关键词： 图像处理   算法   深度学习   放射影像   脑血管   血管分割  

摘要： 在颅脑血管相关疾病的预防和诊断中,基于放射影像的血管分割是实现其准确诊断的重要前提。从前基于二维影像进行人工勾画的血管轮廓被认为费时费力且准确率较低,目前基于三维放射影像的半自动或自动血管分割算法在一定程度上提高了分割精度。本文聚焦颅脑血管成像领域较为先进的基于传统算法和与深度学习算法相结合的混合算法两大类图像处理方法,其中基于传统算法的图像处理较为基础且常见,而基于深度学习算法的图像处理则还处在逐步走向成熟阶段。笔者通过列举近几年具有代表性的基于放射影像的颅脑血管分割与提取算法,描述采用的图像信息和算法的准确性、鲁棒性和效率等,在深入了解其现状的基础上展望颅脑血管分割领域未来的发展方向及研究重点。

关键词： 目标检测   YOLOv7   缺陷检测   平均精度均值   召回率  

摘要： PCB存在线路设计多样、缺陷面积小且各缺陷之间特征相似等问题,导致缺陷检测精度较低,本文提出使用YOLO-G缺陷检测算法提高检测精度。首先,基于YOLOv7基础模型,使用SPD-Conv模块解决池化过程中像素信息丢失的问题。其次,引入SimAM模块从三维角度区分重要特征信息,提高模型对不同程度特征表示的感知能力。最后,使用BiFPN融合结构提高低层细节和高级语义信息的多路径交互融合,提高小目标位置的高效定位与分类。实验数据表明:该算法平均精度均值和召回率较原算法分别提升8.2%和5.8%,提高了PCB小目标的检测性能和检出率,证明了算法的有效性。

关键词： 货物识别   深度学习   YOLOv5   目标检测  

摘要： 针对仓储物流中人工检测货物范围受限且效率较低的问题,研发了一种基于YOLOv5目标检测的货物识别系统,旨在快速、准确地识别货物种类及破损情况并及时反馈。建立数据集并加以训练,得到用于YOLOv5检测货物的模型,在此基础上,设计可交互式界面,结合摄像头实时检测,并根据检测结果实时反馈。试验结果表明,在光照充足的情况下,程序可以较好地完成货物检测并报警的任务。

关键词： 深度学习   目标检测   YOLOv3   准确率   伪装效果评估  

摘要： 阐述伪装效果评估是伪装勘测领域的重要课题。提出一种基于YOLOv3目标检测的伪装效果评估方法,该方法将深度学习模型引入到伪效果评估领域中,能够提升伪装效果评估的智能化水平。

关键词： 太赫兹光谱   点扩散函数   图像处理   深度学习   超分辨率  

摘要： 太赫兹光谱成像技术不仅能获取检测对象在三维图像空间中的几何信息,同时也能提取其在太赫兹波段的光谱信息,因此该技术已在众多领域表现出巨大的应用潜力.但由于技术设备结构复杂,成本较高,且太赫兹波长较长导致其成像空间分辨率较低,边缘细节模糊,如何在现有设备基础上提高太赫兹成像分辨率成为目前亟需解决的关键问题.针对该问题,以STC89C51单片机为检测对象,利用太赫兹时域光谱数据,结合深度学习,实现了太赫兹光谱成像的超分辨率重建.试验采用太赫兹时域光谱检测系统对样品进行逐点扫描,指定0.738 THz进行频域成像,通过构建点扩散函数对太赫兹图像去卷积增强,并确定以光束穿透深度z=2 mm的去卷积太赫兹图像作为参考图像.考虑太赫兹图像实际采集过程中可能受到多种复杂噪声的影响,通过双三次插值降采样(BI)、高斯模糊下采样(BD)、双三次插值下采样+高斯白噪声(BN)与高斯模糊下采样+高斯白噪声(DN)4种不同的降采样方式模拟太赫兹降质图像.采用Real-ESRGAN深度学习方法对降质图像进行超分辨率重建,同时与SRResNet、EDSR、SRGAN、ESRGAN方法的重建结果进行对比.采用峰值信噪比、结构相似性以及主观平均得分3种评价指标对重建结果进行评价.评价结果表明:Real-ESRGAN的BI、BD、BN、DN 4种降质图像的超分辨率重建效果的各项指标表现均优于其他算法,实现了对芯片特征信息的增强和图像成像精度的提高,为太赫兹图像超分辨率重建技术提供了一种新的优化思路.

