关键词： 无人机遥感   三维多分支坐标注意力(MBCA)   YOLOv8   多层次特征融合   小目标检测  

摘要： 针对无人机航拍图像小目标占比大和背景复杂的特点,当前目标检测模型存在精度低和小目标漏检等问题。基于YOLOv8s模型,提出了三维多层次特征协同的无人机遥感目标检测算法。首先,在坐标注意力的基础上提出了三维多分支坐标注意力(MBCA),通过增加通道维度的信息交互和扩展分支的拆分融合,减少空间维度的计算量,提高了模型全局特征提取能力。其次,采用SPD-Conv替换部分标准卷积,在下采样时有效保留更多特征信息并加快推理速度。然后,在C2f模块中采用了更高效的FastDBB_Bottleneck模块,结合PConv与DBB结构重参数化叠加,以进一步降低模型计算量。最终,通过引入PG-Detect检测头,显著减少计算量并有效降低小目标的漏检率。在VisDrone2019数据集上的实验结果显示,该方法的mAP50值达到了44.5%,较YOLOv8s基线模型提升了5.7个百分点。同时,在自建水坝裂缝数据集上,进行裂缝检测验证实验,改进方法的mAP50值相比YOLOv8s提升了3.3个百分点,FPS达到289帧。实验结果表明在复杂场景目标检测中,所提方法提升了检测模型的精度和实时性,具有良好的适应性和鲁棒性。

关键词： 智能交通   疲劳检测   目标检测   注意力机制   时序预测  

摘要： 为实现更快速、准确的疲劳预警,提出了一种基于并行短时面部特征的驾驶人疲劳检测方法。基于加入了MicroNet模块、CA注意力机制、Wise-IoU损失函数的YOLOv7-MCW目标检测网络提取驾驶人面部的短时面部特征,再使用并行Informer时序预测网络整合YOLOv7-MCW目标检测网络得到的面部时空信息,对驾驶人疲劳状态进行检测与预警。结果表明:在领域内公开数据集UTA-RLDD和NTHU-DDD上,YOLOv7-MCW-Informer模型的准确率分别为97.50%和94.48%,单帧检测时间降低至28 ms,证明该模型具有良好的实时疲劳检测性能。

关键词： 食品生产   核桃缺陷   计算机视觉   极限学习机   蝴蝶优化算法   快速无损检测  

摘要： 目的:解决现有食品生产企业在核桃缺陷检测中存在的准确性低和效率差等问题。方法:提出一种结合改进极限学习机和计算机视觉的核桃缺陷快速无损检测方法。通过计算机视觉采集核桃大部分表面图像信息,通过高斯滤波对图像进行预处理,通过迭代和保留信息变量法对颜色和纹理特征进行优化,最后,通过改进蝴蝶算法对极限学习机参数(随机权重和偏差)进行优化,实现核桃缺陷快速无损检测,并对所提缺陷检测方法的性能进行验证。结果:试验方法可以实现核桃多种缺陷的有效判别。与常规方法相比,试验方法在核桃缺陷检测中具有更优的检测准确率和效率,检测准确率>98.00%,平均检测时间<9.00 ms。结论:将智能算法和机器视觉技术相结合可以实现核桃缺陷的快速无损检测。

关键词： 速溶全脂奶粉   图像处理   品质检测   偏最小二乘法   人工神经网络  

摘要： 针对传统奶粉品质检测方法的主观性和滞后性问题,该研究利用奶粉的加工条件和颗粒形态构建了一个基于图像分析技术和人工智能算法的奶粉品质软测量模型,用于准确、实时地预测速溶全脂奶粉的分散性和溶解性这2个重要品质性能。利用显微数码摄像头和图像处理技术,获取了奶粉颗粒的形态参数。同时,利用重采样技术解决了奶粉工厂原始数据集中的数据不平衡问题。根据实验获取的奶粉颗粒形态参数和奶粉工厂提供的奶粉生产时的加工条件数据,选用偏最小二乘模型和人工神经网络模型构建了速溶全脂奶粉分散性和溶解性的软测量模型,并利用原始数据验证了所构建模型的准确性。结果表明,用于预测奶粉分散性和溶解性所构建的偏最小二乘模型的Q^(2)和R^(2)分别为Q^(2)=0.72,R^(2)=0.94和Q^(2)=0.85,R^(2)=0.95,而用于预测奶粉分散性和溶解性所构建的人工神经网络模型的R^(2)分别为0.97和0.96。模型的良好性能证明,这些模型可以准确、实时地预测奶粉的分散性和溶解性,并为奶粉品质的在线检测提供了新的方法。

