关键词： 马铃薯   花粉活力   图像处理   深度学习   SegFormer   OpenCV  

摘要： 【目的】传统马铃薯花粉活力检测方法依靠肉眼计数,存在效率低、准确性差等问题。本研究基于PaddlePaddle深度学习框架,通过比较不同模型,提出一种快速检测花粉活力的方法。【方法】首先收集花粉,使用2,3,5-氯化三苯基四氮唑(2,3,5-triphenyltetrazolium chloride,TTC)染色,通过显微镜拍照获取图像;利用Photoshop(PS)进行数据标注,分别标注有活力花粉和所有花粉,并将标签图转为单通道图像;选用SegFormer、U-Net和DeepLabV3模型进行训练,分割有活力花粉和所有花粉;最后使用Python OpenCV程序计数,计算花粉活力。【结果】与其他模型相比,SegFormer在两类数据集中的各项评估指标均为最优。相比于人工识别,OpenCV程序可以实现快速、批量计数,且误差小。【结论】通过图像处理技术可以快速、准确检测马铃薯花粉活力,进一步利用该方法快速鉴定了200份F_(2)株系的花粉活力,为马铃薯花粉活力表型采集奠定了基础。

关键词： 机器视觉   大坝表面变形   视准线原理   图像处理   误差分析  

摘要： 针对大坝表面变形自动化监测中GNSS系统垂直位移监测精度低、费用昂贵和静力水准仪布设难度大、维修成本高等问题,利用机器视觉技术对大坝表面变形进行监测。室内试验结果表明,相机与标靶距离在100 m范围内,机器视觉的测量精度可达到亚毫米级,且水平和垂直变形位移精度相近。由误差分析可知,标靶与相机的距离与测量精度有明显的相关性,而环境因素是影响远距离监测精度的重要因素,并利用大坝视准线原理优化了机器视觉监测系统。最后以浙江省大力塘水库为试点,对大坝表面变形进行实时监测,结果表明,机器视觉技术完全可满足实际工程需求,且优化后的机器视觉测量技术可明显提高监测数据的精度和稳定性。

关键词： 多介质   教学资源   新工科教育   课程思政   数字图像处理  

摘要： 立德树人是高等教育改革的终极目标,而教学资源建设是系列教改的基础。在分析新工科教育与传统工科教育差异基础上,揭示多介质新形态教学资源建设需求,提出立德树人视域下的多介质新形态教学资源建设方法,包括以先进的学习理论为指导安排教材结构、体例;以立体化教材、公众号、小程序和抖音等新形态介质传递教学内容;以新知识新技术为牵引促进创新创业能力;以不同领域新应用实例夯实跨界综合能力;以文化自信、忧患意识等为牵引强化课程思政,实现多介质新形态教学资源建设。

关键词： YOLOv5   目标检测   深度学习   肉鸽识别  

摘要： 饲料浪费是肉鸽养殖中最严重的问题之一。肉鸽由于食道短的生理特性,使其进食具有少食多餐的特点,饲养人员依据该特点频繁投喂的过程,也造成了浪费率较高的问题。随着深度学习在目标识别领域应用的发展,使用深度学习的肉鸽识别模型进行肉鸽数量识别并辅助机器投喂饲料将成为未来发展趋势。本文使用YOLOv5模型训练模型,在自制的肉鸽数据集上,该模型在养殖基地测试达到90.37%的准确率,可以有效解决肉鸽数量识别的问题,以便于后续辅助自动化饲料投喂,降低饲料浪费率的目标。

关键词： 目标检测   YOLOv7-tiny   绝缘子检测   损失函数  

摘要： 针对现有绝缘子检测算法识别种类单一、定位精度差、鲁棒性差等问题,提出了一种改进YOLOv7-tiny的多种类绝缘子检测算法。首先,使用K-means++算法对先验框进行重聚类,获得更适用于多种类绝缘子数据集的先验框尺寸;其次,采用了基于动态非单调的聚焦机制设计的WIoUv3损失函数,解决训练过程中正负样本不均衡问题。在网络结构上,首先在骨干网络使用跨阶段特征融合模块(CFFCB)捕获更多的上下文信息,对一些受到遮挡的绝缘子实现精准检测;同时,在颈部网络,提出了空间金字塔池化模块SPPCSPF替换了原有的SPPCSP,有效提高绝缘子与背景接近时的检测成功率,有效改善漏检情况。经过实验测试,与YOLOv7-tiny相比,改进后的网络模型的mAP提高了2.1%,达到了97.6%,有效提高了多种类绝缘子的检测精度。最后,利用改进后算法的检测结果在UR5机械臂上进行了抓取实验,实际抓取的成功率在90%左右,验证了算法的可行性。

