关键词： 计算机图像处理技术   环境艺术设计   设计方案  

摘要： 计算机图像处理技术在环境艺术设计领域的应用标志着设计实践与数字技术深度融合的新纪元。在21世纪的信息技术驱动下,这一技术不仅极大地丰富了设计的表现手法,还提升了设计效率与沟通效果,成为连接设计师创意与实体环境构建的桥梁。因此,计算机图像处理技术作为优化视觉表达的关键工具,其重要性不言而喻。本文首先阐述了计算机图像处理技术和环境艺术设计的概念,然后指出了计算机图像处理技术在环境艺术设计中的作用,最后就计算机图像处理技术在环境艺术设计中的具体应用提出了意见和建议。

关键词： 茶叶嫩芽   目标检测   CBAM注意力机制   自动化采摘   YOLOv7  

摘要： 为了在复杂环境中有效识别茶叶嫩芽并在最大限度避免伤害茶树的情况下,提高智能化采摘精度,本研究针对传统目标检测算法在茶园中存在的检测精度低、鲁棒性差等问题,提出一种基于改进YOLOv7的茶叶嫩芽识别与检测的模型YOLOv7-tea,从而实现对茶叶嫩芽的快速识别与检测。首先,采集茶叶嫩芽图像并完成嫩芽图像的标注和数据增强,构建茶叶嫩芽数据集。其次,通过在YOLOv7主干网络的3个特征提取层中引入CBAM注意力机制模块,增强模型对特征提取的能力;采用SPD-Conv模块替换颈部网络下采样模块中的SConv模块,以减少小目标特征的丢失;通过EIoU损失函数优化框回归损失,提升预测框的准确率。最后,以茶叶嫩芽图像数据集为样本将其他目标检测模型与YOLOv7-tea模型进行对比试验,并对不同距离、不同角度拍摄的茶叶嫩芽图像进行识别效果检测。试验结果表明,YOLOv7-tea网络模型比YOLOv7模型的精确率(Precision,P)、召回率(Recall,R)和识别平均精度(mAP)值分别高出2.87、6.91和8.69个百分点,且模型的检测速度更快,在复杂背景下对茶叶嫩芽的识别与检测具有更高的置信度分数。该研究构建的YOLOv7-tea模型对小尺寸茶叶嫩芽的识别效果较好,减少了漏检和误检的情况,具有良好的鲁棒性和实时性,可为茶叶的产量预估和智能化采摘提供参考。

关键词： 深度学习   目标检测   YOLOv7   道路标识符识别  

摘要： 面对复杂道路交通场景,智能、快速、准确地检测道路标识符对自动驾驶技术具有重要的意义。YOLOv7算法检测速度快、准确率高,适用于实时复杂的道路标识符检测。中国交通标志检测数据集对YOLOv7模型进行训练,选取了普通、有遮挡和模糊三种不同的道路交通场景图像测试训练模型,并与CenterNet、Faster R-CNN和SSD三种流行的目标检测算法进行对比分析。结果显示,YOLOv7算法检测速度快,平均精度最高,m AP达到89.7%,且在三种场景的图片测试中性能表现最好,即使在存在遮挡和模糊的情况下仍然能够成功检测出图像中的道路标识物目标。

关键词： 汽车行业   计算机视觉   用户体验   图形图像   多媒体   高通   第四代   量产车  

摘要： 第四代骁龙座舱平台是高通于2021年推出的领先座舱解决方案,采用5纳米制程工艺,增强了图形图像、多媒体、计算机视觉和AI等性能,是目前汽车行业最全面的顶级解决方案之一,带来卓越的车内用户体验以及安全性、舒适性和可靠性,为汽车行业座舱解决方案树立全新标杆。2023年起,十余款搭载第四代骁龙座舱平台的量产车型发布与上市,包括极越01、小米SU7、奔驰新E级等。

关键词： 人工智能应用   自然语言处理   计算机视觉   人类智能   机器学习   数据资源   政府工作报告   深度学习  

摘要： 人工智能是对人类智能的模拟与延伸,通过机器学习、深度学习、自然语言处理、计算机视觉等方法,有效挖掘和利用数据资源价值,使计算机具备感知、理解、决策和学习能力。2024年全国两会期间,“人工智能+”首次写入政府工作报告。政策的东风将推动人工智能应用与行业联系更为紧密,为千行百业带来新产业、新模式、新动能。

