关键词： 集成电路   图像处理   MATLAB  

摘要： 当前部分集成电路封装企业利用传统检测技术检测封装电路的质量问题,导致人力资源成本过高等现象.随着3C技术的不断发展,应该尝试利用图像处理检测产品质量,提高检测质量和水平.基于此,本文主要介绍了利用图像处理技术对集成电路封装质量进行检测与分析的过程,包括图像减法、图像强度值法在集成电路封装质量检测与分析中的应用,以期为相关工作人员提供有益参考.

关键词： 控制棒驱动机构   机器视觉   计算机视觉   OpenCV  

摘要： 本文研究了基于OpenCV的核电站控制棒驱动机构管口识别技术,在核电站反应堆压力容器顶盖的在役检查过程中,利用机器视觉技术实现控制棒驱动机构(CRDM)的管口自动识别具有重要意义.本研究使用OpenCV计算机视觉库,采用灰度化处理、滤波处理对图像进行预处理,通过霍夫变换算法实现管口的识别,以期提高反应堆压力容器顶盖检查的检测效率,缩短检测时间,为反应堆压力容器顶盖检查系统的自动化控制工作提供有效参考.

关键词： 深度学习   指针仪表识别   目标检测   图像处理  

摘要： 针对指针式仪表人工采集读数效率低以及变电站现场环境复杂影响仪表检测精度的问题，提出了一种基于深度学习的指针式仪表示数读取方法。此方法首先基于EfficientDet算法，检测仪表位置信息且实现仪表分类，并通过改进双向特征金字塔网络（bi-directional feature pyramid network，BiFPN）融合策略，优化跨层数据流，使用Focal Loss损失函数平衡正负样本，提高原模型的检测精度。而后将提取到的目标区域采用霍夫圆检测剪裁出表盘，并通过最小二乘法拟合刻度线轮廓和指针，最后利用角度法计算仪表读数。通过实验表明，改进后的EfficientDet模型平均精确率均值达到了97.63%，相较于原模型提高了5.37%，读数的平均相对误差为1.07%，能够为工业环境下指针式仪表的示数读取提供有效探索。

关键词： 遥感图像   YOLOv5   高价值目标   注意力机制  

摘要： 空基平台下的高价值目标检测技术被大量应用于重要军事目标的侦查任务，是一项新兴的重要军事技术需求。然而长期以来受遥感图像质量、高价值目标自身特性等多方面因素影响，传统的检测方式与通用的基于深度学习的目标检测技术效果不佳。本文在YOLOv5模型的基础上，利用通道注意力与空间注意力的高效组合，优化了YOLOv5算法的网络结构。在特征提取网络部分，本文结合ECA（Efficient Channel Attention）注意力机制以及SA（Shuffle Attention）注意力机制构建了ECSA（Efficient Channel Spatial Attention）组合注意力机制，以低算力成本重新组合了通道注意力和空间注意力，提升了模型的组合注意力效果。实验显示，在基于自建高价值目标图像数据集的对比实验中，YOLOv5-ECSA模型的精度超越了其他所有同等参数规模的YOLO系列模型，达到了最优的参数-精度均衡性。

关键词： 自动驾驶感知   对抗样本   运动模糊   目标检测   卷积神经网络  

摘要： 在自动驾驶感知系统中，卷积神经网络作为关键技术在车辆感知和决策中发挥着重要作用。然而，其面临的对抗样本攻击威胁对自动驾驶系统的安全性和稳定性产生了严重影响。现有的对抗样本生成方法通常直接在图像中添加对抗扰动，导致对抗样本视觉质量下降，伪装性不足，易被人类观察者识别。为了解决这一挑战，本文引入了交通场景中车辆运动引起的图像模糊先验知识，提出了一种运动模糊伪装对抗样本生成方法。通过模拟车辆和行人在移动过程中产生的模糊效应，生成了具有运动模糊特征的对抗样本。为了保持图像的运动模糊同时有效实现对抗攻击，设计了一种目标隐身的对抗样本损失函数。实验结果显示，在ICDAR2018数据集上，图像检测框数量为0，图像模糊度指标BRENNER为69.28，证明了该方法可以生成运动模糊伪装对抗样本。

关键词： 深度学习   注意力机制   激光除草   图像处理   分生组织定位  

摘要： 针对激光除草方式中分生组织靶向定位精度低、深度学习在农业场景下资源受限、实时速度慢等问题，提出了一种改进单阶段目标检测算法(you only look once version 5s， YOLOv5s)和传统图像处理方法结合的杂草识别定位算法。为了减少参数引入GhostNet模块来压缩模型大小，以及在主干层加入CA注意力机制，增强模型的特征提取能力，在特征融合的颈部层采用双向特征金字塔网络(bi-directional feature pyramid network， BiFPN)，提高小目标的检测精度。实验结果表明改进YOLOv5s模型精确率为96.1%，比YOLOv5s、更快速的区域卷积神经网络(faster region-based convolutional network， Faster RCNN)和YOLOv4- tiny分别提高了1%、4.6%和9.5%，同时模型大小大幅下降，参数量比原模型降低了43%。采用改进YOLOv5s目标检测算法识别杂草，同时超绿特征结合OTSU阈值分割算法提取检测框内识别杂草的前景图像，最后通过轮廓检测和质心计算输出质心坐标作为杂草分生组织位置。

