关键词： 深度学习   目标检测   包裹检测   轻量级   自注意力机制  

摘要： 为了解决深度学习包裹破损检测中遇到的数据多样和复杂性问题,提出了一种基于多头自注意力(Multi-Head Self-Attention,MHSA)机制与卷积神经网络(Convolutional Neural Network,CNN)模块的轻量级包裹破损检测算法。在YOLOv7框架的基础上,采用了BoT3模型替换主干网络部分,使其能够更好地捕捉输入序列中的长距离依赖关系,从而提高特征表达能力;使用卷积块注意力模块(Convolutional Block Attention Module,CBAM)注意力机制对特征融合部分中的MP-2模块进行融合,使其能够更有效地挖掘特征图中的通道和位置相关性,从而提升网络的感知能力和性能。通过在多个不同的数据集上进行测试,在各类包裹图像的平均精度均值(Mean Average Precision,mAP)方面达到了88.4%,与YOLOv7相比检测精度提升了10.9%,利于实际场景下的包裹破损检测。

关键词： 项目式教学   动机模型   数字图像处理实验  

摘要： 为了端正学生学习动机以激发学习的主动性与积极性,将“注意力、相关性、自信心、满意度”(ARCS)动机模型与项目式教学模式相结合,以“基于人脸识别的课堂考勤系统设计”为例,对数字图像处理实验课程进行了项目式教学设计,优化教学策略,并将该项目式设计运用到课堂教学实践,在实践中不断完善。实施结果表明,基于ARCS动机模型的项目式教学设计能有效地提高学生学习专业课的动机和兴趣,帮助学生建立学习自信,提升对专业课学习的满意度。此外,该实验的教学设计及其实施过程对于其他实践类课程具有较好的借鉴意义。

关键词： YOLO算法   鸟类检测   目标检测   深度学习  

摘要： 随着深度学习技术的持续进步,YOLO目标检测算法已成为计算机视觉领域内的研究热点。鉴于环境生态问题的日益严峻,鸟类识别技术对于生态环境保护、鸟类种群监测以及生物多样性研究具有至关重要的作用。本文全面回顾了YOLO系列检测算法从v1至v11的发展历程及其网络结构原理,对基于YOLO的鸟类检测领域的相关文献进行了梳理与分析,并归纳总结了各模型的网络结构及性能指标,为进一步验证模型效能,选取了部分主流模型在CUB-200鸟类数据集上进行了性能对比实验;探讨了几种常用于YOLO目标检测框架下的鸟类图像数据集,这些数据集是训练和测试模型的关键资源;结合YOLO系列算法的特点及最新文献,展望了未来在该领域可能的研究趋势和发展方向,旨在为进一步提高鸟类检测精度和效率提供参考。

关键词： 目标检测   深度学习   YOLOF   多层RepPoints   可变形卷积  

摘要： 针对YOLOF模型存在的多尺度特征融合模糊与传统位置回归表达精度不足问题,提出了一种具备多层RepPoints表达特征的改进模型MLRP-YOLOF。该模型通过新的RepPoints分层解耦头将YOLOF单一多尺度融合特征图转换为分层多尺度RepPoints特征图,并在具备学习能力的RepPoints分层伪框转换器的作用下完成目标的回归任务与分类任务。实验结果表明,MLRP-YOLOF模型较YOLOF在mAP50-95、mAP50与mAP75指标上取得了2.18%~5.75%的相对性能优势。同时,对于结构更简单的Backbone,MLRP-YOLOF模型具有更显著的精度提升。

关键词： 图像处理   量子形态学处理   量子图像表示   量子形态学膨胀   量子形态学腐蚀  

摘要： 为解决量子计算机上图像的形态学处理问题,研究了几种量子图像的形态学处理方法。首先,提出了一种改进的任意大小图像的量子描述方法,该方法对于像素值和像素位置均采用量子基态描述,其中描述像素位置的量子基态数量等于像素个数。随后,通过设计“膨胀、腐蚀”这两种基本操作的量子线路,设计出几种二值图像的量子形态学处理方法,包括:图像去噪、边界提取、骨架提取。最后,通过经典计算机上的仿真,验证了所设计的几种量子形态学方法的执行效果,并基于所用基本量子门数量分析了量子线路的复杂度。研究结果表明,本工作提出的方法可以实现对经典方法的加速。

