关键词： 缺陷检测   焊缝   深度学习   目标检测   轻量化  

摘要： 针对当前深度学习模型在焊缝缺陷检测工作中成本高、速度慢、不易在终端部署应用等问题,提出一种效果良好的轻量级高效模型(lightweight and high-precision optimized detection model,LHODM).首先,搭建新型主干网络并设计超轻量卷积ULConv作为网络基础卷积,降低模型深度,用Depthwise操作生成更多有效冗余特征映射,减少参数与运算量.其次,设计高效轻量级专注模块ELCC,在响应模型轻量化前提下,考虑焊缝缺陷分布特性与成像规律,从水平和垂直两个方向捕获孤立区域关系,结合轻量级上采样算子CARAFE,使模型特征重组时具有更大的感受野,更有效地利用环境周围信息,弥补轻量化造成的精度损失.最后,为提高收敛速度和损失函数效率,设计OS-Io U损失函数,考虑期望回归向量之间的夹角,重新定义惩罚项及相关性,强化距离损失和形状损失关注程度.结果表明,LHODM模型检测准确率和检测速度达到91.62%和63.47帧/s,参数量仅为3.99 M,有效解决了焊缝缺陷检测工作中成本高和速度慢的问题.

关键词： 图像处理   单目视觉   射流模型   闭环控制  

摘要： 研究一种基于图像处理和单目视觉的射流闭环控制方法,以实现射流精度的提高和自动化控制。通过实时图像处理,准确识别射流目标位置,并利用单目视觉系统对射流进行精确引导和调整,以达到预期的射流效果。实验结果表明,所提方法能够准确识别射流目标位置,并实时调整射流参数,使射流能够精确命中目标。与传统的射流控制方法相比,该方法具有更高的精度和更好的鲁棒性。文章就射流闭环控制方法,提出了一些思路,用于图像处理和弹幕视觉的优化。这为射流控制领域提供了一种新的解决方案和研究思路,实现了射流的高精度控制。

关键词： 计算机视觉   学生行为   图像检测系统   深度学习   监督式学习  

摘要： 本文设计并实现了一种基于计算机视觉的课堂学生行为图像分析系统。该系统采用最新的物体检测算法YOLOv5s,通过智能摄像头采集课堂图像,实时检测学生行为并进行分析,以提高课堂教学效果和学生的学习质量。本文汇集了众多的学生行为图像资料,经过数据预处理和数据增强,建立了适合YOLOv5s的数据库。其后利用收集到的课堂学生行为数据集训练了一个基于YOLOv5s的课堂学生行为检测模型,可以快速准确地识别学生在课堂中的各种行为,如举手、听讲、看书等。

关键词： 超声检查   深度学习   图像处理   人工智能   乳腺肿块  

摘要： 目的探究一种融合了SAM-YOLOV 5深度学习网络和图像处理技术的人工智能(AI)新模型在乳腺影像报告与数据系统(BI-RADS)4类肿块超声动态视频良恶性分类中的应用。方法回顾性收集2019年5月至2023年6月汕头大学医学院第一附属医院经病理证实的BI-RADS 4类的乳腺肿块患者458例(530个肿块),按7∶3的比例进行模型的训练和测试,分析模型的ROC曲线下面积(AUC)、敏感性、特异性、阳性预测值、阴性预测值。先与单张静态图像下的测试效果进行比较,再与3个传统的深度学习网络以及高、低年资医师组的测试效果进行比较。分析新模型在BI-RADS 4a、4b、4c类肿块中的诊断效能。结果二维超声动态视频在新模型中测试所得到的AUC、敏感性、特异性、阳性预测值、阴性预测值高于使用单张超声静态图像(均P<0.05)。基于二维超声动态视频下,新模型的AUC、敏感性、特异性、阳性预测值、阴性预测值高于3个深度学习网络模型(YOLOV 5、VGG 16、Resnet 50)和低年资医师组(均P<0.05),低于高年资医师组(其中仅特异性、阴性预测值P<0.05)。新模型对BI-RADS 4b类肿块诊断效能最低。结论基于SAM-YOLOV 5深度学习网络和图像处理技术开发的用于BI-RADS 4类乳腺肿块动态超声分类诊断的新模型有较高的诊断价值,有望用于辅助临床诊断。

关键词： 物联网   智能建筑   图像处理   迁移学习   占用检测   FCTS架构  

摘要： 自COVID-19流行以来,关于物联网环境下室内人员流动监测系统的研究受到了社会的广泛关注。在此背景下,提出了一种基于边缘迁移学习的教室占用检测方法,该方法拓展了图像处理策略,减少了定制的训练阶段。还提出一种基于相机捕获图像的FCTS架构用于室内物体计数。将该系统架构部署在某大学校园内,用于教室占用检测。在不同类型的教室中进行评估测试之后,结果显示:该系统能够计算教室内的人数,且最大平均绝对误差为1.23,证明了该系统的可行性。