关键词： 香梨   目标检测   YOLO v7   数据增强   傅里叶变换   注意力机制  

摘要： 为实现香梨自动化采摘,本文以YOLO v7-S为基础模型,针对果园中香梨果实、果叶和枝干之间相互遮挡,不易精准检测的问题,设计了一种轻量化香梨目标检测M-YOLO v7-SCSN+F模型。该模型采用MobileNetv3作为骨干特征提取网络,引入协同注意力机制(Coordinate attention,CA)模块,将YOLO v7-S中的损失函数CIoU替换为SIoU,并联合Normalized Wasserstein distance(NWD)小目标检测机制,以增强网络特征表达能力和检测精度。基于傅里叶变换(Fourier transform,FT)的数据增强方法,通过分析图像频域信息和重建图像振幅分量生成新的图像数据,从而提高模型泛化能力。实验结果表明,改进的M-YOLO v7-SCSN+F模型在验证集上的平均精度均值(mAP)、精确率和召回率分别达到97.23%、97.63%和93.66%,检测速度为69.39 f/s,与Faster R-CNN、SSD、YOLO v3、YOLO v4、YOLO v5s、YOLO v7-S、YOLO v8n、RT-DETR-R50模型在验证集上进行性能比较,其平均精度均值(mAP)分别提高14.50、26.58、3.88、2.40、1.58、0.16、0.07、0.86个百分点。此外,改进的M-YOLO v7-SCSN+F模型内存占用量与YOLO v8n和RT-DETR-R50检测模型对比减少16.47、13.30 MB。本文提出的检测模型对成熟期香梨具有很好的目标检测效果,为背景颜色相近小目标检测提供参考,可为香梨自动化采摘提供有效的技术支持。

关键词： Photoshop   功能特点   平面设计   图像处理  

摘要： 平面设计在各行各业中的运用越来越广泛,但随着经济水平的不断提升,恒业发展对设计的要求也不断提高。Photoshop是可以实现图、文、音频等多元内容编排与处理的综合性应用软件,是目前平面设计应用最多的工具,掌握该软件的使用技巧,可以实现平面设计水平提高。本文分析Photoshop软件的特点,提出Photoshop软件对平面设计师的影响,阐述Photoshop软件在各个行业中的应用与作用,希望能够提升对Photoshop的了解,提升平面设计水平。

关键词： web   智慧景区管理   人流量统计   深度学习   目标检测  

摘要： 针对景区中对人流量精确监控的需求,设计开发了一款使用摄像头进行各场景客流量分析的web人流量统计平台,为景区管理方提供实时流量监控、景区摄像头监控、客流统计报表、客流预警联动以及界面交互等功能。智慧景区人流量统计平台主要模块包括:大屏数据可视化、视频监控、系统管理、客流统计报表、预警可视化、客流检测分析。经测试结果表面,系统的所有功能均满足需求,能为景区管理方在人流量监控方面提供帮助。

关键词： 图像处理   机器视觉   目标检测   深度学习   YOLOv7   实例分割   黄花菜  

摘要： 目标检测与分割是实现黄花菜智能化采摘的关键技术,原始目标检测算法容易出现漏检、误检等问题,无法满足自然环境下生长的黄花菜采摘要求。该研究提出一种基于改进YOLOv7-seg的黄花菜目标检测与实例分割算法模型(YOLO-Daylily)。通过在YOLOv7-seg骨干网络(backbone)中引入CBAM(convolutional block attention module)注意力机制模块,降低背景等干扰因素的影响;在ELAN(efficient layer aggregation networks)模块中采用PConv(partial convolution)替换原有的3×3卷积层,减少冗余计算和内存访问,提升对目标黄花菜特征提取的能力。颈部网络(neck)采用坐标卷积(CoordConv)替换PA-FPN(path aggregation-feature pyramid networks)中1×1卷积层,增强模型对位置的感知,提高掩膜(mask)鲁棒性。在改进的PA-FPN结构中采用残差连接方法将浅层特征图几何信息与深层特征图语义信息特征相结合,提高模型对目标黄花菜的检测分割性能。消融试验表明:改进后的模型检测准确率、召回率和平均精度分别达到92%、86.5%、93%,相比YOLOv7-seg基线模型分别提升2.5、2.3、2.7个百分点;分割准确率、召回率和平均精度分别达到92%、86.7%、93.5%,比基线模型分别提升0.2、3.5、3个百分点。与Mask R-CNN、SOLOv2、YOLOV5-seg、YOLOv5x-seg算法相比,平均精度分别提升8.4、12.7、4.8、5.4个百分点。改进后的模型减少了漏检、误检等情况,对目标定位更加精准,为后续黄花菜智能化采摘实际应用提供理论支持。

关键词： 物流行业   物流快递   计算机图像处理   计算机视觉技术   电子商务   人工智能算法   兴起背景   自动化  

摘要： 在当今物流行业的快速发展和电子商务的兴起背景下,物流分抹作为保障物流运转的重要环节变得愈发关键。然而,传统的人工分栋方式不但效率低,而且成本高。因此,引入先进的计算机视觉技术和人工智能算法,实现物流快递的自动化分抹,已成为业界的研究热点。本文致力于探讨在物流快递分栋中,如何利用计算机图像处理和人工智能算法实现高效、准确的物品识别和定位。通过本文的研究,旨在为物流行业提供一种创新、高效的分栋解决方案,促进物流行业的智能化和自动化发展,为实现快速、准确、高效的物流分栋提供理论支撑和技术支持。