关键词： 人脸识别技术   图像处理技术   门禁控制   支付过程   犯罪分子   安全监控   金融支付   公共场合  

摘要： 当下,科技的发展愈来愈快,无论是人脸识别亦或是图像处理技术均得到了充分的应用。这些技术可以应用于安全监控、医疗保健、金融支付、智能家居等多个领域,为人们带来了更加便捷和安全的生活体验。在安全监控方面,人脸识别技术可以通过识别人脸来实现门禁控制,并完成监控跟踪;将该技术投入使用于公共场合中,譬如说车站、地铁站等场所,有助于在第一时间对犯罪分子进行抓捕;从医疗角度进行解析,能够对医疗人员的工作予以辅助,以便于诊断和治疗的效果更为理想;此外,图像处理技术还可以应用于医疗器械的制造和检测等方面;在金融支付方面,利用了人脸识别技术以后,令整个支付过程的安全性提升至更高的水准,其能够完成支付验证的工作,此外,还可以发挥出防诈的作用,对犯罪分子进行识别;从家居领域分析,采用该项技术后,能够对智能化的设备予以控制,在门锁等设备中效果优异。所以说,人脸识别和图像处理技术的应用越来越广泛,可以为人们带来更加便捷和安全的生活体验。随着技术的不断发展,这些技术的应用领域还将不断扩大和深化。

关键词： 安全帽佩戴检测   改进YOLOv5s   注意力机制   深度学习   目标检测  

摘要： 在各种高危行业,人员在施工中佩戴安全帽是很好的安全保护措施之一。为解决检测模型参数大无法在移动端和嵌入式设备部署等问题,提出YOLOv5-MN检测算法用于安全帽佩戴检测。首先,将GhostNet的轻量级模块Ghost引入YOLOv5的主干网络中进行优化,通过将输入特征图分为两个部分,分别进行不同程度的卷积操作,以减少计算复杂度。其次,采用新的特征融合网络结构BiFPN,将不同层级的特征图进行融合,以获取更丰富的语义信息。最后,增加ECA注意力机制,通过在特征图上引入通道注意力模块,动态地调整通道之间的重要程度,以提升模型的感知能力。实验结果表明,轻量化后的YOLOv5模型复杂度显著减小,推理速度大幅提高。

关键词： 注意力机制   泥石流物源   目标检测   深度学习   Ghost卷积   损失函数  

摘要： 为解决当前传统泥石流物源识别人工野外实地调查难度大、危险性高、效率低、检测精度低等问题,提出了一种改进的YOLOv5s-GCE泥石流物源目标检测方法。首先,利用Ghost卷积替换普通卷积,完成轻量化特征提取,降低参数量和计算量;其次,在YOLOv5s模型的主干网络中添加CBAM双通道注意力机制,关注关键区域的重要特征,有效提升模型性能;最后,将CIOU替换为EIOU损失函数,提升算法检测精度。与YOLOv5s模型相比,YOLOv5sGCE模型mAP@0.5提升8.6%,mAP@0.5:0.95提升10.5%,参数量减少10.6%,计算量下降10.1%。可以有效检测泥石流物源,为泥石流物源的精确识别定位提供理论参考和数据支撑,进一步服务于里道寺窑沟区泥石流的风险评价与防治。

关键词： 水下导航   Snell窗   偏振分布   图像处理  

摘要： 提出了一种在水下通过Snell窗获得偏振分布模式与天顶点坐标,进而得到水下载体的航姿信息(即航向角、横滚角与俯仰角)的方法。在载体上安装鱼眼镜头与偏振相机,在水下拍摄天空,得到偏振角分布模式。建立小孔成像模型得到相机的内外参数矩阵以及镜头畸变系数,对偏振角分布模式进行畸变校正,进而得到太阳子午线特征区域,使用Canny算子检测得到特征区域边缘,由霍夫直线检测算法计算出太阳子午线与水下载体体轴夹角,得到航向角。通过实验得到不同光入射角与偏振角误差的函数关系,进行误差补偿,减小由于鱼眼镜头改变入射光偏振态带来的偏振角测量误差,进而提高太阳子午线与水下载体体轴夹角的测量精度。利用灰度阈值检测算法筛选出图像中的天顶点坐标,进而计算载体的横滚角与俯仰角,经过实验验证了算法的准确性。搭建了模拟水下环境的实验平台,实验结果表明:该方法得到的航向角平均绝对误差为0.5303°。在[-50°,50°]角度范围内,横滚角与俯仰角平均绝对误差为0.7544°与0.6213°,满足水下导航的精度需求。

关键词： 小黄鱼   新鲜度检测   DenseNet   注意力机制   图像识别  

摘要： 传统水产品新鲜度检测方法存在对样本破坏较大、操作步骤繁琐、检测准确率及效率较低等一系列问题。针对上述问题,以小黄鱼(Larimichthys polyactis)新鲜度高效、准确识别为目标,提出了一种基于改进DenseNet网络的小黄鱼新鲜度识别模型。首先,在DenseNet网络结构中的每个Denseblock模块引入SENet注意力机制模块,实现特征通道特征重标定,加强网络对当前有益特征的提取,摒弃无作用的特征。其次,改进卷积层的第一层,增加网络的非线性能力和特征表达能力。为防止训练过程中出现梯度消失的现象,用PReLU激活函数代替原网络的ReLU激活函数。最后,与原DenseNet网络模型及其他经典神经网络模型进行对比实验。结果表明,构建的基于迁移学习的FishNet模型在自建的小黄鱼新鲜度数据集上识别准确率达91.53%,模型具有较高的识别准确率和较强的鲁棒性,解决了水产品新鲜度检测高效和精准识别问题,也为开发智能新鲜度识别系统提供了参考。

