关键词： 信息融合   算法优化   图像处理   智慧电厂   毫米波雷达  

摘要： 通过对安全防护需求的图像处理及雷达扫描技术建模研究,开发了基于图像处理与雷达信号相融合的防碰撞系统。通过计算测试分析,在多干扰噪声情况下系统最大误差为42 mm,处于合理误差范围内,完全满足实际工程需要,这对实际燃煤电厂内煤场的设备运行安全提供了一定的技术保障,同时实现了人与其他设备的安全防护要求。

关键词： 技术生命周期   Logistics模型   LDA主题模型   PCA+K-means模型   演化分析  

摘要： [目的/意义]专利技术主题演化分析可以深刻揭示主题领域的技术发展脉络,如何对其进行准确挖掘对企业提高技术创新能力至关重要。[方法/过程]沿着“技术演化理论构架”→“技术生命周期划分”→“技术主题提取”→“技术主题演化分析”这一研究主线,以自建数据库为数据来源,首先,基于Logistics模型进行技术生命周期划分;然后,分别利用LDA主题模型和PCA+K-means模型进行技术主题提取,并从技术主题强度和技术主题内容两个维度进行技术主题演化分析;最后,以视频图形处理技术领域为例,验证模型的有效性和适用性。[结果/结论]研究结果表明,文章构建的智能模型可以挖掘出主题领域的热门和新兴主题,该分析方法对于认识和追溯技术主题演化规律进而厘清关键技术的发展脉络具有实际应用价值。

关键词： 小肠病变   卷积神经网络   人工智能   胶囊内镜   目标检测  

摘要： 目的基于不同卷积神经网络开发人工智能辅助系统,用于自动检测小肠胶囊内镜(CE)拍摄的11类小肠病变图像,提高诊断的效率、准确性和客观性。方法收集来自3个不同医学中心,使用3种不同品牌设备拍摄的CE图像,构建图像数据集,用于不同卷积神经网络模型的训练和测试,共含13683张图像和15117个注释标签。模型性能评估指标包括平均精度、准确率、敏感性、特异性、假阳性率、检测速度。结果构建了2种YOLO模型和2种RTMDet模型,在包含2729张CE图像(4801注释标签)的测试集上,RTMDet_m模型取得了最佳的mAP50(82.58%),但也展现出最慢的延迟时间(47.28帧/s)。模型达到了82.76%的整体敏感性和95.91%整体准确率;在具体类别的推理中,敏感性最高的类别是“出血”,而最低的类别是“黏膜下肿瘤”。结论使用混合品牌CE图像开发的人工智能模型能够快速准确地检测与分类11种小肠病变,在帮助医师提升CE诊断效率和准确性方面展现出很好的临床应用潜力。

关键词： 人工智能   竞技体育   数据挖掘   计算机视觉   可穿戴设备  

摘要： 竞技体育是体育的重要组成部分,对于推动全民健身、提升国际影响力、促进国家经济发展等具有重要意义。随着人工智能技术的发展,竞技体育不断融入人工智能技术来提升体育训练的科学性和竞赛的公平性。该文梳理与总结了近年来人工智能领域中的数据挖掘、计算机视觉和可穿戴设备在竞技体育中的研究现状,指出当前人工智能应用于竞技体育在数据采集、数据安全性、数据公开性等方面存在的问题,并对未来研究方向进行了展望。

关键词： 机器视觉   三维点云   三维体素   目标检测   空间语义特征关联   坐标注意力   特征融合  

摘要： 为解决复杂自动驾驶场景下小目标检测效果不佳和漏检的问题,提出一种融合点云和体素信息的高性能网络架构。通过预处理模块、空间语义特征关联模块、坐标注意力机制模块等改进PV-RCNN网络的检测性能,构建网络架构PSC-RCNN。在KITTI上进行验证,实验结果表明,PSC-RCNN在简单、中等、困难3种检测难度的类别下,对于自行车这种形状复杂的小物体识别精度分别为82.99%、67.03%、59.88%,相对原有的PV-RCNN网络,识别精度分别提高了4.39%、3.32%、2.23%;相对于现有3D目标检测网络,识别精度分别提高了0.51%、2.93%、2.23%。

关键词： 痕迹识别   交通事故重建   “鳞”状刮擦痕迹   图像特征  

摘要： 目前,在交通事故处理实务中,对于车体刮擦痕迹鉴定研究集中在车漆的留存性检验和碰撞部位的确认方面,对在碰撞中形成的“鳞”状刮擦痕迹图像学特征缺乏深入探讨。首先分析车漆分层结构和涂层特性,阐释“鳞”状刮擦痕迹形成机理,然后对典型事故案例图像进行采集处理,通过改进EDCircle算法挖掘图像细节特征。以选取案例为基础,夹角范围设定在[10°,30°)区间,识别准确率能够达到90%以上,漏检率低于30%。最后通过案例验证,“鳞”状刮擦痕迹图像分析方法具有较高的情景重建能力,作为鉴定技术手段,可有力支撑事故的认定工作。

