关键词： 卷积神经网络   目标检测   特征点定位   下肢力线  

摘要： 提出一种基于卷积神经网络的X线片下肢关节角度识别算法,首先在X线片中使用Yolov5目标检测模型来识别特定类别的感兴趣区域,并使用U-Net模型进行热图回归来识别关键特征点,最后进行下肢关节角度的计算。研究结果表明,本文提出的算法相比于之前的算法精度更高,结果准确可靠,为临床研究和实践提供参考。

关键词： 机场跑道异物   目标检测   空间注意力   特征融合  

摘要： 机场跑道异物对飞机起飞降落存在着致命威胁,而人工巡检异物的方式成本高,效率低,因此将深度学习检测算法用于机场跑道异物检测是必要的。针对异物尺寸大小不一、特征提取难度大而导致的漏检与定位不准问题,提出一种基于多尺度特征融合的机场跑道异物检测与识别算法。以多尺度特征提取与融合为切入点,提出多分支空间注意力,加强对异物的特征提取,同时能够关注不同尺寸大小的异物。采用BiFPN网络进行特征融合,能够高效融合不同尺度的特征信息。实验结果表明,改进后算法平均精度达到94.7%,相比于YOLOv5提高5.9个百分点,也超越了YOLOv6、YOLOv7以及Faster R-CNN,从而验证了该算法在机场跑道异物检测领域有较好的应用价值。

关键词： 计算机辅助设计   表格检测   表格结构识别   表格信息提取   表格分割   图像处理   深度学习  

摘要： 随着工程和设计行业的快速发展,计算机辅助设计(Computer-Aided Design,CAD)软件在生产设计图纸方面发挥着不可或缺的作用。然而,传统的CAD在表格数据管理和提取方面存在局限性,尤其是在处理大规模的工程图纸中的表格数据时。为了解决这一问题,提出了一种新的自动化方法来提取CAD图纸中的大型表格数据。通过将原始CAD文件转换为图像格式,并应用先进的图像处理技术和深度学习模型(SAHI算法和Cycle-CenterNet模型),能够有效地提高表格数据的识别准确率和处理效率。实验结果显示,对比直接提取表格数据,使用该方法能显著提高数据提取的精确度、召回率和F1分数,验证了其在自动化提取大型CAD表格数据方面的有效性。未来的工作将集中在优化模型架构和提升其在不同类型图纸中的通用性和效果。

关键词： 水产养殖   机器视觉   鱼苗计数   YOLOv8   多目标跟踪  

摘要： 水产养殖业中鱼苗的数量检测是一个重要环节。针对传统的人工计数方法效率低、精度差、易造成鱼苗应激和损伤等问题,该研究以体长20~50 mm的草鱼苗为检测对象,提出了一种基于改进YOLOv8和多目标跟踪的小鱼苗计数方法。根据鱼苗目标小且检测速度要求高的特点,在YOLOv8算法中引入了P2小目标检测层,同时在检测头前添加GAM(global attention mechanism)注意力机制,并将目标识别损失函数优化为Inner-SIoU(inner-SCYLLA-intersection over union)损失函数以加快模型的收敛速度、提高对小目标和重叠目标的识别准确率;然后,针对检测识别到的鱼苗目标,结合多目标跟踪算法实现了一种适用于小鱼苗的跟踪计数方法。最后通过设计鱼苗计数试验平台、采集制作数据集、训练计数模型并进行计数试验验证该计数方法的优点和性能指标。试验结果表明,平均计数精度、平均绝对误差、均方根误差分别为97.16%、 3.67、 5.26,各项指标优于YOLOv5+DeepSORT、 YOLOv8+DeepSORT、 YOLOv8+StrongSORT、YOLOv8+ByteTrack、YOLOv8+BoT-SORT等方法。该研究方法能够以更快的速度和更高的准确性统计视频中小鱼苗数量,为工厂化水产养殖的鱼苗快速准确计数、生物量估计等奠定了基础。

关键词： 目标检测   YOLOv8   光学字符识别   反光号码牌   注意力机制  

摘要： 为提高井下昏暗环境的目标检测性能,将行人属性应用到井下,将反光号码牌贴在安全帽和工作服上作为属性进行识别。针对井下小目标检测率低的缺点,提出了一种将YOLOv8检测算法与光学字符识别(Optical Character Recognation, OCR)技术相结合的方法。通过添加卷积块注意力模块(Convolutional Block Attention Module, CBAM),提高了网络对不同尺度的特征提取能力;将YOLOv8中的CBS模块改进为CBF模块,提高了目标的识别准确率;对检测到的反光号码牌区域用OCR技术对区域内数字进行识别,进一步提高了模型的检测精度。实验结果表明,提出的方法在自建数据集上获得了93.2%的识别准确率和每张24.4 ms的检测速度,相比YOLOv8模型有着更高的准确率,能够有效地应对井下环境中的光照变化和干扰因素并且满足实时检测的要求。