关键词： 大豆考种   豆荚表型   虚拟数据   旋转目标检测   YOLOv7-tiny  

摘要： 为解决传统大豆考种过程中人工测量大豆豆荚表型参数耗时费力的问题以及现有的自动化测量方式存在的人工数据标注需求量大、环境适应能力弱、计算代价高等问题,本研究提出一种基于虚拟数据集生成和旋转目标检测分析的豆荚关键表型参数自动化测量方法,重点关注荚长和荚宽的测量。该方法基于YOLOv7-tiny提出一种改进的豆荚检测模型(CSL-YOLOv7-tiny),通过引入环形平滑标签使模型获得对旋转目标的检测能力,提升对无序摆放的狭长豆荚目标检测的质量。为避免人工标注训练数据,采用虚拟图像生成方法得到含标注信息的虚拟豆荚数据集和虚拟硬币与豆荚混合数据集。利用迁移学习策略,将模型从虚拟豆荚数据集迁移至虚拟硬币与豆荚混合数据集,积累模型对豆荚特征的提取能力。设计一种基于K-均值聚类的后处理方法,对检测到的旋转边界框进行分析,得到荚长和荚宽,以减少拍摄环境差异带来的测量误差。试验结果表明,在无任何训练数据标注的条件下,使用虚拟图像训练的CSL-YOLOv7-tiny对硬币和豆荚目标检测的最优mAP_(0.50)和mAP_(0.50∶0.95)分别达到了99.3%和78.0%,其模型大小和推理时间分别仅为12.92 MB和12.5 ms,荚长和荚宽测量的决定系数(R^(2))分别达到了0.94和0.86,与实际测量均值分别仅相差0.42 mm和0.02 mm。此外,通过对本研究提出的方法进行对比分析,验证了其在模型训练、轻量化部署以及不同考种环境适应能力上的优势。研究结果可为大豆豆荚表型参数的自动化、智能化测量系统的研发提供参考,为加速优质高产大豆的选育进程提供支撑。

关键词： 目标检测   对抗样本   风格迁移   对抗补丁   热图引导  

摘要： 针对现有面向目标检测的对抗样本生成方法泛化能力弱的问题,提出了一种融合风格迁移的对抗样本生成方法。首先,提出一种新的对抗补丁生成方法,使用风格迁移方法将风格图像不同层次特征提取并融合,生成无明显物体特征且纹理丰富的对抗补丁;然后,利用梯度类激活映射方法生成目标的特征热图,对目标不同区域在目标检测模型中的关键程度进行可视化表示;最后,构建一种热图引导机制,引导对抗补丁在攻击目标的关键位置进行攻击以提高其泛化能力,生成最终对抗样本。在DroNet室外数据集上进行实验,结果表明:针对单阶段目标检测模型YOLOv5生成的对抗样本,采用所提方法计算得到的攻击成功率可达84.07%;应用于攻击两阶段目标检测模型Faster R-CNN时,采用所提方法计算得到的攻击成功率仍保持在67.65%;与现有的主流方法相比,所提方法生成的对抗样本攻击效果较好,且具有良好的泛化能力。

关键词： 小目标检测   空间金字塔池化   注意力机制   柔性非极大值抑制   损失函数  

摘要： 针对无人机视角下的小目标检测精度较差、漏检较为严重的问题,提出一种基于改进YOLOv5的无人机图像检测算法。针对小目标尺度较小问题在骨干网络替换空间金字塔池化(Spatial Pyramid Pooling,SPP)为SPPCSPC-GS,增强密集区域关注能力,提取更多小目标有效特征;在颈部网络中引入CBAM注意力机制将头部C3模块替换为C3CBAM增强上下文信息,提高空间与通道特征表达能力;针对遮挡问题引入柔性非极大值抑制(Soft Non Maximum Suppression,Soft NMS)提升模型对遮挡和密集目标的检测能力;替换损失函数为EIOU加快收敛提升定位效果。改进后的模型在VisDrone数据集上平均检测精度为42.2%,相较于原始YOLOv5s算法提升10.7%,遮挡严重的小目标行人与人类别精度分别上升12%与13.3%。相较于其他先进算法,所提算法表现优秀,可以满足无人机视角图像检测任务要求。

关键词： 对抗攻击   目标检测   黑盒迁移攻击   生成对抗网络   注意力损失  

摘要： 目标检测被广泛应用到自动驾驶、工业、医疗等各个领域.利用目标检测算法解决不同领域中的关键任务逐渐成为主流.然而基于深度学习的目标检测模型在对抗样本攻击下,模型的鲁棒性存在严重不足,通过加入微小扰动构造的对抗样本很容易使模型预测出错.这极大地限制了目标检测模型在关键安全领域的应用.在实际应用中的模型普遍是黑盒模型,现有的针对目标检测模型的黑盒攻击相关研究不足,存在鲁棒性评测不全面,黑盒攻击成功率较低,攻击消耗资源较高等问题.针对上述问题,提出基于生成对抗网络的目标检测黑盒攻击算法,所提算法利用融合注意力机制的生成网络直接输出对抗扰动,并使用替代模型的损失和所提的类别注意力损失共同优化生成网络参数,可以支持定向攻击和消失攻击两种场景.在Pascal VOC数据集和MS COCO数据集上的实验结果表明,所提方法比目前攻击方法的黑盒迁移攻击成功率更高,并且可以在不同数据集之间进行迁移攻击.