关键词： 计算机视觉   深度学习   视线估计   眼动跟踪   人机交互  

摘要： 视线估计是一种预测人眼注视位置或注视方向的技术,在人机交互和计算机视觉的应用中发挥重要作用。近几年,深度学习的飞速发展改变了许多计算机视觉任务,利用深度学习进行基于外观的视线估计已成为关注热点。围绕深度学习模型的训练流程,从视线数据预处理、视线特征提取、视线学习策略、视线估计模型结构四个方面对近年基于深度学习的视线估计方法进行了综述和分析;然后介绍视线估计领域主流公开数据集,并对常用数据集分别进行2D和3D视线估计方法的对比分析。最后,探讨了当前视线估计领域的研究难点与挑战,并对未来的发展趋势进行总结与展望。

关键词： 高空坠楼   儿童安全监测   目标检测   距离测算   危险预警  

摘要： 针对儿童高空坠楼问题,本文利用目标检测与目标测距技术设计了一种高空坠楼监测预警系统.系统改善了现有YOLO目标检测算法模型过大参数量过多的问题,同时还借助单目摄像头测距方法设计了一种新的危险距离测量算法.实验结果表明,改进后的目标检测算法在保证其他参数相差不大的情况下,model size与比原来的YOLOv8n降低了1.99 MB,parameters比原始模型降低了1.039×109.新设计的危险距离测量算法在4个不同场景100组数据中横向误差均值为2.29 cm,纵向误差均值为3.16 cm,危险监测预警准确率92%.综合说明,本文设计的高空坠楼检测预警系统准确性高、实用性强,有较高的社会应用价值.

关键词： 深度学习   目标检测   安全反光背心   YOLOv5  

摘要： 为了解决安全反光背心传统检测方法效率低下的问题,文章提出了一种基于改进YOLOv5的安全反光背心检测方法。该方法采用GhostNet对主干网络进行轻量化改进,同时引入CBAM注意力模块以提高检测精度,最后应用Python的PySide6库搭建GUI界面并进行交互设计。通过开发检测系统实现了安全反光背心的穿戴检测和检测结果展示。实验结果表明:提出的优化模型mAP@0.5值达到89.02%,具有较高的检测精度。与原YOLOv5模型相比,参数量和计算量分别下降24.8%和56.3%,显著降低了检测模型的计算资源需求,适合嵌入式平台部署检测,从而提高了该模型的实用性。研究为安全反光背心检测提供了智能方法,同时为施工安全管理数字化提供了新的思路。

关键词： 计算机视觉   AI人工智能算法   图像数据库   图像识别   图像处理系统智能化。  

摘要： 计算机视觉的技术饰以一种模拟人类视觉系统,让机器系统有助于图像的理解和分析,图像处理的技术正因此日益受到关注和实践。人工智能(AI)算法,作为计算机视觉技术的新型发展趋势,其在图像数据库中的应用有着潜在的大量可能。本论文的焦点放在专注于计算机视觉的AI人工智能算法,针对其在图像数据库中的应用流程的实践和研究。经过选择,几种权威的AI算法,例如深度学习、神经网络等被用作为论文的研究工具,而这些被运用于以浅层特征和深层特征为基础的图像识别、图像分类以及图像检索等任务之中。研究结果显示,AI算法可以有效地提高图像的识别准确率,减少图像处理的时间消耗,并且能够整合和挖掘图像数据库中的高维数据和深层次信息,实现图像的高效管理与检索。本研究揭示了AI算法在计算机视觉图像处理领域的重要应用价值,期望通过深入研究,为未来的图像处理系统的智能化提供理论支撑和技术借鉴。

关键词： 沉积物   砂砾   数字筛分   图像处理  

摘要： 非固结颗粒的粒度分布在河床或海床稳定性分析、沉积物输移以及沿海扩散等方面发挥着重要作用。随着图像处理技术的发展涌现出了许多数字图像筛分方法。本文依据数据处理结果的维度将数字图像筛分方法分为二维数字图像粒径筛分方法和三维数字图像粒径筛分方法。首先,根据二维数字图像粒径筛分方法所依赖的核心算法将其进行了分类并总结了每种方法的适用性和不足。其次,分析了三维数字图像粒径筛分方法并总结了其存在的不足。最后,依据各个方法优缺点提出了“几何”粒度筛分方法和“人工智能”粒度筛分方法相融合的新构想,即前者为后者提供标记训练集,经过训练后后者可以快速适应新环境的数字筛分任务。