关键词： 深度学习   小目标检测   多任务学习   超分辨率   注意力机制  

摘要： 小目标通常具有低分辨率和模糊不清的特点,并容易受到遮挡和背景的影响,导致难以实现准确且实时的小目标检测。为提升检测效果,提出一种基于多任务学习的超分辨率辅助小目标检测算法Multi-YOLO。首先,引入一个超分辨率辅助分支引导主干网络提取有效特征,减少小目标信息丢失;其次,采用Anchor based协同监督Anchor free的双检测头训练方法来辅助提升检测准确性,另外,在骨干网络尾部使用CTR3模块加强目标信息与位置感知的关联性;最后,在推理阶段仅使用检测分支进行推理以保证推理速度。实验结果表明,Multi-YOLO相对于基准网络在VEDAI、COCO MiniTrain和SPCD数据集上均取得了一定的性能提升,其中在VEDAI数据集上,Multi-YOLO实现了10.9%的平均精度均值(mAP)提升,且与基准模型大小相近。同时,与主流的单阶段目标检测网络相比,Multi-YOLO在小目标检测方面表现出色,并在精度和速度之间取得了平衡。

关键词： 无人机   目标检测   YOLOv7-tiny   ASFF-L模块   DCNS卷积  

摘要： 无人机图像中的小目标检测是研究的重难点之一。与大目标相比,小目标特征较少,更易受到遮挡和复杂背景的干扰,针对该问题,提出一种基于YOLOv7-tiny的多模型融合目标检测网络YOLO-DA。首先,增加小目标和极小目标检测层,提高网络对小目标特征的学习能力;其次,引入空间自适应特征融合ASFF-L检测头,通过学习空间过滤冲突信息来抑制不同尺度特征的不一致性,实现多尺度特征的自适应融合;最后,引入DCNS可变形卷积并设计了扩展变形建模范围的调制机制,增强模型的建模能力,降低遮挡重叠等对检测的影响。经试验验证,提出的方法在Visdrone2019数据集上实现了44.7%的平均精度及71 fps的推理速度,平均精度较基线算法提高了9.7%,模型内存为63.8 M,能够实现实时检测。通过消融、对比实验表明YOLO-DA在无人机航拍图像检测方面明显减少了误检和漏检问题,具有更高的检测性能,且算法参数量和计算量可以满足无人机等边缘设备的实时检测需求。

关键词： 卷积神经网络   目标检测   无人机   海上搜救   上下文信息   YOLOv7-tiny  

摘要： 针对海上搜救图像中遇难人员在水面露出的面积小并且容易受到海浪反光、雨雾天气等恶劣环境影响,导致特征提取困难的问题,提出一种海浪上下文信息补偿小目标检测算法。首先,通过基于滑动窗口的图像预处理模块将图像进行裁剪,把关注点集中在目标物体周围,并减少图像中的无关区域,降低了计算量并提高了准确率;其次,提出一种海浪上下文模块,首次通过分析海浪的运动方向和强度,提取海浪上下文信息来辅助海上搜救小目标检测,提高检测精度。在SeaDronesSeev1和SeaDronesSeev2数据集上的实验结果表明,所提算法平均精度分别达到了73.29%和87.81%,相比YOLOv7-tiny算法,平均精度分别提高了21.84%和6.5%。所提算法提高了海上搜救小目标的检测精度,提高了海上搜救的效率。

关键词： 目标检测   水下图像   YOLOv7   PConv   注意力机制  

摘要： 水下目标检测在海洋科学、环境保护、资源开发、军事防御、文化遗产保护等领域具有重要意义。然而,水下环境复杂,水下图像质量较差和小生物聚集导致水下目标检测时出现漏检、误检等问题,需要提高检测精度;检测的实时性也需要设计更加快速的网络结构;水下设备的存储和计算能力有限,需要在保证准确性的同时保持较低的计算开销,为此提出了基于YOLOv7的改进型算法YOLOv7-PSS。首先,利用PConv卷积代替骨干网络中的部分普通卷积,减少算法的参数量,加快算法的训练与预测;然后,融合SE注意力机制,增强特征的提取能力;随后,利用SIoU损失函数加速网络收敛,优化算法训练过程。实验结果表明,在URPC2021水下目标检测数据集上,所提算法的mAP达到87.3%,比原算法提高了7.5%,而算法的参数量比原算法减少了11.9%,为水下设备的部署奠定了基础。