进行研究分析,探索这些技术的基础理论和实施方法,并且预测未来的发展方向,以便给相关的科研工作者和从业人员一些借鉴和指导。

关键词： 串级控制回路   性能评估   非高斯   图像质量评价   麻雀算法   系统辨识  

摘要： 为了对串级系统进行准确快速的性能评估,并改进熵指标平移不变性的缺点,基于图像处理中图像质量评价相关知识提出了新的性能指标;同时,针对传统系统辨识算法不够准确与快速的问题提出了一种混合麻雀算法。首先,基于最小方差理论对串级系统进行丢番图方程分解,获得系统反馈不变量,从而获得系统的评价基准;其次,通过融合了正余弦思想的混合麻雀算法对系统进行辨识,得到系统的模型参数及主副回路的噪声概率密度函数;最后,将所提新指标与熵指标进行混合,得到适用性更好的混合指标。对处在不同噪声下的串级系统进行仿真验证,仿真结果表明:算法的准确性有了明显提升,同时算法运行速度提升了11.98%,新指标的评估结果也比熵指标更加合理。

关键词： 目标检测   视网膜黄斑病变   加权双向特征金字塔网络   注意力机制  

摘要： 视网膜黄斑病变是失明的重要原因之一,人工筛查容易出现误诊,而基于深度学习的自动诊断有助于早期的检测和治疗。提出一种基于改进YOLOv5的黄斑病变分类检测算法,针对黄斑病变图像细微特征融合不充分的问题,将YOLOv5颈部的PANet特征融合模块替换为加权双向特征金字塔网络,实现高效的多尺度特征融合,以获得更好的黄斑病变细节特征;针对小目标病变检测能力差的问题,在模型中引入SK注意力机制,通过自适应地调整感受野,增强对黄斑病变区域特征的捕获。对比实验证明所提算法可将小目标检测准确率由原来的91.9%提升至94.2%,全类平均准确率由原来的93.4%提升到96.6%,且在相同条件下,该算法的表现优于其他目标检测网络模型。

关键词： 甲骨文检测   深度学习   目标检测   YOLOv8  

摘要： 为解决手写甲骨文人工检测效率低、识别精度不足的问题,本研究将深度学习算法应用于手写甲骨文的自动检测中。首先,建立了手写甲骨文数据集并对其进行标注;然后,通过手动扩充数据集和二次标注,提高了数据集的可信度;最后,在YOLOv8算法基础上,使用滑窗裁剪和识别辅助技术对检测算法进行优化,提高甲骨文检测的准确性。实验结果表明,本研究提出的优化算法提高了模型检测手写甲骨文的精度,鲁棒性较好,具有一定的研究价值和应用前景。

关键词： 小目标检测   RT-DETR算法   特征融合   定位损失   位置编码  

摘要： 实时、准确地定位与识别航拍图像中飞机、轮船和车辆等目标是进一步决策的根本基础,针对航拍图像中小目标检测存在的效率和精度低等问题,提出了一种基于改进RT-DETR的航拍图像小目标检测算法。首先,通过构建高效的CCFM-P2ASF尺度序列特征融合模块,获得更丰富的语义信息,同时提高对小目标的敏感度;其次,集成灵活性更强的可学习的位置编码,提供更清晰的位置界定;然后,设计更高效的边界框损失函数,减小对目标位置预测的偏差,提供更准确的边界框信息;最后,构建EMA重参数响应模块,从而更有效地提取输入图像特征。实验结果表明:改进后的RT-DETR模型较原始模型参数量减少38.3%,精确率、mAP50和mAP50∶95指标分别提升5.1、5.0和2.2个百分点。对比其他同类主流算法模型,在航拍小目标检测任务中具有更好的检测效果。

关键词： 计算机视觉   YOLOv5   仪表识别   工业机房  

摘要： 数据机房作为保障数据安全的重要设施,其内部的各种仪器仪表对于监控数据机房的安全至关重要。然而,传统的仪表识别依赖人工操作,易出错且效率低下。为了解决数据机房中工业仪表在复杂场景下准确率低的问题,研究提出了一种结合渐进式注意力机制与目标检测网络的仪表识别算法。此外,研究还引入了幽灵模块以增强特征表达能力,提高模型的识别准确率。实验结果表明,在不同复杂场景下的仪表识别任务中该模型均表现出较高的准确率。例如,在光照不均或有遮挡的场景A中,准确率达到了92.15%,召回率为89.47%,F_(1)分数为90.78%,处理时间为34.21 ms;在背景复杂或多仪表密集的场景B中,准确率提升至93.24%,召回率为90.85%,F_(1)分数达到92.02%,处理时间为35.17 ms。因此研究所提出的基于计算机视觉的数据机房工业仪表识别模型在复杂场景下的工业仪表识别任务中取得了显著成果,显示出较高的实用价值。