关键词： 目标定位   图像处理   深度学习   BP神经网络  

摘要： 为解决深度信息未知条件下的单目视觉机器人目标定位问题,文中基于相机的成像模型,提出一种基于三残差神经网络的三维坐标自解耦目标定位方法。首先,将YOLOv5s进行轻量化改进,实现目标的初步定位;然后,使用OpenCV提取目标的尺寸特征;接下来,根据相机的成像模型,将目标的尺寸特征与相机成像模型相融合,推导世界坐标系与像素坐标系和尺寸特征的函数关系;最后,采用残差网络避免梯度消失的优势,使用3个残差BP神经网络映射坐标转换函数,减小单个神经网络的工作量,获取目标的三维坐标信息。试验结果表明:该方法定位最大相对误差为0.747%。

关键词： 扩展目标跟踪   Student’s t平滑   逆Wishart分布   厚尾噪声  

摘要： 脉冲干扰和离群量测信息等因素通常会导致异常的厚尾噪声,这使得以高斯假设为前提的扩展目标跟踪(ETT)估计器的性能急剧降低,针对该问题该文提出一种基于扩展目标随机矩阵模型(RMM)的Student’s t逆Wishart平滑(StIWS)算法。首先,将目标的运动状态以及过程噪声和量测噪声建模为Student’s t分布以表征异常噪声对扩展目标概率分布的影响,将目标扩展状态建模为服从逆Wishart分布的随机矩阵。然后,在Student’s t贝叶斯平滑框架下,详细推导了能在扩展目标的多重特征动态演变的过程中有效估计目标状态的StIWS算法。最后,通过扩展目标跟踪的仿真实验结果和真实场景实验结果验证了所提算法的有效性。

关键词： GE-YOLO   实时目标检测   异常区域   消化内镜   YOLOv7-tiny  

摘要： 消化内镜是临床常用的消化道检查手段,在消化道疾病的早期诊断和治疗中具有重要作用。但常规内镜检查需要由专业医生操作并实时观察视频以确定病灶点,极度依赖医生经验,主观性强且容易造成漏检和误检。本研究提出了一种基于改进YOLOv7-tiny的消化内镜下异常区域实时检测方法:GE-YOLO。该方法以YOLOv7-tiny为基础框架,使用两种不同的特征提取模块(C3模块和P-ELAN模块)构建骨干特征提取网络,提高网络的特征提取能力;使用坐标卷积(CoordConv)取代上采样中的普通卷积,进一步提高模型对病灶的定位精度;使用部分卷积(PConv)取代特征提取模块中的3×3普通卷积,在保证模型性能的同时减少了模型的计算量和参数量,提升了模型的检测速度;最后使用基于IoU与归一化Wasserstein距离的联合损失函数,提升模型对微小病灶的敏感度。该模型利用Kvasir-Capsule数据集中含标记的图像(共4172张)进行了训练和测试,其平均精确率、召回率和F1得分分别达到了94.2%、97.2%和0.957,检测速度为60帧/s,与YOLOv7-tiny相比,精确率、召回率和F1得分分别提升了2.8%、12.0%和0.075。实验结果表明,本研究提出的方法能实现高精度的消化道病灶实时检测,有望部署于临床内镜检查设备,在检查过程中为医生提供实时辅助,从而大大提高内镜检查效率,具有重要的学术价值和临床意义。

关键词： 纯方位   异步数据融合   卡尔曼滤波   协同定位   状态估计   轨迹跟踪  

摘要： 针对多无人机编队基于纯方位观测信息对目标进行协同定位和跟踪时的异步信息融合和多平台协同定位问题,提出了一种线性化的伪测量模型。通过几何推导建立起目标位置与测量位置的线性关系,在假设目标恒加速运动情况下,利用卡尔曼滤波实现了多平台异步方位信息的数据融合,并对目标运动状态进行准确估计。同时为该状态估计器设计了一种基于事件触发的状态更新策略。为实现分布式计算状态估计,基于协方差交叉原理设计了异步局部状态估计结果全局融合方法。最后通过仿真实验验证了所提出算法的有效性,并证明提出的异步数据状态估计方法与基于伪同步的扩展卡尔曼滤波方法相比在目标速度持续变化条件下具有更好的收敛速度和精度。

关键词： 嵌入式   计算机视觉   姿态估计   深度学习  

摘要： 随着计算机及集成电路技术的快速发展,嵌入式设备在日常生活中的应用逐渐广泛。将人体姿态估计等计算机视觉模型部署在嵌入式系统中,可以在保持实时性能的同时,兼具便捷性、低功耗和高效能的优势。本文设计了一种基于嵌入式平台的人体姿态估计系统的框架,并完成了部署实践。通过摄像头采集画面进行实时分析,最后以显示屏反馈姿态估计结果给用户。