关键词： 自然语言处理   人工智能   计算机视觉   图像识别   文本生成   语言理解   深度学习   语言模型  

摘要： 近年来,人工智能技术取得了飞速发展,基于深度学习的人工智能模型在计算机视觉、自然语言处理、语音等领域实现了重大突破。特别是图像识别等方面,在某些任务中人工智能已经超越了人类的水平。这些技术已经广泛应用于工业界及日常生活中。2022年11月,以ChatGPT为代表的大语言模型诞生,展示了惊人的语言理解和文本生成能力。

关键词： 伪装目标检测   特征融合   边缘检测   伪装图像   深度学习  

摘要： 针对伪装目标边缘模糊、相关检测模型上下文特征利用率低、边缘特征融合繁琐的问题,提出一种基于特征融合与边缘检测的伪装目标检测模型F2-EDNet。首先构造特征增强模块,细化主干网络的多尺度上下文特征,有效增强伪装目标特征信息;同时,引入跨层特征引导的边缘预测支路以集成来自主干网络底层和顶层的跨层特征,在辅助检测伪装目标边缘的同时,提取边缘特征;最后,提出多尺度特征聚合模块,通过结合注意力机制,充分融合边缘特征与上下文特征,有效提高预测精度。实验结果表明,F2-EDNet在公开数据集CAMO、COD10K和NC4K上的结构相似性、平均精度与召回率、相关性、平均误差指标均值分别提高了1.41%、1.74%、0.14%、0.77%;和同类模型相比,该模型具有更丰富的边缘,定位伪装区域更准确;在实际应用中,模型检测速率可达46帧/s,证明模型具有较好的实时检测能力。

关键词： 遥感图像   深度学习   目标检测   标签分配  

摘要： 基于无锚框的检测方法在目标检测领域中发展迅速。然而在遥感图像中,目标存在角度任意、密集排列以及形状差异大等难点,使得遥感图像的检测仍是一项挑战。为此,本文提出了基于单阶段全卷积检测器(FCOS)改进的无锚框检测方法。首先,为了挖掘更多潜在的高质量锚点,提出基于椭圆方程的形状自适应特征点采样方法。然后,为进一步降低边界低质量样本点的影响,提出椭圆中心度量方法,相较原有的中心度量方法提供更合理的权重。此外,针对分类与回归的不一致问题,提出交并比(IoU)联合指导策略,将椭圆中心度量与IoU得分相结合作为质量分数监督分类分支,进一步提升检测精度。在DOTA 1.0数据集上的平均精度达到了79.17%,优于现有多数无锚框检测算法。

关键词： 弹道目标   有源假目标   目标跟踪   目标辨识   交互多模型  

摘要： 针对对抗条件下弹道目标和有源多假目标跟踪及辨识难的问题,基于稳健交互多模型(Robust Interacting Multiple Model,RIMM)策略,提出真假弹道目标的联合跟踪与辨识方法。该方法基于推导的真假目标运动模式集以及模式间的精细差异特征设计交互多模型(Interacting Multiple Model,IMM)策略,以扩展卡尔曼滤波(Extended Kalman Filter,EKF)为子滤波器,并引入概率调整因子与时变因子,实时更新概率转移矩阵,有效放大运动模式集的精细差异特征,不仅能实现对真假目标的稳定跟踪,提高跟踪精度,同时也能实时在线辨识真假目标,实现跟踪辨识一体化。仿真结果表明,该方法的跟踪效果比传统单模型EKF算法和经典的IMM+EKF算法更好,能实时跟踪并辨识出真假目标,有利于提高雷达资源调度的效率。

关键词： 玉米叶病害   YOLOv7   目标检测   深度学习   注意力机制  

摘要： 准确识别农田中常见类型的玉米叶病害并及时治疗是提高玉米产量的关键,可以提高效率并降低种植成本。为了解决玉米叶病害识别精度不高、检测效率低以及在移动端设备难以部署的难题,本文提出了一种改进的名为GSW-YOLOv7的目标检测模型。首先,设计了GS-ELAN结构优化模型颈部,降低模型的参数量。其次,将简单且无需参数的SimAM注意力机制融入网络结构中,在不增加额外参数的情况下提高检测的精度,获取更具代表性的玉米叶病害特征。最后,采用高效的Wise-IoU损失函数以加快收敛速度,并提高模型的精度。实验结果表明,GSW-YOLOv7网络模型平均精度(mAP)为85.60%,检测速度为26.79FPS,该模型在检测任务中权衡了模型的检测精度和检测速度,与YOLOv5、YOLOX等算法相比,该算法性能最好,能够快速、准确地检测常见的玉米叶病害,为农业生产提供了创新的解决方案。