关键词： 印刷品缺陷检测   深度学习   异常检测   目标检测  

摘要： 印刷品缺陷检测通过分析纹理特征、颜色特征及形状特征确定缺陷的类别和位置,是印刷品质量管控的重要手段。本文针对现有印刷品缺陷检测方法进行综述。首先,回顾了传统印刷检测方法的原理和国内外应用现状,分析当前检测的特点和局限性;然后,重点探讨基于深度学习的印刷品缺陷检测方法,并对比了各方法的优缺点及适用场景;最后,总结了现阶段深度学习检测技术在印刷领域的局限性,并对该检测方法未来发展趋势进行展望。

关键词： 人体姿态跟踪   目标检测   YOLOv5   DeepSORT   OpenPose  

摘要： 人体姿态跟踪在人体运动分析、智能监控、虚拟现实等应用场景中得到了广泛应用。为解决在多人姿态跟踪过程中因多人遮挡、复杂环境等原因导致的目标易丢失、姿态估计不准确等问题,提出一种结合DeepSORT和OpenPose的人体姿态跟踪方法。选择合适的数据集分别训练人体运动跟踪模型和人体姿态估计模型。在人体运动跟踪阶段,基于改进的YOLOv5与改进的DeepSORT算法进行准确地识别与跟踪,减小了模型内存访问成本,引入模型剪枝方法进一步提高了跟踪速度。在人体姿态估计阶段,基于跟踪阶段获得的准确目标,利用OpenPose算法实现了目标人体的姿态估计。相较于对比方法,改进算法在COCO2017数据集上的FLOPs为4.46 G,检测速度大幅提升,在MOT16数据集、PoseTrack2017数据集上的运行时间有较大优势,分别为85.55 s、81.79 s。

关键词： 小样本目标检测   元学习   Meta Faster R-CNN   背景抑制   特征增强  

摘要： 小样本目标检测的元学习方法能快速适应少量训练样本,较好解决现有常规检测模型泛化能力不强、适应新任务速度缓慢、鲁棒性差的问题,具有较高的实际应用价值,但该方法对支持集特征利用能力不足、检测精度不高。为此,基于支持集特征增强,针对元学习SOTA算法Meta Faster R-CNN进行改进,从支持集背景抑制与目标特征增强两个角度出发,削弱与待查询目标无关的背景信息并加强支持集内部特征之间的联系,构建一种检测性能更高的小样本目标检测算法。实验结果表明:在PASCAL VOC Novel Set数据集上的元测试阶段,本文改进算法在1-shot、2-shot、3-shot、5-shot、10-shot下的平均精度均值(mAP@0.5)较原算法分别提升了0.066%、12.038%、12.289%、10.073%、9.539%;在元微调后的测试阶段,本文改进算法的mAP@0.5较原算法有所提升或基本持平;增强支持集特征能够有效提升小样本目标检测精度。

关键词： 目标检测   无人机航拍   YOLOv5   模型轻量化   动态卷积   解耦检测头   Focal⁃EIoU损失函数   特征提取  

摘要： 为了提升无人机航拍影像目标检测的准确率,并实现模型的轻量化,文中对YOLOv5目标检测模型进行了多方面的改进。首先,对YOLOv5的骨干网络进行了优化重组,采用更高效的动态卷积结构和多通道并行处理策略增强特征提取能力和检测精度,并显著减少模型参数量;其次,改进了损失函数,引入Focal⁃EIoU损失函数,更适合无人机航拍图像的特点,进一步提升了模型的检测精度;此外,将原本耦合的检测头进行了解耦处理,设计了轻量级解耦头,使分类、回归和置信度任务解耦处理,提高了检测精度和收敛速度,并合理控制了模型参数量。实验结果表明,改进后的DEP⁃YOLO模型在mAP@0.5指标上提升了9.6%,同时模型大小和参数量分别降低了77.93%和83.82%。综上所述,文中提出的综合改进策略显著提升了无人机航拍影像目标检测的精度,并实现了模型的轻量化,验证了其在航拍影像目标检测领域的有效性。