关键词： 实例分割   玉米大斑病   Mask R-CNN   计算机视觉   注意力机制  

摘要： 玉米作为我国主粮作物,其生产常受大斑病、小斑病、锈病等病害及虫害影响,导致其产量与品质下降,威胁农业生产安全。近年来,视觉检测技术因其高准确性已成为病害防控的重要工具。以Mask R-CNN为基础框架,通过融入DyHead、Groie和OHEM模块进行优化,旨在提升对细微病灶图像的分割效能。改良后的模型在病害图像分割任务上展现出卓越性能,平均精度(mAP)提升4%,尤其在小目标分割上准确率提高8.5%,相较于YOLOv5、YOLACT++等同类模型优势显著。通过消融实验验证了各新增模块的有效性,证实该模型为精准检测玉米大斑病提供了有力的技术支持与理论依据。

关键词： 图像处理   机器人教练   新工科建设   实践   体育教练  

摘要： 教育部明确提出了推进“新工科”建设的要求,旨在新工科培养过程当中更加重视人工智能与计算机、控制科学等交叉学科教育的学科融合,形成具有特色的新工科模式并建立交叉研究中心。现在国家和社会对新工科等人才的需求不断升级,特别是在新型工科融合教育的推动下,图像处理等人工智能的基础课程受到了越来越多的关注,在人工特色的课程培养体系中起着重要作用。然而,现阶段的课程培养方式存在诸多问题,实践课程的匮乏大大削弱了学生的动手能力培养,本文对教学必要性和课程现存问题进行了分析和探讨,依托表情机器人体育教练项目,从课程设计改革和考核方式等方面对课程体系改革进行了研究。旨在提出一系列改进方法和教学策略,为进一步研究和改进提供展望。通过该研究,也可为工科教育领域的教学和实践提供有益的借鉴和指导。还可探索如何将图像处理课程的内容与体育领域辅助教学相结合,为学生提供全新的学习体验和培养跨学科能力培养的机会,打造一款智能的机器人教练帮助运动员去分析和训练。通过深入研究和实践,可以为未来的体育教育领域带来积极的变革与创新。

关键词： 小目标检测   递归门控卷积   解耦头   无人机图像   YOLOv5  

摘要： 当前无人机图像中存在小目标数量众多、背景复杂的特点,目标检测中易造成漏检误检率较高的问题,针对这些问题,提出一种高阶深度可分离无人机图像小目标检测算法.首先,结合CSPNet结构与ConvMixer网络,深度可分离卷积核,获取梯度结合信息,并引入递归门控卷积C3模块,提升模型的高阶空间交互能力,增强网络对小目标的敏感度;其次,检测头采用两个头部进行解耦,分别输出特征图分类和位置信息,加快模型收敛速度;最后,使用边框损失函数EIoU,提高检测框精准度.在VisDrone2019数据集上的实验结果表明,该模型检测精度达到了35.1%,模型漏检率和误检率有明显下降,能够有效地应用于无人机图像小目标检测任务.在DOTA 1.0数据集和HRSID数据集上进行模型泛化能力测试,实验结果表明,该模型具有良好的鲁棒性.

关键词： 非线性量测   机动多目标   δ-广义标签多伯努利滤波器   量测转换   交互多模型   模糊算法  

摘要： 为了解决非线性量测下机动多目标跟踪实时性差、跟踪误差大以及对杂波变化鲁棒性较差的问题,基于随机有限集理论,提出了一种采用量测转换和模糊算法改进的多模型δ-广义标签多伯努利滤波器。首先,推导了交互多模型的δ-GLMB滤波器,通过去相关无偏量测转换实现位置量测从极坐标系到笛卡尔坐标系的无偏转换,并通过预测值去除量测误差和其协方差的相关性造成的滤波估计偏差,实现了非线性场景下的机动多目标跟踪;然后,通过航迹和量测的关联新息以及目标的机动约束构建联合波门,降低了杂波量测的数量;最后引入改进的模糊算法,以目标的模型后验概率为输入,根据模型的分离程度自适应调节运动模型的过程噪声,增加滤波精度。研究结果表明:在杂波环境下,通过与CKF-JMS-δ-GLMB、CKF-IMM-δ-GLMB等非线性多模型滤波器对比,所提算法计算时间较小,且跟踪精度更高,鲁棒性强。所提算法避免了传统的非线性处理方式计算量较大的问题,并且具有较好的杂波抑制特性,提升了非线性量测下机动多目标跟踪的性能。