关键词： 防空导弹   电子干扰   制导律   目标跟踪   半主动寻的   雷达  

摘要： 在分析防空导弹制导体制和工作过程的前提下,研究了防空导弹面临的电子干扰环境及采取的对抗措施。根据电子干扰影响制导的过程,分别研究了电子干扰对雷达导引头的影响和导引头误差对制导控制的影响。分析了电子干扰下提高导弹制导性能的方法,并重点从制导信息估计和制导律设计这两个方面研究了相关的抗干扰算法。最后总结了论文的研究内容,提出了下一步需要深入研究的问题。

关键词： 深度学习   智能表面   检测   协作式机器人   图像处理  

摘要： 在汽车智能表面自动化检测中,传统机器视觉方法因易受光源、环境光影响,导致物体缺陷特征参数提取困难,检测准确性不高,本文采用协作式机器人作为运动控制,用压力检测单元、电流采集单元和图像检测单元组成检测系统,建立基于深度学习的汽车智能表面缺陷检测方法。结果表明,缺陷识别和缺陷分类的准确率达到95%,比传统方法高10%以上。该系统提高了表面检测的自动化程度,减少了人力成本,降低了人为操作的失误率,实现了汽车智能表面的高精度、高鲁棒性自动化检测。

关键词： 草莓   目标检测   轻量化   YOLO   SE注意力  

摘要： 为解决温室环境草莓果实的快速准确识别问题,提出了一种基于改进YOLO v5s的草莓成熟度检测方法。使用基于Channel Shuffle的多路聚合网络替换YOLO v5s中的C3模块,在丰富模型特征提取能力的同时,使得网络模型轻量化。同时采用SE注意力机制和最大池化层重构下采样模块,提高模型对有效通道的关注度。利用自制的草莓数据集对改进模型进行评估,结果表明,改进模型(YOLO-SR,YOLO-Strawberry Ripeness)的mAP达98.0%,模型大小仅为5.6 MB,在GPU(RTX 3060)上的单张平均检测速度仅8.2 ms。与原始YOLO v5s相比,YOLO-SR的mAP提升0.8百分点,参数量和浮点计算量分别减少60.0%和54.9%。本研究使用TensorRT加速引擎将模型部署到Jetson Nano平台,结果表明,固定输入分辨率为480×480且使用半精度推理时模型的检测效率最高,mAP和检测时延分别为97.7%和69.4 ms,相比于YOLO v5s原始网络,mAP仍提高了0.5百分点,推理速度提升64%。该轻量化方法能够快速准确地对温室环境下的草莓果实成熟度进行检测,为智慧农业技术在草莓种植中的应用提供可选择方案。

关键词： 目标检测   海洋生物   C3_ODConv   YOLO   CBAM  

摘要： 由于水下环境的复杂性,存在目标重叠和遮挡等情况,为解决这个问题,文章在YOLOv5s的基础上进行改进提出了CO_YOLO,通过将C3替换为C3_ODConv,减少模型的计算量,加入了CBAM注意力机制可以增强模型的特征提取能力,同时。实验结果表明CO_YOLO对海洋生物目标检测有很好的效果,在URPC2020数据集上比YOLOv5s有更好的效果,mAP50达到0.828,计算量GFLOPs为16.5。

关键词： 智慧运维   计算机视觉   融合诊断  

摘要： 随着光伏电站装机容量的规模化增长,光伏组件故障的快速、准确诊断对光伏电站的可靠运行尤为重要。通过引入基于深度融合无人机AI巡检的光伏场站智慧运维管理系统,聚焦无人机AI巡检核心算法的研究,从组件定位、故障识别、融合诊断3个方面有效提升光伏场站的智能化运维水平。