关键词： 内燃机气缸盖   视觉检测技术   图像处理   高精度检测  

摘要： 本文旨在探讨内燃机气缸盖视觉检测技术的研究与应用。通过深入研究视觉检测技术的原理、方法和应用,结合内燃机气缸盖的实际检测需求,本文提出了一种高效、准确的视觉检测方案。该方案通过优化图像处理算法和引入先进的视觉检测技术,实现了对内燃机气缸盖的高精度检测,提高了检测的准确性和效率。

关键词： 智能车   CMOS摄像头   图像处理   十字回环处理   透视变换  

摘要： 介绍一种搭载CMOS摄像头的智能车,提出了一种基于逆透视的图像处理方法,通过角点判断各类元素,并根据对应情况偏移左右边线作为寻迹中线。经过实践验证,该方法具有较高的可靠性和鲁棒性。

关键词： 目标跟踪   信息融合   数据关联   数据融合   卡尔曼滤波   人工智能  

摘要： 随着现代目标跟踪场景的日益复杂化,单一传感器探测系统已无法满足目标跟踪的实际需求,多传感器数据融合技术成为复杂场景下目标跟踪问题的重要解决方案。本文综述了多传感器数据融合中的数据关联和估计融合这两项关键过程的基本原理与研究现状,整理了神经网络、强化学习等人工智能技术在多传感器数据融合领域应用的相关研究,并对多传感器数据融合方法在目标跟踪领域的发展进行了展望。

关键词： 小样本学习   元学习   多尺度重加权   场景修正   遥感图像   目标检测  

摘要： 面向小样本条件下的遥感图像目标检测任务,提出一种基于元学习的小样本遥感图像目标检测算法。针对遥感图像中目标尺度变化大、小样本条件下目标与背景易混淆的问题,在特征提取部分将单尺度重加权拓展为多尺度重加权模块,充分引入支持样本的先验知识以适应不同目标的尺度变化;为解决遥感图像目标类间相似性和类内差异性的问题,利用目标对于场景的依赖性设计了场景修正模块,对检出目标类别进行修正,并引入边际损失对特征空间内不同目标的特征分布进行约束。实验结果表明:所提算法在10样本任务设定上获得了较高的检测性能,在NWPU VHR-10和DIOR数据集新类别上的平均精度(mAP)分别达到了64.18%和37.27%。

关键词： 柑橘采摘机器人   目标检测   状态区分   三维坐标获取   复杂环境   YOLO v5  

摘要： 针对自然环境下柑橘果实机械化采收作业环境复杂和果实状态多样等情况,提出了一种多通道信息融合网络——YOLO v5-citrus,以解决柑橘果实识别精准度低、果实分类模糊和定位精准度低等难题。将不同的柑橘目标通过不同遮挡条件分为“可采摘”和“难采摘”两类,这种分类策略可指导机器人在真实果园中顺序摘取,提高采摘效率并减少机器人本体和末端执行器损坏率。YOLO v5-citrus中,在颈部网络插入多通道信息融合模块,对柑橘的深浅特征信息进行处理,提高柑橘采摘状态识别精度,同时修改颈部网络拼接方法,针对目标柑橘大小进行识别,训练后在识别部分嵌入聚类算法模块,将训练部分识别模糊的柑橘目标进行最后区分。识别后进行深度图像和彩色图像的像素对齐,并通过坐标系转换获取柑橘目标三维坐标。在使用多种增强技术处理的数据集中,YOLO v5-citrus比原始YOLO v5在平均精度均值和精确率上分别提高2.8个百分点与3.7个百分点,表现出更优异的泛化能力。与YOLO v7和YOLO v8等其他主流网络架构相比较,保持了更高的检测精度和更快的检测速度。通过真实果园的检测与定位试验,得到柑橘目标的三维坐标识别定位系统的定位误差为(1.97 mm,0.36 mm,9.63 mm),满足末端执行器的抓取条件。试验结果表明,该模型具有较强的鲁棒性,满足复杂环境下柑橘状态识别要求,可为柑橘园机械采收设备提供技术支持。