关键词： 微小目标检测   循环层聚合网络   特征金字塔   高斯感受野   标签分配   Wasserstein损失  

摘要： 针对航拍场景中包含的目标尺寸小、有效特征信息少的问题,提出一种基于改进的变焦网络VFNet(VariFocalNet)的航拍场景中微小目标检测算法。首先,为增强微小目标的特征表征能力,采用特征提取性能更好的循环层聚合网络(RLANet)代替ResNet作为主干网络;其次,为解决特征金字塔自顶向下融合时顶层特征信息丢失问题,引入特征增强模块(FEM);然后,为解决现有标签分配方法在微小目标标签分配上的样本分布不平衡问题,改进的VFNet采用了基于高斯感受野的标签分配方法;最后,为减小微小目标对位置偏移的敏感性,引入一种边界框回归损失函数Wasserstein损失测量预测边界框高斯分布和真值框高斯分布的相似性。在AI-TOD数据集上的实验结果表明:改进后的VFNet算法的平均精度均值(mAP)达到了14.9%;与改进前的算法相比,在航拍场景下的微小目标上的检测mAP提高了4.7个百分点。

关键词： 目标检测   建筑护栏   改进YOLOv5s   Biformer注意力机制   CBAMC3   CLAHE算法  

摘要： 目前,建筑场所上仍存在因建筑护栏缺失或建筑护栏安全性降低而导致的建筑工人高空坠亡事件。针对该问题,提出一种基于改进YOLOv5s的建筑护栏检测算法。首先,针对建筑护栏普遍存在的安全隐患,收集影响护栏安全性较大的情况的图像,例如:建筑护栏栏板的存在图像、建筑护栏栏板的缺失图像、护栏网图像、护栏栏板衔接错位图像和护栏栏板衔接正确图像等,并且制作成训练数据集。为提升YOLOv5s在复杂环境下多目标检测任务和区分任务结果的准确率,将新型的Biformer注意力机制与SE注意力机制相结合,嵌入到原模型的特征提取网络中,并利用CBAMC3取代原特征提取网络的C3模块。最后,使用CLAHE算法较大程度地解决部分图像亮度偏暗,影响检测精度的问题。实验结果表明,所提检测算法的mAP50值和召回率分别达到了79.6%和83%,相比于原YOLOv5s算法分别提高了3.7%和6.8%。

关键词： 桥梁病害   深度学习   算法YOLOv8   方法应用  

摘要： 为解决无人机系统应用于桥梁巡检碰到的主要问题,本文首先通过对深度学习神经网络和拟采用的目标检测算法YOLOv8的原理和损失函数构造进行详细研究分析,并研究改进YOLOv8的桥梁表观病害识别方法,然后通过模型对比,最后将改进的YOLOv8的桥梁表观病害目标检测方法应用于桥梁典型病害分析、融入人工标注数据研究、仿射变换数据开展图像增强研究,得出改进后的YOLOv8实现了对桥梁表观缺陷小目标的精确检测,从检测的识别率和准确率都较相关的SSD、YOLO这类单阶段检测算法具有较大提升,有效证明该方法的有效性,为桥梁检修和维护提供了便利和支持。

关键词： 目标检测   样本扩充   水面波动  

摘要： 针对真实场景下水面波纹影响鱼群检测的问题,本文通过叠加水面波纹的方法扩充训练集,使得模型能够更好地适应实际场景,并设计了对应的告警系统。该方法以自行采集的实验环境的图像为基础训练集,通过叠加正弦水波的形式扩充数据集,然后使用扩充的数据集训练PP-YOLO模型实现鱼群的检测与计数。结果显示,新的模型能够适应水面波纹影响下的鱼群。本文还设计了一个告警系统,根据检测模型的结果和鱼群计数的结果,按照用户配置的策略和方式发出告警,为水产养殖的自动化、智能化发展提供了技术支持。

关键词： 表面缺陷检测   计算机视觉   金属表面缺陷   自动化检测  

摘要： 针对平面及三维结构金属材料的工业表面缺陷检测,概述了视觉检测技术的基本原理和研究现状,并总结出视觉自动检测系统的关键技术包括光学成像技术、图像预处理技术与缺陷检测器.首先介绍了如何根据检测对象的光学特性选择合适的二维、三维光学成像技术;其次介绍了图像降噪、特征提取、图像分割和拼接等预处理技术的重要作用;然后根据缺陷检测器的实现原理将其分为模板匹配、图像分类、图像语义分割、目标检测和图像异常检测五类,并对其中的经典算法进行了归纳分析.最后,探讨了工业场景下金属表面缺陷检测技术实施中的关键问题,并对该技术的发展趋势进行了展望.