关键词： RGB-D显著性目标检测   跨模态融合网络   跨模态特征融合   多模态聚合  

摘要： RGB-D显著性目标检测因其有效性和易于捕捉深度线索而受到越来越多的关注。现有的工作通常侧重于通过各种融合策略学习共享表示,少有方法明确考虑如何维持RGB和深度的模态特征。提出了一种跨模态特征融合网络,该网络维持RGB-D显著目标检测的RGB和深度的模态,通过探索共享信息以及RGB和深度模态的特性来提高显著检测性能。具体来说,采用RGB模态、深度模态网络和一个共享学习网络来生成RGB和深度模态显著性预测图以及共享显著性预测图。提出了一种跨模态特征融合模块,用于融合共享学习网络中的跨模态特征,然后将这些特征传播到下一层以整合跨层次信息。此外,提出了一种多模态特征聚合模块,将每个单独解码器的模态特定特征整合到共享解码器中,这可以提供丰富的互补多模态信息来提高显著性检测性能。最后,使用跳转连接来组合编码器和解码器层之间的分层特征。通过在4个基准数据集上与7种先进方法进行的实验表明,方法优于其他最先进的方法。

关键词： 遥感影像   轻量级检测模型   注意力机制   瓶颈结构   特征融合  

摘要： 针对常规遥感影像目标模型难以在低功耗硬件中部署运行的问题,提出一种轻型的遥感影像多类别目标检测模型。在模型特征提取网络不同层中分别使用了带有SE通道注意力模块的卷积核组与瓶颈结构的卷积核组进行特征提取,然后通过包含通道注意力的多尺度增强网络输出3个尺度的特征图参数进行最终检测。以RSOD、谷歌地球等作为数据源构建了数据集,并对其中的训练集进行了样本增强。试验结果表明,本文提出的模型能够对不同环境下的多类别目标实施快速精准测出,并且训练后模型占用内存较小,运行参数量低,能够部署在低功耗的硬件终端并对遥感影像中的目标实施快速精准检测。

关键词： 目标检测   Canny边缘检测算法   自适应中值滤波   大津阈值分割法   三阈值分割  

摘要： 在移动机器人自主作业时,环境中往往存在障碍物,路径规划避障时要进行动态目标检测.Canny边缘检测算法可以与众多动态目标检测算法相结合,提高目标检测的效果.但是传统Canny边缘检测存在着自适应性不强,边缘检测可能不连续,或者检测虚假边缘的现象.本文提出了一种优化Canny边缘检测算法,通过改进的自适应中值滤波来预处理图像,对算法效率及对噪声点的处理做出了优化,紧接着增加梯度计算方向,最后结合改进的大津阈值分割法,提出了三阈值分割法代替原始的阈值分割法使图像边缘信息更加完整准确.仿真结果表明,该算法在边缘检测准确率上对比传统Canny边缘检测,Sobel算子与较新改进算法均有20%左右的提升,该算法优化了传统算法检测的连续性和准确率.

关键词： 数字仪表   YOLO(you only look once)   边缘设备   目标检测   轻量化  

摘要： 当前针对数字式仪表检测算法在边缘设备具有实时性差、泛化性差的问题,对此提出一种采用ID-YOLO(instrument detection-you only look once)模型的变电站数字仪表检测识别方法。所提算法以YOLOv5模型为基础,首先设计轻量骨干网络(light weight-YOLO, LW-YOLO)提取图像特征,降低网络参数,提高检测实时性;然后设计了一种双级路由注意力模块(bi-level routing attention moudle, BRAM),提高网络对小数点的检测精度以及网络的鲁棒性和泛化性;最后,引入损失函数α-IoU,通过设定不同的可调节参数α数值得到更准确的真实框与预测框的交并比计算,可以提高模型的检测精度。结果表明:相比于其他基于深度学习的数字仪表检测识别方法,所提方法在不同显示方式的数字仪表识别任务上具有更好的准确性和泛化性,而且可以在检测准确率领先的情况下,将模型在边缘设备上的检测速度从6.87帧/s提升至8.77帧/s,其实时性和检测精度均能够满足实际变电站智能数据采集、检测识别的工程需要。

关键词： 视觉同步定位与地图绘制   YOLOv8n   目标检测   稀疏光流法   动态特征点剔除  

摘要： 为了改善在动态场景下同步定位与地图绘制(Simultaneous Localization And Mapping,SLAM)算法定位精度低的问题,提出一种基于轻量化YOLOv(You Only Look Once version)8n的动态视觉SLAM算法。利用加权双向特征金字塔网络(Bidirectional Feature Pyramid Network,BiFPN)对YOLOv8n模型进行轻量化改进,减少其参数量。在SLAM算法中引入轻量化YOLOv8n模型,并结合稀疏光流法组成目标检测线程,以去除动态特征点,利用经过筛选的特征点进行特征匹配和位姿估计。实验结果表明:轻量化YOLOv8n模型参数量下降了36.7%,权重减少了33.3%,能够实现YOLOv8n模型的轻量化;与ORB-SLAM3算法相比,所提算法在动态场景下的定位精度提高83.38%,有效提高了动态场景下SLAM算法的精度。