关键词： 鱼类识别   深度学习   卷积神经网络   目标检测   图像分割   研究进展  

摘要： 为促进渔业生产智能化、现代化发展,综述了基于深度学习的鱼类识别相关技术。首先,从数据集构建、数据预处理、神经网络模型设计以及模型训练等4个方面阐述了基于深度学习的鱼类识别工作流程。然后,从图像分类、目标检测、图像分割3个角度总结了近几年鱼类识别相关技术的研究进展及应用成果。其中,图像分类主要用于识别个体鱼的色泽与种类,目标检测侧重于估计鱼群的数量和体型,而图像分割则在推断鱼类的状态和行为方面发挥着重要作用。同时,分析了不同方法所具备的优势,比较了各方法在数据集中的性能指标。最后,对深度学习在鱼类识别领域的下一步发展方向和研究重点进行了展望。综上,深度学习方法效率普遍较高、泛化能力普遍较强,深度学习技术在鱼类识别中的广泛应用能够为渔业科研人员提供有效的技术支撑。

关键词： 目标检测   光照处理   行人检测   数据增强   特征金字塔网络  

摘要： 复杂舞台场景存在多个光源产生的偏色和光照不均匀问题,严重影响了演员检测的精度.针对上述问题,提出一种基于伪多模态融合的演员检测方法.首先随机选取一种光照处理方法构建增强图像,与原图像构成伪多模态图像对;然后在增强图像中以演员关键点建立候选集合,从集合中随机选取部分关键点所在的区域构建增强补丁集合,并将补丁替换到原始图像中进行训练;最后在传统特征金字塔网络的基础上借鉴Transformer编码器的构建形式,利用视觉注意力模块构建视觉注意力编码器,强化多尺度特征的交互逻辑.在自建4543幅包含舞台演员的图像数据集上与3个模型进行组合,舞台演员检测的均值平均精度分别提升0.4%~2.9%,表明所提方法能够较好地降低偏色和不均匀光照的影响.

关键词： 道路养护   路面裂缝   目标检测   YOLO   注意力机制   图像处理  

摘要： 【目的】针对传统路面裂缝检测实时性差、准确率低的问题。【方法】利用深度学习网络在目标检测方面的优势,提出一种改进的YOLOv5算法,称为YOLOv5s-attention,以实现路面裂缝自动化检测与识别。首先,对采集到的裂缝图片用LabelImg标注软件进行手工标记,然后通过改进YOLOv5网络训练得到网络模型参数。最后,利用所建立的模型对裂缝进行验证和预测。除此之外,采用综合评价指标(F1-measure,F_(1))和平均精度均值(mean average precision,mAP)这两个指标来比较原YO-LOv5s、YOLOv5s-attention模型在路面裂缝上检测与识别的性能。【结果】经YOLOv5s与YOLOv5s-attention比较发现,YO-LOv5s-attention检测准确率(Precision)提高1.0%,F1提高0.9%,mAP提高了1.8%。【结论】由此可知,该网络在实现道路裂缝自动化识别上具有一定的现实意义。

关键词： 人工智能   驾驶行为监测   机器学习   计算机视觉   道路安全  

摘要： 针对当前道路安全中驾驶行为的监测和分析问题,提出了一种基于人工智能的驾驶行为监测系统。该系统集成了机器学习和计算机视觉技术,目的是实时识别并分析驾驶员的行为模式,以便预测和预防潜在的交通事故。通过利用车载摄像头和多种传感器的数据,系统采用深度学习算法进行高效的数据处理,实现了对复杂驾驶环境和行为的精确解析。实验结果显示,本系统在检测诸如超速、急刹车、分心驾驶等危险行为方面表现出高度的准确性和可靠性。综合而言,本研究不仅推动了人工智能技术在交通安全领域的应用,也为未来驾驶行为监测和交通事故预防提供了有力的技术支持。

关键词： 熔体质量检测   夹渣   YOLOv5   目标检测  

摘要： 根据现有夹渣图像的特点,提出基于YOLOv5模型的夹渣目标检测算法,以减少获取图像的角度、光源等不确定因素对测试结果所造成的负反馈影响,提高检测精度。利用Mosaic数据增强、自适应锚框计算、自适应图像缩放等技术,融合Focus和CSP结构,设计出基于YOLOv5的自动化识别夹渣图像和自动计算夹渣率的优化算法。结果表明,相对于人工采集照片计算夹渣率水平的方法,改进后的YOLOv5s模型,有效提高了断面夹渣图像目标检测的精确度,由改进前的83%提高至97%。

