关键词： 数字图像处理   翻转课堂   项目驱动   OBE理念   评价改革  

摘要： 为解决数字图像处理课程中理论与实践脱节的问题,文章提出了一种创新的教学模式,该模式融入了翻转课堂、项目驱动和OBE(Outcome-Based Education)等先进的教育理念。借助超星学习通平台,设计课前自主学习、课堂互动讨论和课后实践应用的闭环教学流程。教学方法的创新在于:①翻转课堂,鼓励学生课前预习,课堂时间更多用来进行案例分析、实践操作和深入讨论;②项目驱动教学,使学生将所学知识应用于解决实际问题,有效提升了学生的工程实践技能;③过程性评价,全面考核学生的学习过程和成果。本教学新模式旨在提高学生的参与度、学习效果及综合能力,为应用型人才培养提供新思路。

关键词： 目标检测   Shufflenetv2   采摘机器人   ECA注意力机制  

摘要： 为了使目标检测算法更好地嵌入到番茄采摘机器人中,使其可以在温室环境中快速准确地识别检测成熟的番茄,提出一种基于Shufflenetv2-YOLOv5的番茄采摘机器人目标检测方法。该方法以YOLOv5为基础,以轻量级网络Shufflenetv2为主干网络,减少参数量和计算量,加入ECA注意力机制,并用FReLU激活函数替换原来网络结构中的激活函数,实现像素级的空间建模能力,进一步提高检测精度,增加该模型的鲁棒性。试验结果表明,改进后模型的算法精确率P、召回率R和平均精度均值mAP分别提升了2.2%、1.9%、3.2%,参数量降低约54%,计算量降低约62.6%,模型大小减少约53.1%,FPS也有了一定的提升,能够满足高速度、高精度检测的要求。

关键词： 图像处理   超像素   网格描述符   图像能量   拷贝检测  

摘要： 传统的图像分割方法对图像进行非重叠分块,图像哈希算法只能对图像块内部像素进行特征提取,而简单线性迭代聚类超像素分割算法能在聚合相似像素的同时额外提取形状特征,故在此基础上提出一种结合自适应网格描述符和图像能量的图像哈希算法。首先,使用双线性插值和高斯低通滤波对输入图像进行预处理,并通过简单线性迭代聚类对预处理图像进行超像素分割,对分割得到的超像素区域应用自适应网格描述符提取形状特征;同时利用超像素内部的像素具有相似亮度的特性,以亮度为计算对象求出各超像素的能量值作为图像的能量特征。最后,连接形状特征序列和能量特征序列,再利用密钥加密得到最终哈希序列。实验表明算法在鲁棒性和区别性之间达到了较好的平衡。算法的哈希运算时间为0.128 s,哈希长度为467 bits,具有较快的运算速度且哈希序列较为紧凑。分类性能方面,假阳性率为0时,真阳性率达到0.9999。拷贝检测方面,查全率和查准率均在95%以上。此外,与一些同类型算法相比,提出的算法在分类性能和拷贝检测方面也更具优势。

关键词： 二维语义栅格地图   语义导航   目标检测   语音识别   避障能力  

摘要： 针对移动机器人对于复杂室内环境的语义信息利用不足问题,提出一种基于二维语义栅格地图的声控语义导航方法,弥补室内机器人在单场景环境下语义导航领域的空缺。基于构建的二维语义栅格地图,采用声控语义导航算法,用语音指令驱动机器人导航到相应的语义物体附近,精确定位语义物体,并在这些物体周围的安全区域计算出合适的导航点;配合语音识别和自然语言处理技术,使机器人能够根据用户模糊的语音指令精确移动到指定的语义物体附近,实现智能化和灵活性更高的导航决策。实验结果表明,导航成功率达到了93%;在布置有不规则障碍物的环境中,该语义导航碰撞率仅为4.6%。所提声控语义导航方法可行,避障能力具有明显优势。

关键词： 水下目标检测   声呐图像   小目标检测   高效多级筛选   任务动态对齐   轻量化  

摘要： 针对声呐图像中小目标检测难度大、精度低、容易出现错检漏检的问题,本文提出一种基于YOLOv8s的声呐图像小目标检测改进算法。首先,考虑到声呐图像中的小目标通常具有低对比度且易被噪声淹没,提出了高效多级筛选特征金字塔网络(EMS-FPN)。其次,由于解耦头的分类分支和定位分支是独立的,会增加模型的参数量,同时难以有效地适应不同尺度目标的检测需求,导致对于小目标的检测效果不佳,设计了任务动态对齐检测头模块(TDADH)。最后为了验证本文模型的有效性,在URPC2021和SCTD扩充声呐数据集上进行了相应的验证,mAP0.5较YOLOv8s分别提高了0.3%和1.8%,参数量降低了22.5%。结果表明,本文提出的方法在声呐图像目标检测任务中不仅提高了精度,还显著降低了模型参数量。

