关键词： 精准农业   目标检测   农作物分类   机器学习   模型压缩  

摘要： 【目的】解决自动化杂草管理中的一个核心挑战——杂草的识别,提高杂草识别的效率和准确性。【方法】采用了深度学习的方法进行目标识别,并结合经过优化的YOLOv5网络,开发出了一种轻量级的杂草识别网络,然后进行模型训练和测试。【结果】剪枝后得到的YOLO-WeedV3,其mAP值为0.886,超越了YOLOv5(0.853)和YOLOX(0.877),同时在参数量和计算量方面均是三者中最低的。【结论】相较于原始的YOLOv5模型,该网络在保证精度的前提下,降低了对存储空间和计算量的要求,使其更适合移动或嵌入式设备上的应用。这一成果不仅证明了该技术在处理杂草识别问题上的有效性,也展示了其在计算能力受限的边缘计算环境中的应用潜力。

关键词： 桥梁设计图纸   目标检测   YOLOv7   PP-StructureV2   表格识别   归集   钢筋数量表  

摘要： 桥梁设计图纸中含有重要的钢筋数量信息,施工过程中需要利用钢筋数量信息进行钢筋的分配工作,同时这些信息可以在新项目设计时提供设计经验,然而这些钢筋数量信息通常以表格形式保存在纸质图纸中,对查阅和参照造成了不便。基于此,提出了一种从桥梁设计图纸中归集钢筋数量的方法,首先在YOLOv7的骨干网络中,融入卷积注意力模块(CBAM)注意力机制获取更多细节特征,在头部结构中引入多分支卷积RFB模块,提升模型对小目标的特征表达能力,基于改进后的YOLOv7对桥梁设计图纸的表格和图签栏进行目标检测;其次利用PP-StructureV2的表格识别功能对图纸中的表格和图签栏进行表格识别,经过汇总验证,最终生成包含所有钢筋数量信息的Excel文档,实现桥梁设计图纸中钢筋数量信息的归集。利用安徽省交通规划设计研究总院股份有限公司提供的桥梁设计图纸进行实验研究,实验结果表明,改进的YOLOv7算法的F1 Score可达到98.35%,和原始YOLOv7算法相比,提升了0.86%,可满足从桥梁设计图纸中检测表格以及图签栏的要求。

关键词： 目标检测   小样本学习   元学习   增量式学习   特征融合   注意力   非局部   微调  

摘要： 基于元学习的小样本目标检测算法研究的关键之处,是更好地利用支持分支的信息来更有效地帮助查询分支完成对新类目标的识别,较多算法在查询分支加入支持分支信息时只在深度方向进行融合,忽略了特征之间的空间位置关系。文中提出基于非局部支持注意力的小样本目标检测算法模型,该方法不仅在候选框特征中加入了支持信息,还将支持信息与送入候选框生成网络的特征进行融合,同时考虑了特征之间的空间位置关系,在检测模块中加入负支持样本的信息帮助模型区分异类目标。该模型在COCO2017数据集的基类和新类上均获得了良好的检测效果。在增量式学习的情况下,相比改进前,在新类AP(Average Precision)/AP_(50)/AP_(75)上分别增加了3.3/3.8/4.7 mAP(mean Average Precision),在基类AP/AP_(50)/AP_(75)上分别增加了2.7/0.5/3.3 mAP,并且超过了相同设置下SOTA(Sort-Of-The-Art)模型DAnA(Dual-Awareness Attention)的表现。

关键词： 人工智能   智能机器人   家庭服务   语音识别   计算机视觉  

摘要： 在技术原理方面,人工智能的广泛应用(包括语音识别与自然语言处理、计算机视觉与环境感知、机器学习与智能决策)为实现智能机器人的多功能奠定了基础。硬件与软件结构的结合使得智能机器人能够更好地适应家庭环境,实现了精准感知和智能决策。在应用领域方面,智能机器人在家庭助手、医疗健康监护、教育陪伴服务等方面展现出巨大潜力。通过在语音助手、家庭安全监控、智能健康监测、个性化学习辅助等功能中的应用,智能机器人有效提升了生活质量和便利性。

关键词： 目标检测   虹膜定位   轻量级  

摘要： 传统虹膜定位算法存在定位精度差、受噪声干扰敏感、鲁棒性差、定位速度缓慢等问题,极大限制了虹膜识别的发展。随着深度学习发展,结合卷积的虹膜定位算法性能有了大幅提高,但是仍有很大的进步空间和进步需要。基于YOLOv7算法,针对虹膜定位需求进行改进,提出了一种轻量化的二次虹膜定位算法。在JLU4.0和CASIA-irisV4-Lamp数据集进行实验,在IoU阈值取0.9情况下,定位准确率分别达到了0.983和0.935,mAP分别为95.41和89.07,对比原始框架分别提升了4.14和3.18指标,同时模型大小仅为原始网络框架的11.5%。结果表明,改进后的模型小,定位速度优异且定位准确,具有较高鲁棒性。