关键词： 无人机航拍图像   全景特征细化分类   自适应双维特征采样   多路径信息整合   多尺度目标   动态聚焦  

摘要： 针对无人机航拍图像前景目标尺度差异大、样本空间分布不均衡、背景冗余占比高所导致的漏检和误检问题,本文提出一种自适应前景聚焦无人机航拍图像目标检测算法。首先,构建全景特征细化分类层,通过重参数空间像素方差法及混洗操作,增强算法聚焦能力,提高前景样本特征的表示质量。其次,采用分离-学习-融合策略设计自适应双维特征采样单元,加强对前景焦点特征提取能力和背景细节信息保留能力,改善误检情况,加快推理速度。然后,结合多分支结构和广播自注意力机制构造多路径信息整合模块,解决下采样引起的歧义映射问题,优化特征的交互与整合,提高算法对多尺度目标的识别、定位能力,降低模型计算量。最终,引入自适应前景聚焦检测头,运用动态聚焦机制,增强前景目标检测精度,抑制背景干扰。在公开数据集Vis Drone2019和Vis Drone2021上进行相关实验,实验结果表明,该方法m AP@0.5数值达到了45.1%和43.1%,较基线模型分别提升6.6%和5.7%,且优于其他对比算法,表明该算法显著提升了检测精度,具备良好的普适性与实时性。

关键词： 图像分割   区域分割   水表数字   图像处理  

摘要： 在医院的特殊环境下,许多水表需要高精度地实时读取读数,以便精确控制水量。为了提高水表数字分割的稳健性和准确性,本研究提出了一种基于区域分割算法的方法来分割水表数字。首先,对水表图像进行一系列处理以定位数字位置,然后通过算法自动选取种子点,对图像进行分割。实验结果表明,该分割方法具有更高的精准性和稳健性。

关键词： 人工智能   降维   大数据   图像处理   分析  

摘要： 数据降维是人工智能领域中的一项关键技术,它的作用是利用信息之间的相关性进行空间转换。文中首先叙述基本数据降维的概念和原理,然后又具体介绍目前最常见的数据降维方法,包括主成分分析(PCA)、线性判别分析(LDA)以及自编码器(Autoencoder)等。最后,通过实际案例阐述了数据降维在人工智能领域的应用,并总结了其优势和挑战。

关键词： 燃气安全   非居民用户   目标检测   隐患识别  

摘要： 随着燃气管道服役年限的递增和人们的各种不规范行为,非居民用户在燃气使用过程中安全隐患问题突出,燃气泄漏等事故屡见不鲜,对人民生命财产安全构成严重威胁.近年来,人工智能等新兴技术的大力发展使借助科技力量筑牢安全防线成为可能.为此,设计了一种基于YOLOv8目标识别算法的非居民用户场景下的隐患识别算法,具备在复杂的非居民用户场景中识别关键设备设施和隐患的能力,可以帮助监督、检查人员在对非居民用户巡检过程中,自动识别安全隐患,并进行及时提醒,极大地提高了隐患排查的效率和准确性,并且可以给经验不足的巡检人员提供辅助指导.这不仅是对燃气安全监管工作的一次重要革新,更是对人民生命财产安全负责的具体体现.

关键词： 养殖场   牛日常行为   目标检测   YOLOv5s  

摘要： 在现代化养殖场中,牛的行为识别对提升生产效益有重要意义,通过监测牛的日常行为可以判断牛的身体健康状况;而对牛的产犊行为监测,便于做好护理工作,避免生产损失。本研究采用YOLOv5s目标检测算法对养牛场牛进行行为检测,采集牛的站立、躺卧、采食、饮水、排粪、排尿、产犊七类行为图像数据并做标注,对图像进行数据增强操作,制作成牛行为识别数据集,最后放入YOLOv5s网络进行训练,得到牛行为目标检测模型。结果显示,模型检测站立、躺卧、采食、饮水、排粪、排尿、产犊等行为的平均准确率和平均召回率分别达到96.9%和94.1%,可为智慧养殖场牛行为监测提供技术支持。