关键词： YOLOv8   RepVGG   ECA   eSE   目标检测   语义分割  

摘要： 车辆行人检测分割在自动驾驶、智能交通管理等场景广泛应用,但如何提高车辆行人识别精度以及处理分割不均匀等问题一直是项挑战。针对上述问题,文中提出一种YOLOv8的改进算法,该算法采用RepECA作为骨干网络,此骨干网络使用RepVGG模块代替原骨干网络的卷积层,并融合ECA注意力机制对图像进行特征提取,其中RepVGG模块在检测时转变多分支结构为单路径结构,不损失训练精度的同时提升执行效率,ECA注意力机制针对通道维度的注意力加权机制,通过学习通道之间的相关性,自适应地调整通道的权重,增加少量模型参数却带来大的性能提升;在C2f模块中,改进算法加入了eSE自注意力模块,避免因为通道数减少造成的通道信息损失,进一步提高模型精度。实验结果表明,使用Cityscapes数据集训练,Rep⁃YOLOv8算法在检测与分割任务的mAP@0.5指标分别达到85.4%和75.5%,与原YOLOv8相比分别提升了13.4%和16%,推理速度从65 f/s提升至83 f/s。

关键词： 人工智能   计算机视觉   OpenCV  

摘要： 本文以计算机视觉的人工智能项目实践为例,引导学生通过学习思考,设计和实现简单的计算机视觉算法与程序,并通过“疲劳驾驶AI预警1.0”项目实验教学激发学生学习兴趣,提高了学生的思维能力和创新能力。

关键词： 目标检测   密集目标   阵列信息   四方向搜索匹配   Transformer  

摘要： 针对工业场景下密集相似目标检测过程中,容易出现定位误差和伪目标等问题,提出一种基于阵列分布信息引导的密集目标检测算法。从密集目标图像中提取种子目标,根据目标阵列排布规则设计四方向搜索匹配策略,以种子目标的四邻域构建候选目标匹配区域,利用重索引算法更新目标位置索引,不断遍历实现所有目标的精确定位;针对相似目标检测困难的问题,在卷积神经网络前引入Transformer自注意力结构,提取样本间位置和类别的相关性特征,设计基于组图孪生卷积Transformer的分类网络,增强相邻目标图像结构化信息,实现密集相似目标的精确分类,最终完成稳健的目标检测任务。对大量密集目标图像数据集进行实验,结果表明,所提算法在精度上优于对比算法,检测分类准确率达到98.71%,可以完整提取目标并进行精确分类。

关键词： 掩埋目标   探测系统   信号处理   水声探测   抗混响   特征提取   目标检测   目标识别  

摘要： 为了准确呈现海底掩埋目标声探测与识别研究存在的问题与技术难点,推动该领域相关技术的发展,本文主要从探测系统及信号处理技术两方面出发进行研究。首先分析了基于水声探测海底掩埋目标所面临的难点,介绍了国内外掩埋目标声探测与识别系统,然后论述了抗混响、特征提取、目标检测和目标识别等关键技术环节的主要研究进展,最后总结了掩埋目标探测与识别面临的问题和挑战,并对未来发展方向进行了展望。

关键词： 深度学习   YOLOv5s_P   公交客流   目标检测   特征融合   数据增强  

摘要： 针对目前公交客流目标检测中由于前后排乘客图像尺寸差距大、遮挡严重而难以检测的问题,提出一种改进的目标检测模型YOLOv5s_P。该模型基于YOLOv5基本架构,针对乘客图像尺寸差距大的问题,使用重复加权双向特征金字塔网络结构替换YOLOv5中的路径聚合网络结构,引入权重机制双向跨尺度融合不同特征,增强提取复杂目标特征的能力;同时针对遮挡问题,结合Mixup数据增强方法,扩充遮挡和重叠图像的训练样本,提高模型泛化能力,减少客流图像残缺导致的漏检。为了验证YOLOv5s_P模型性能,将其应用于实际公交场景,并与Faster R-CNN、SSD300、RetinaNet、YOLOv5s 4种模型进行对比测试。实验结果表明,YOLOv5s_P模型在不影响检测速度的情况下,平均精度均值达到96.9%,平均漏检率较YOLOv5s模型降低了3.43%,提高了公交客流的检测精度。

关键词： 目标检测   Kmeans   DETR   多尺度   Transformer  

摘要： 在利用DETR进行目标检测时,复杂的矩阵运算不仅对稀疏冗余特征产生了大量无效计算,还阻碍了对图像更多尺度信息的使用.针对上述问题,本文提出了多尺度局部聚类的Kmeans-DETR目标检测方法.首先构造了局部Kmeans聚类方法,通过在特征图的局部区域内聚类得到对应簇,并选取特征代表该簇以降低稀疏冗余特征的数量,进而减少矩阵计算量与模型复杂度;其次通过3种尺度的局部聚类,引入多尺度信息的同时通过不同尺度聚类区域重叠的方式解决局部信息不互通的问题;最后改进了位置编码方式用以记录局部聚类后特征的位置信息,并嵌入到簇的代表特征中,利用Transformer结构完成检测任务.本文提出的模型在COCO数据集上与主流的目标检测模型进行了对比,在多个指标上均有较好的表现.