关键词： 目标检测   目标分割   卷积神经网络   工业智能化  

摘要： 在部分生产线上,钢坯从炉内出炉的过程中,需要依靠人眼判断钢坯是否到达指定位置,到位后再利用推钢机推动炉内的钢坯完成出炉过程。在这个过程中,人眼长时间观察摄像头屏幕容易疲劳,人工劳动强度大成本高,生产工作效率较低。针对以上问题,文中提出利用机器视觉系统替代人类视觉系统进行钢坯位置的实时定位,首先将钢坯定位问题转换为关键点检测问题,然后提出了基于ResNet网络和基于关键点分割网络(Key Point Segmentation Network,KPSN)的两种模型来进行关键点检测,最后,通过测试和分析所提出的两种方法,提出了多方法融合的关键点检测方案,降低了极端情况下误检的风险,实际应用表明,文中所提方法具有较高的鲁棒性,达到了实际应用的要求。

关键词： 机器视觉   缺陷检测   图像处理   深度学习  

摘要： 随着技术发展,缺陷检测技术逐渐由基于传统图像处理技术演化成基于深度学习的缺陷检测技术,两种方法各有优缺点,也都有值得借鉴的地方。文章调研机器视觉发展相关文献,列举不同时期机器视觉研究者的检测方法,并进行综述。通过列举国外机器视觉发展路程与国内视觉检测应用实例,对今后缺陷检测领域发展提出展望,希望为后续研究提供一定参考。

关键词： 目标检测   小目标   注意力机制   感受野   损失函数  

摘要： 为了解决遥感图像中小目标的误检、漏检难题,提出了一种改进的YOLOv7-tiny算法。首先,引入高效多尺度注意力模块(efficient multi-scale attention,EMA),基于此设计了多尺度特征提取模块ELAN-EMA,这大大增强了骨干网络对于多尺度特征的提取能力;其次,在特征金字塔网络(feature pyramid network,FPN)中引入内容感知特征重组(content-aware reassembly of features,CARAFE)优化最近邻上采样方法,设计了FPN-CARAFE结构,扩大了感受野,从而能够获取小目标更多的细节信息和丰富的语义信息;最后,采用归一化距离损失函数(normalized wasserstein distance,NWD)优化CIoU损失函数,设计了NWD-CIoU损失函数,降低了CIoU对小目标位置偏移的敏感性,能够更好地提升小目标的检测效果。在公开的遥感数据集RSOD和NWPU VHR-10上进行的实验表明,与基准模型相比,在计算量和参数量略增长的情况下,改进的模型在平均精度均值(mAP)mAP@0.5上分别提升了3.6%和1.8%,有效地提高了遥感图像中小目标的检测精度,综合性能优于其他算法,满足部署在遥感检测系统上的要求。

关键词： 深度学习   军事图像识别   目标检测   卷积神经网络   循环神经网络  

摘要： 本文概述了深度学习技术的基础知识和理论背景,详细介绍了军事图像识别技术,并深入研究了深度学习在军事应用中所面临的挑战,进而探讨了基于深度学习的军事图像识别与目标检测方法。结果表明,深度学习在提升军事图像识别效率和准确性方面具有显著效果,但在实际应用中仍存在一些挑战,如数据集的构建和标注、模型的训练和优化等。通过深入研究和解决这些问题,深度学习在军事图像识别领域的应用前景广阔。

关键词： 医学图像处理   课程思政   案例库   教学改革   生物医学工程   一流课程  

摘要： 课程思政是深入贯彻落实“立德树人”根本任务的重要举措。文章针对《医学图像处理》课程,结合徐州医科大学办学定位和生物医学工程专业人才培养方案,深入挖掘课程蕴含的政治元素,建设了课程思政案例库。案例库收集了典型的思政教学案例,将社会主义核心价值观、科学精神、创新精神等元素融入专业知识点。教学采用启发式、互动式、探究式、案例式教学的教学方法,强化实践教学,开展形式多样的教学活动,实现了专业教学和思政教育的有效结合,取得了良好的教学效果。课程思政案例库为课程思政教学提供了素材和支撑,是深化课程思政建设、提高人才培养质量的有效途径。