关键词： 对虾病害   计算机视觉   YOLOv8   Farneback光流法   灰度共生矩阵   支持向量机  

摘要： [目的/意义]对虾病害严重危害对虾养殖业。针对对虾病害发病快、死亡率高等特点,高密度的工厂化养殖等模式需要一种高效率对虾发病检测方法替代传统人工检查方法,实现对虾发病的及时预警。[方法]提出一种基于改进YOLOv8(You Only Look Once)和多元特征的对虾发病检测方法。首先利用改进YOLOv8网络从对虾夜间水面红外图像中进行前景提取,再利用Farneback光流法和灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)提取对虾视频片段的运动特征与图像纹理特征,利用提取到的特征参数构建训练数据集,训练支持向量机(Support Vector Machine,SVM)作为分类器用于检测对虾视频片段,实现对正常与发病的对虾视频片段的检测分类。[结果和讨论]训练好的SVM分类器在300个测试样本上的表现为检测准确率平均值为83%,检测效果达到设计要求。检测误差主要是将发病片段错误地检测为正常片段。该误差主要受水面对虾数量和视频影响。[结论]本研究实现了对对虾发病的检测,提供了一种基于计算机视觉的检测方法。但受条件限制,仅在工厂化养殖环境下进行了实验,尚不能适用于多种养殖环境,仍有改进空间。

关键词： 小组立   图像数据增强   点云滤波   图像补全   曲率滤波  

摘要： 针对三维相机拍摄得到的小组立复杂结构件点云数据,建立小组立焊接机器人的整体视觉算法系统。在处理点云图像时,发现阴影和常规点云滤波方法可能会破坏模型,因此采用离群滤波算法对点云数据进行清理,估计提取的特征向量,并结合曲率滤波算法去除小范围阴影噪声平面。经过设备调试和生产验证,成功剔除噪声点,并有效保留三维模型的尖锐特征,为后续点云配准和三维重建提供基础。整个小组立三维相机处理系统可涵盖大部分小组立复杂结构件,这一研究成果可为船厂小组立焊缝识别视觉系统的设计提供有益参考。

关键词： 视频   目标检测   运动方向检测   昆虫复眼   神经计算   人工神经网络   多层级模型   视叶神经网  

摘要： 如何对杂乱背景中物体(目标)的运动方向做出准确可靠的检测与感知,是计算机视觉研究领域中一个重要问题。自然界中,飞虫(如苍蝇、蜻蜓等)高适应性和高可靠性的感知目标运动是一种自然特性,本文基于飞虫−果蝇视叶神经纤维网最新的生理学研究成果,提出一种基于果蝇视觉感知目标运动方向的多层级检测模型系统。通过对不同场景下拍摄的视频序列样本进行实验和测试,并与2-Q运动检测器模型、基于ON和OFF信号通道处理运动信息的检测模型等进行了对比,验证了其在杂乱背景下对于目标水平和垂直方向运动检测的有效性和鲁棒性。

关键词： 边坡稳定   落石监测   运动检测   目标识别   目标跟踪  

摘要： 边坡落石是一种常见的自然灾害,构建高效准确的落石监测方法对边坡安全监控十分重要。传统基于视频图像的落石监测方法缺乏对落石运动的关注。针对该问题,选取YOLOv5s和DeepSort模型,基于DBT框架,从框架、算法两个层面对模型进行改进,提出了基于M-DBT框架的落石跟踪算法。框架层面,基于Background Matting算法搭建了运动检测器,并融入原有的DBT框架中,依据运动检测结果动态调用落石跟踪算法,提出了M-DBT目标跟踪算法框架,提高了设备算力的使用效率。算法层面,基于CBAM注意力机制、ASPP空间金字塔池化、SIoU损失函数和Swin Transformer网络集成优化了YOLOv5s和DeepSort算法,提高了算法对落石特征的提取能力、预测框的准确率及检测目标ID分配精度。使用自建目标检测和图像分类数据集进行模型训练与试验,试验结果表明:基于M-DBT框架的落石跟踪算法与基于DBT框架的算法相比,能有效减少算力资源消耗(最高可减少21.5%);改进后的YOLOv5s模型检测精度提高了8.4%,岩块检测准确率最高达87%;改进后DeepSort模型的跟踪精度提升了8.9%,跟踪准确率最高达84%。所提落石跟踪算法能够实现边坡落石的检测与跟踪,具有较强的实用价值。

关键词： 深度学习   目标检测   机器视觉  

摘要： 提出一种基于GhostNet和EC A的实时行人检测算法——Little-Y OLOv4神经网络算法.Little-Y OLOv4神经网络算法在图像预处理阶段使用Mosaic数据增强方法,丰富检测数据集,提升模型的鲁棒性;使用轻量级的GhostNet取代C SPDarkNet53特征提取网络,降低模型运算量和参数量;在网络中引入EC ANet,有效捕获跨通道交互,只涉及少量的参数就能达到很好的效果.实验结果表明,Little-Y OLOv4神经网络算法在准确性以及速度上有一定提升.