关键词： 道路与铁道工程   路面结构   图像处理   裂缝检测  

摘要： 路面病害自动化检测是道路工程领域的热门研究方向。路面病害因其形态的特殊性与背景的复杂性,导致自动化检测存在精度不够高、泛化性差的问题。针对该现象,基于YOLOv5对主干网络和颈部网络中增加高效的特征提取模块C2F和CBAM,且在检测头网络中增加了微型检测器,形成了优化网络结构;通过车载高清相机自主采集大量具备复杂背景的路面图像,共标记67942张路面图像以供模型训练,并且采用Mosaic算法和MixUP算法对自建路面病害数据集进行了数据增强;在训练时优化损失函数。最后通过设置消融实验和对比实验来探究模网络优化措施对路面病害检测模型的精度影响。研究结果表明,应用C2F、CBAM模块能够有效帮助网络提高特征提取能力,增加微型检测头能够在多尺度下加强模型的检测能力,采用以上3种措施优化后的网络模型在精准率和召回率上提升了11.88%和8.69%,mAP取得了0.719的高分。从病害类别角度而言,模型对纵向裂缝、横向裂缝和坑槽提升了检测精度,尤其是坑槽的检测精度。表明了本文模型在识别路面病害类小尺度的对象时具备优异的检测能力。

关键词： 嵌入式平台   智能计算   目标检测   算法设计  

摘要： 近年来,随着深度学习算法的发展,设计适用于嵌入式智能计算平台的目标检测算法需求也愈发紧迫。介绍了嵌入式智能计算平台下目标检测算法的设计准则。详细分析嵌入式平台的计算能力和资源限制,确定算法设计的约束条件;根据目标检测任务的需求,选择合适的深度学习算法为基础,并基于NPU硬件特征优化模型,从而使得应用算法在嵌入式平台性能更优。此外,基于昇腾310为核心的嵌入式智能计算平台,提出针对特定计算密集型算子的轻量化方法,从而提高算法的实时性。实验结果表明,所提方法在嵌入式平台上可实现较高检测精度和较低延迟,满足了具体场景应用的需求,并为嵌入式智能计算平台下的目标检测算法设计提供参考。

关键词： 图像识别   深度学习   目标检测   水稻病虫害   YOLOv8   BFP   多线程优化  

摘要： 为提高水稻病虫害检测精度,解决病虫害种类繁多、尺度不一、生长环境复杂导致的误检漏检问题,便于模型在边缘设备进行部署,提出一种基于改进YOLOv8的水稻病虫害检测方法 PBM-YOLOv8。首先使用部分卷积(partial convolution,PConv)设计PCBlock结构,替换YOLOv8特征提取模块中的瓶颈(bottleneck)结构,以减少模型参数量,提升检测速度;其次为了减少非相邻层语义信息特征融合时的稀释,在颈部网络增加平衡特征融合层,重构特征金字塔(feature pyramid networks,FPN)为平衡特征金字塔(balanced feature pyramid,BFP),对融合的特征层进行特征再提取,并引入嵌入高斯非局部注意力(embedded Gaussian non-local attention,EGNA)消除多层融合导致的混叠效应,最大程度减小特征丢失;最后将损失函数更换为MPDIOU,改善因样本差异性大而导致的检测框失真,同时降低模型训练的计算负担。试验结果表明,改进模型PBM-YOLOv8在水稻病虫害数据集上取得了更为优异的试验效果,相较于原始YOLOv8n基线模型精确度及平均准确率均值分别提高了1.3和1.1个百分点。将PBM-YOLOv8部署在RK3588上经多线程优化后检测速度可达到71.4帧/s,满足实际应用的需求,可实现对水稻病虫害的实时精准检测。

关键词： YOLOv8   深度学习   水下目标检测   注意力机制   PIoU  

摘要： 针对由于水下环境背景复杂、能见度较低、光照分布不均匀等因素导致网络特征提取不充分的问题,提出了一种基于YOLOv8n改进的YOLOv8n-DSP水下生物目标检测方法。首先,在YOLOv8n的特征提取主干网络中添加DBB(Diverse Branch Block)模块,将其与C2f模块进行融合,使其组合不同尺度和复杂度的多个分支,丰富特征空间,强化网络的特征提取能力;然后在空间金字塔池化前加入加权注意力机制(SimAM),使模型的关注点自适应调节,增强在复杂场景下的表征能力;最后为进一步提高目标检测框定位精度,将已有的CIoU更换为PIoU(Powerful-IoU),使得目标检测框更好地回归。结果表明:YOLOv8n-DSP网络相较于原来的YOLOv8n网络在mAP@0.5和mAP@0.5:0.95分别提升了2%和2.2%。

关键词： 3D目标检测   鸟瞰图视角   多传感融合   自动驾驶   道路环境感知  

摘要： 3D目标检测是自动驾驶在道路环境感知任务中的重要环节,现有主流框架通过搭载多种感知设备获取多模态的数据信息来实现多传感融合检测;传统相机与激光雷达的传感器融合过程中存在几何失真,以及信息优先级不对等,导致传感融合的3D目标检测性能不足;对此,提出了一种基于鸟瞰视角(BEV)的多传感融合3D目标检测算法;利用提升-展开-投射(LSS)方式,获取图像的潜在深度分布建立图像在BEV空间下的特征;采用PV-RCNN的集合抽象法建立点云在BEV空间下的特征;该算法在统一的BEV共享空间中设计了低复杂度的特征编码网络融合多模态特征实现3D目标检测;实验结果表明,所提出的算法在检测精度上相较于纯激光方法提升4.8%,相较于传统的融合方案减少了47%的参数,并保持了相近的精度,较好地满足了自动驾驶系统道路环境感知任务的检测要求。