关键词： 遥感图像   目标检测   深度学习   多尺度特征融合   加权检测框融合  

摘要： 遥感图像中目标尺度变化大、目标长宽比差异大，导致遥感图像目标检测困难。针对遥感图像的这一特点，基于YOLO框架进行改进，提出EW-YOLO，提高遥感图像目标检测的精度。首先，在特征融合部分，设计多级特征融合结构，利用双分支的残差模块促进不同尺度特征的融合，并通过融合模块的级联以及跨层特征融合设计，提高对不同尺度目标的提取能力，进一步增强检测能力；其次，在预测部分，提出加权检测头，引入加权检测框融合，利用置信度分数对每个候选框进行加权，并融合生成预测框，提高不同长宽比目标的检测精度；最后，针对图像尺寸过大的问题，提出图像重采样处理方法，通过将图像采样至合适大小并参与网络训练，以缓解由于切割造成的大尺寸目标检测精度较低的问题。在DOTA数据集上进行了实验，所提方法检测精度达到77.47%，较原始基于YOLO框架的方法提升1.55个百分点，且优于目前主流方法，并进一步在HRSC和UCAS-AOD数据集上验证了有效性。

关键词： 联邦学习   医学图像   深度学习   图像处理   分布式学习   隐私保护  

摘要： 在医学领域，由于患者隐私问题，图像很难集中收集和标注，给深度学习模型的训练和部署带来了较大困难。联邦学习作为一种能有效保护数据隐私的分布式学习框架，其能够在参与方不共享数据的基础上进行联合建模，从技术上打破数据孤岛，凭借这些优势在许多行业已经得到广泛应用。由于与医学图像处理的需求高度契合，近年来也涌现出许多应用于医学图像处理的联邦学习研究，然而大部分新的方法仍未被归纳分析，不利于后续的进一步探索。文中对联邦学习进行了简单的介绍，列举了其在医学图像处理方面的部分应用，并根据改进的方向将目前已有的研究进行了分类总结。最后，讨论了目前医学图像方向联邦学习所面临的问题和挑战，对未来的研究方向进行了展望，希望给后续研究提供一定的帮助。

关键词： 计算机视觉   面部表情识别   知识蒸馏   轻量化  

摘要： 针对复杂神经网络无法在存储空间和计算资源有限的智能终端部署的问题，提出了一种基于知识蒸馏的轻量化面部表情识别模型T-SNet（Teacher-Student Net）。教师模型选用基于细粒度特征提取模块改进后的ResNet18，在MS-Celeb-1M人脸数据集进行预训练。学生模型选用轻量化卷积神经网络ShuffleNetV2，通过优化蒸馏损失函数提高轻量化模型准确性。首先，在面部表情数据集上对教师模型进行蒸馏，提取丰富的特征信息反馈至学生模型，然后综合利用教师模型和学生模型的特征信息训练学生模型，最终训练完成的学生模型作为轻量化面部表情识别模型。T-SNet在FER2013Plus和RAF-DB面部表情数据集，分别取得了88.80%和89.11%的准确率，参数量仅1.20M，在准确度和模型复杂度方面均优于其他主流模型。

关键词： YOLOv8   目标检测   BiFPN   注意力机制   农业应用   采摘机器人   番茄果实识别  

摘要： 【目的】提升机器人采摘番茄果实的识别准确率和检测效率，减少误判和漏检的情况，为番茄果实的检测提供精准、快速的解决方案。【方法】提出一种基于YOLOv8n的番茄检测改进模型，首先将CBAM注意力机制加入到YOLOv8n模型的特征提取环节，为进一步提高模型的泛化能力，引入BiFPN模块实现多尺度特征融合，替换原有的PANet结构，同时结合损失函数SIoU来进一步优化模型的训练过程，从而提高检测精度。【结果】经过试验验证，提出的模型在番茄果实检测任务中取得了显著成果。模型的准确率，召回率，F1分数和平均精度均值分别达到了 95.3%、92.1%、93.7%和96.7%。在检测速度方面，模型最快可在1.5 ms内完成单个目标检测，最慢不超过19.6 ms。【结论】在检测准确率与速度方面，改进后的模型均表现出色，可以应用于番茄采摘机器人，并提升其智能水平。