关键词： 高海情   目标检测   水平集   改进chirp傅里叶变换  

摘要： 针对舰船三维摆动和海尖峰制约高海情环境弹载雷达探测性能的问题,面向高海情探测环境提出了一种新的成像检测思路。首先,基于高海情环境分别建立舰船与海杂波回波模型;其次,将改进离散调频傅里叶变换算法(modified discrete chirp Fourier transform, MDCFT)引入回波多普勒成像,消除了高阶项相位导致的散焦现象;在此基础上,利用水平集算法分割目标与背景区域,然后利用聚类算法确定每个目标区域;最后,基于提取的目标特征判决每个区域对应的目标身份。利用仿真数据的实验结果验证了所提算法的有效性。所提方法综合考虑了成像与检测环节性能的提升,为高海情环境下的弹载雷达制导提供了一种可行思路。

关键词： 机器视觉   道岔   图像处理   直线检测  

摘要： 道岔是使列车从一组轨道转到另一组轨道的线路连接设备,在轨道线路中起到非常重要的作用,其对缝隙大小与列车运行时速更是有严格要求。基于机器视觉的道岔缺口检测,实现实时监测测量,保障列车运行安全,此方法通过降低图像信号维度,快速获取算法复杂度低、效率高的道岔缺口数值,并将数据传输到室内微机监测系统,实时对道岔的保养或维修做出判断。算法能够有效地对道岔缺口进行检测,也可以为直线状缝隙的检测提供方法。

关键词： 裂缝检测   目标检测   深度学习   YOLOv5  

摘要： 墙体裂缝检测对于居民建筑的保养意义较大,传统人工检测难以适应当前快速精确的检测需求,由计算机进行识别的目标检测算法恰好能解决此问题。卷积神经网络是当下目标检测的主流核心网络,采用高效算法对目标图像的处理办法,使计算成本大幅降低,被广泛运用于目标检测识别中。本文通过对深度学习的目标检测算法研究,选用YOLOv5模型,对常见的墙体裂缝进行识别。实验结果表明,YOLOv5算法模型能够有效识别数据集中包含的裂缝信息,精度达到0.845,召回率达到0.929,均值平均精度(mean Average Precision,mAP)达到了0.825。

关键词： 卷烟   包灰率   分段拼接   侧面展开   图像处理  

摘要： 【目的】建立准确、完整分析卷烟静燃模式下包灰率的方法。【方法】将烟支放置在高精度旋转平台,采集烟灰柱的视频并转换为图像,通过图像预处理、分段拼接、伽马校正和直方图均衡化等处理生成烟灰柱的完整侧面展开图;通过K-means聚类算法进行图像分割并提取裂口区域,统计包灰的像素数和侧面展开图的像素总数,计算两者的比值得到卷烟的包灰率。【结果】利用该方法能够生成单支卷烟燃烧后形成的烟灰柱的完整侧面图,侧面图中的裂口走势连续平滑,实现了对静燃模式下的包灰率的精准评估,所提出的方法优于常规的测定方法。【结论】基于分段拼接而生成的卷烟侧面图像更全面的反映了烟灰柱的裂口情况,对包灰率的测定精度更高,为分析静燃模式下卷烟包灰率提供了一种高精度的测定方法。

关键词： 计算机视觉   深度学习   YOLOv4   施工人员统计与检测  

摘要： 近年来,我国的建筑业飞速发展,建筑业企业生产和经营规模的不断扩大,单个项目体量也变得越来越大,极大地增加了建筑施工现场人员管理的难度。为提高施工现场的人员管理效率,借助计算机视觉技术以及深度学习算法实现施工现场人员统计与监测,利用闭路监控的实时画面实现工地现场人员的实时、高效、自动化分析。该法构建基于YOLOv4的深度学习算法模型,在识别出画面中施工人员的同时,通过撞线判定机制统计进入与离开工地的施工人员数量。除此之外,还研究开发了面向工地管理人员的施工人员管理系统,并通过试验验证该系统在不同环境条件下对施工现场人员进出场情况实时统计与监测的准确性。在现场测试过程中,发现系统在画面检测范围、算法置信度、系统冗余程度存在关键制约性问题,通过解决上述问题,极大地提高了系统的实际应用价值和鲁棒性,为系统在实际工程项目中应用打下基础。