关键词： 无人机   目标检测   量化加速   行人跟踪   重识别  

摘要： 将智能检测跟踪算法与无人机(UAV)的灵活性相结合是UAV应用的研究热点。针对UAV的视角及运动导致目标滑移和遮挡的问题,提出一种基于检测和重识别的UAV行人跟踪算法。对训练好的YOLOv5进行TensorRT加速,解决UAV计算资源有限的问题;以量化加速的目标检测算法与重识别算法为基础,构建行人跟踪算法框架;设计判定行人匹配度,完成行人匹配系统设计。仿真试验表明:训练后的YOLOv5和OSNet具备一定的精度,采用TensorRT加速后的YOLOv5网络在保证精度的情况下,帧率有了近50%的提升。飞行试验表明:所提算法在行人穿插及障碍物遮挡的情况下,可以实现对目标的稳定跟踪,具备一定的实用性和有效性。

关键词： 电磁式指示仪表   机器视觉   图像处理   人工智能   智能校验  

摘要： 文章针对电磁式指示仪表校验中存在的效率低、精度不足等问题,提出一种基于机器视觉的电磁式指示仪表校验新方法。该方法利用高分辨率相机采集仪表指针图像,通过图像预处理、指针识别与定位等步骤,实现指针读数的自动识别。同时,引入人工智能算法对识别结果进行优化,提高校验精度。通过搭建实验平台,对不同型号的电磁式指示仪表进行测试,结果表明该方法能够有效提升校验效率和精度,为电磁式指示仪表的智能化校验提供了新的思路。

关键词： 目标检测   无人机图像   小目标   特征融合   损失函数  

摘要： 无人机因其飞行高度和拍摄角度的独特性,采集的遥感图像中存在大量小目标。小目标物体像素小、语义信息少,容易受背景信息干扰和出现聚集遮挡,是当前检测模型性能不佳的主要原因之一。提出一种面向小目标的无人机图像目标检测模型UAIDet(unmanned aerial vehicles images detector),从解决信息冲突和检测框回归难入手,提升模型的检测性能。其一,构建自适应的通道融合模块,在特征融合阶段动态学习通道权重以过滤不同尺度特征之间的信息冲突,抑制特征融合时的尺度不一致性,提高小目标物体的检测能力;其二,设计误差敏感定位损失函数,在小目标物体检测框的收敛阶段提出偏移敏感损失项以解决小目标对几何误差的敏感性,提高定位损失函数的鲁棒性,优化小目标物体的检测精度。在数据集Visdrone2022上对文章方法进行实验,mAP(means average precision)和AP50(average precision at IOU threshold 50%)分别达到了22.0%和37.1%,相较于基准模型分别提高3和4.7个百分点。TinyPerson数据集上的mAP和AP50为9.9%和29.1%,分别提高了4.29和4.2个百分点,证明UAIDet模型的有效性和鲁棒性。

关键词： 图像处理   裂缝识别   滤波去噪  

摘要： 针对路面情况影响其裂缝主干提取效果的问题,基于中值滤波、直方图均衡化、非锐化掩模等图像处理手段,提出一种裂缝主干提取算法。与手动阈值分割算法、Otsu阈值算法和最大熵阈值分割算法的对比结果表明,此算法能够有效提取裂缝主干区域,减少图像噪点数量,对提高路面裂纹提取算法的抗干扰性具有重要的指导意义。

关键词： 图像处理   儿童肺炎   CT图像分割   U-Net   图卷积网络   Transformer   先验图学习  

摘要： 提出了一种融合先验式图卷积与Transformer的U型网络(GTU-Net)。该网络通过将图卷积和Transformer有机结合,从像素到块逐级建立网络所需的局部-全局信息。在此过程中,为应对低特异性导致背景无关组织干扰性强的客观挑战,在图卷积前设计了一种新型的图邻接矩阵构造方法,即先验图学习。该方法通过监督学习的方式学习标签中潜藏的像素级类别及位置先验信息,从而更精确地刻画出不同特征的类间及类内关系,进一步增强图卷积网络的局部推理能力。实验结果表明,GTU-Net在私有儿童肺炎计算机断层扫描(CT)数据集上的Dice相似系数、杰卡德系数、敏感性、马修斯相关系数和平均表面距离指标相较性能最优的Transformer对比网络分别提升了1.82%、2.91%、1.33%、1.85%和0.0268 pixel,同时也在2个公有新型冠状病毒感染CT数据集上取得了较好的表现,这有效验证了其良好的泛化性。