关键词： 图像去雾   图像处理   暗通道先验   深度学习   卷积神经网络   生成对抗网络   目标检测  

摘要： 在露天矿山的户外视频监控场景中,空气中的雾霾和悬浮颗粒物会导致视觉系统所采集图像的对比度降低、色彩失真等,干扰后续的图像分析与处理。清晰的图像信息对分析与决策至关重要,图像去雾(Image Dehazing)旨在提升所采集图像的清晰度,减少雾、雨、雪、沙尘等天气因素的干扰,已经成为自动驾驶、视频监控、遥感分析等领域的关键技术。传统的图像去雾方法,通常基于大气散射模型,通过物理推导恢复图像。然而,这些方法依赖于一些假设,难以应对复杂环境中的实际情况。随着深度学习技术的发展,基于神经网络的去雾方法逐渐成为主流,深度学习方法能够更好地提取有雾图像的特征,恢复图像细节,具有更强的适应性和鲁棒性。综述了近年来图像去雾技术的发展,比较分析了传统物理模型与基于深度学习的图像去雾方法的特点,为图像去雾技术的实际应用提供了参考依据。

关键词： 外骨骼   末端执行器   鲁棒控制   可持续性   深度学习   图像识别   目标检测   位置视觉控制  

摘要： 随着全球人口持续增长和气候变化加剧,提高农业生产效率和可持续性已成为当代社会面临的重大挑战。深度学习技术在图像识别和目标检测方面的突破为实现佛手成熟度自动识别提供了可能。结合位置视觉控制外骨骼系统,智能采摘已初具雏形。然而,复杂环境下的准确识别、实时成熟度判断以及与自动化设备的集成仍是亟待解决的问题[1-3]。

关键词： 深度学习   轻量化   YOLOX   目标检测   注意力机制  

摘要： 针对现有的车牌检测算法在复杂环境下检测多方向车牌效果不佳、实时性差以及模型参数量和计算量过大等问题,提出了一种基于YOLOX的轻量级多方向车牌检测算法。通过调整残差组件的数量,并采用大卷积核结合深度可分离卷积的方法,降低了主干网络的参数量。引入通道注意力机制,以有效提取通道交互信息,减少噪声的干扰。使用深度可分离卷积和调整扩展率的方法对特征融合网络进行轻量化处理。设计了旋转解耦头,通过添加角度预测分支,使其能够更精准地预测多方向车牌的旋转边界框。采用旋转IoU损失代替水平IoU损失,提高检测的准确性。CCPD数据集上的实验结果表明,改进算法的参数量和计算复杂度分别为2.38×10^(6)和12.97GFLOPs,相较于YOLOX-tiny分别减少了45%和33%,检测精度AP70为94.9%,每秒检测帧数为76.6FPS。改进后的车牌检测模型能够在保持高精度的同时实时检测多方向车牌。

关键词： 深度学习   YOLO   目标检测   运动特征   跌倒检测  

摘要： 针对传统跌倒检测算法局限于单帧图像判断而未充分利用行人时序运动特征的问题,提出了一种融合运动特征的行人跌倒检测算法;在YOLOv8n的主干网络中引入ECA注意力机制,在Neck中用GSConv代替常规卷积提高行人检测的精度;为了避免多行人之间的特征发生混淆,使用DeepSort目标跟踪算法进行行人跟踪,独立提取行人的运动特征;分类阶段设置一个固定长度的队列来存储行人运动特征值,利用提前训练好的1DCNN进行跌倒识别;实验证明,在VOC2007测试集上,改进后的YOLOv8n模型比改进前的mAP增加1.5%,参数量减少2.97%;跌倒检测算法在UR Fall数据集上实现了97.8%的准确率;在自建的多行人数据集上实现92.91%准确率。

关键词： 卷积神经网络   交通标志识别   YOLOv5   深度学习   目标检测  

摘要： 现如今交通标志识别作为智能驾驶中不可或缺的一部分有着重要的研究意义。为了提高交通标志识别的分类准确度,结合当下流行的YOLOv5卷积神经网络目标检测模型,本文以国内交通标志为例,研究如何运用YOLOv5算法实现交通标志目标检测,同时结合软件开发技术,使用Flask后台框架、Vue前端框架设计了一套基于卷积神经网络的交通标志识别系统,系统包含可交互界面,支持用户上传图片进行实时识别,并返回相应的识别结果,提高了交通标志识别模型的可用性。