关键词： Kalman滤波算法   体育训练视频   运动目标检测   视图预处理   三帧差分法   混合高斯模型  

摘要： 体育训练视频中的运动目标检测往往存在目标快速移动、目标遮挡和场景变化等问题,导致运动目标检测的难度增大。为了解决这些问题,提出了基于卡尔曼(Kalman)滤波算法的体育训练视频中运动目标检测的方法。为了提升体育训练视频图像的质量,首先对体育训练视频的图像进行一系列预处理(包括灰度变换、轮廓对比增强和噪声抑制等);然后借助混合高斯模型(Gaussian mixture module,GMM)有效提取体育训练视频的前景信息;为了精准捕捉体育训练视频中的运动目标,运用三帧差分法设定Kalman滤波器的初始状态,利用高效检测算法准确获取每一帧图像中运动目标的观测位置;随后将初始状态和观测位置的数据输入Kalman滤波器;最后在Kalman滤波器中,结合上一帧的预估值和当前帧的监测值,对体育训练视频中运动目标的当前状态进行精确估算和优化,并对下一帧的状态进行预测,从而实现了对运动目标的持续跟踪与精准预测。实验结果表明,与基于特征融合的全卷积孪生网络(siamese full convolution,Siamfc)目标追踪算法和基于连续自适应均值漂移(continuously adapting mean shift,Camshift)的均值漂移(mean shift,Meanshift)改进算法相比,采用基于Kalman滤波算法的运动目标检测方法对运动目标的重叠精度(overlap precision,OP)和中心位置误差(center location error,CLE)进行检测,不仅能够有效检测到体育训练视频中的运动目标,还可表现出较高的准确性和实时性。

关键词： 有向目标检测   深度学习   垃圾识别   角度编码器  

摘要： 可回收垃圾分拣是垃圾处理厂的重要工作,目前人工垃圾分拣效率低,工作环境恶劣,分拣成本高,为实现垃圾分拣的自动化,基于视觉的可回收垃圾自动检测研究具有重要意义。针对传统的水平框目标检测算法在检测时易丢失目标的方向信息,定位框重合现象严重,无法获取目标真实长宽,不利于后续分拣的缺点,提出基于RetinaNet的有向目标检测算法,该算法基于RetinaNet网络进行改进,在检测头中添加角度预测模块,使用PSC角度编码器改善角度回归边界问题,引入Balanced L1 loss损失函数平衡简单样本和困难样本的梯度贡献,替换骨干网络为Swin Transformer以增强网络特征提取能力。带角度预测的网络,能更准确地定位垃圾,改进后的网络精度(mAP)达到78.4%,比原算法提高了12百分点,同时与其他角度编码器相比PSC的检测效果均优于其他方法。

关键词： 煤矿井下   打钻   深度学习   目标检测   数据集  

摘要： 煤矿井下钻场打钻是解决瓦斯灾害、水害、隐蔽地质灾害的重要措施,可以显著提升我国煤矿井下灾害防治水平。为了实时监测打钻过程并提高打钻效率,需要进行煤矿井下钻场目标检测,即对打钻现场所涉及的重要目标进行识别和定位。相对于传统的煤矿井下钻场目标检测方法,基于深度学习的煤矿井下钻场目标检测方法可以提升目标检测的精度、时效性和稳定性,但需依赖高质量的数据集。目前,煤矿井下钻场目标检测研究主要依赖于小规模的私有数据集,难以为深度神经网络模型训练提供充足而可靠的数据。本研究通过采用煤矿用本安型执法记录仪对煤矿井下打钻现场进行拍摄,经过数据清洗、数据标注、专家抽检核查等步骤,构建了标准化的煤矿井下钻场目标检测数据集,并使用主流的YOLO系列目标检测模型进行数据质量评估。本数据集包含了来自不同钻场和环境背景条件下的70948张图片,涵盖了夹持器、钻机卡盘、煤矿工人、矿井安全帽和钻杆等5类目标,并提供了PASCAL VOC格式的标注文件。本数据集可为煤矿井下钻场目标检测研究提供强有力的数据支撑,对推动智能化煤矿井下监测预警具有重要作用。

关键词： 灰度二值化   图像去噪   深度学习   YoloV5l   车牌定位   R-CNN   字符识别   目标检测  

摘要： 针对复杂道路环境中车牌因倾斜、模糊、遮挡导致图像定位检测效果不佳和识别精度低等问题,提出一种基于全局阈值的灰度二值化图像预处理方法,采用YoloV5l算法对后处理阶段的数据集进行定位检测和检测结果评估,并通过R-CNN模型识别定位检测后的车牌图像字符。结果表明:当训练过程持续到100轮次时,相比于Faster R-CNN算法,该模型检测的平均精度均值(mAP)提升9.2%,识别准确率提升17.33%,验证该方法检测和识别车牌的有效性与优越性。

关键词： 双目相机   ZYNQ   图像处理   相机标定  

摘要： 针对水下机器人近距离作业过程的水下目标探测需求,设计了一种基于ZYNQ的双目实时图像采集与处理系统,研制了水下双目相机工程样机。该系统由FPGA采集OV5640图像传感器的视频数据,经IP核转换为VDMA支持的接口类型,通过AXI4总线将数据传输到PS端的DDR中缓存,然后通过PS端的以太网将数据发送至上位机软件,数据经上位机软件解析后即可实现双目图像的实时显示与处理。实验结果表明:系统实现了在25frame/s帧率下1600 pixel×600 pixel图像的实时采集和存储,双目图像标定后的重投影误差平均值为0.0542 pixel,通过立体校正实现了双目图像行对齐。这为进一步测试和实现水下目标测量定位及三维重建提供了可靠平台。