关键词： 风电叶片损伤识别   YOLOv8   目标检测   数据增强算法   卷积注意力模块   梯度协调机制   平均精度   平均召回率   快速区域卷积神经网络   交并比  

摘要： 针对风电叶片极易出现损伤和故障,且制造和维护成本高昂等问题,提出了一种基于改进YOLOv8模型的风电叶片表面损伤检测与识别方法。首先,将现场拍摄到的高清叶片图像作为实验数据集,并将其按比例随机划分为训练集、验证集和测试集;然后,在YOLOv8模型中引入了动态数据增强算法Mosaic、Mixup及离线数据增强算法Albumentations,对训练数据集进行了扩充,解决了模型在有限数据集下的泛化性问题;最后,使用卷积注意力模块(CBAM)和梯度协调机制(GHM)/Focal loss算法等手段加强了模型的损伤检测能力,改进了样本分布不均衡问题,建立了一种先进的风电叶片表面损伤检测与识别方法,提升了YOLOv8模型对叶片损伤的检测精度。研究结果表明:改进后的YOLOv8模型在计算量和参数量都较低的情况下,其平均精度(AP)、平均召回率(AR)都超越了同等配置下的快速区域卷积神经网络(Faster R-CNN)模型。改进后的YOLOv8模型在交并比(IoU)阈值为0.5时的AP和AR分别达到了73.2%和58.8%,验证了该方法在风电叶片损伤检测方面具有一定的可靠性和有效性。

关键词： 视觉SLAM   动态场景   目标检测   位姿估计  

摘要： 针对传统的视觉同步定位与地图构建(SLAM)在动态场景下容易受到运动物体干扰,导致位姿估计精准度和鲁棒性下降的问题,提出了一种基于目标检测网络的视觉SLAM算法。该算法通过在ORB-SLAM2的跟踪线程中新增动态特征点检测剔除模块,从而利用静态特征点进行位姿估计。首先,选择YOLOv7作为目标检测的主干网络,结合GhostNet轻量化卷积网络和具有SE注意力机制的卷积(Conv_SE),以有效地检测周围环境;其次,对检测到的物体进行分类处理,剔除动态物体特征点,通过几何约束的方法进一步检测和剔除潜在运动物体;最后,仅利用静态特征点进行特征匹配和位姿估计。在TUM数据集上的验证结果表明,与ORB-SLAM2相比,提出的算法在动态Walk序列下,绝对轨道误差(ATE)的均方根误差平均减少96.5%,在其他动态序列下也有改进效果。实验证明,该算法在动态场景下能够显著提升系统的定位精度和鲁棒性。

关键词： Affordance   计算机视觉   人-物交互   语义分割   深度学习   机器学习  

摘要： 利用基于计算机视觉的Affordance理解研究行为者和周围环境之间的交互属性,对指导机器人导航、抓取具有重要意义。因此,全面、深入地综述了基于计算机视觉的Affordance理解研究现状。首先,对近年来提出的方法依据研究方向进行归类,综述不同方法的思路和特点;然后,对多个常用的公开数据集进行介绍,并对不同方法在这些数据集上的性能进行对比分析;最后,阐述基于计算机视觉的Affordance理解各类方法的优势与不足及未来的发展趋势。

关键词： DJVU存储格式   数字化技术   文献扫描   图像处理  

摘要： 阐述文献数字化的基本原理、加工流程,以及DJVU存储格式的特征。以某图书馆为实例,探讨DJVU技术在文献数字化中的应用,包括文献扫描与预处理、文献图像的DJVU格式转换、DJVU技术在文献检索中的应用,并对DJVU技术在文献数字化中的应用效果进行评估与展望。

关键词： 自动驾驶   目标检测   目标跟踪   深度学习   卷积神经网络   循环神经网络  

摘要： 传统的检测和跟踪方法在复杂驾驶场景下存在精度不高、实时性不足、鲁棒性不强等问题,据此提出了基于深度学习的改进方法。在目标检测方面,设计了一种双阶段检测器,在骨干网络中引入注意力机制,并结合FPN进行多尺度特征融合,该方法利用孪生网络架构,通过时空注意力模块来挖掘目标的显著特征和运动模式,从而增强了网络对目标表征的学习能力。这种端到端的框架设计,避免了传统方法中由于模块化处理而导致的特征表达能力下降的问题。此外,讨论了算法的局限性以及未来的改进方向。实验结果表明,所提出的算法在KITTI和OTB等公开数据集上取得了显著优于现有方法的性能,展现出了良好的精度和实时性。研究成果可为自动驾驶系统的感知模块设计提供新思路。

关键词： 张量分解   注意力机制   损失函数优化   小目标检测  

摘要： 针对低空遥感图像目标检测存在的尺度微小、背景复杂多变和计算资源有限等问题,提出了一种改进YOLOv7网络的低空遥感图像目标检测网络SimAM_YOLOv7。首先,基于张量火车分解,最小化冗余参数;其次,引入无参数的注意力机制,提高网络对目标的聚焦能力;最后,利用高效IoU(EIoU)优化定位损失,减小目标框与先验框的位置偏移,基于Focal Loss改进分类损失,解决正负样本的失衡问题。在真实低空遥感数据集上进行实验,在YOLOv7的基准下,所提出的网络在参数量减少3.27M时,mAP 50指标提高了4.63%,mAP 50:95指标提高了3.94%,充分验证了所提网络的有效性和优越性。

关键词： 太赫兹图像   深度学习   目标检测  

摘要： 近年来,太赫兹成像技术已成为安全保障领域内的关键技术之一。然而,目前技术发展的局限性使得太赫兹成像系统在图像分辨率等方面面临挑战,这些问题直接影响到成像质量和图像的实用性。研究提出了一种新的基于深度学习算法的太赫兹人体安检图像处理技术。对YOLOv5s网络结构进行了改进,引入了注意力机制模块,并对特征金字塔网络(FPN)模块进行优化,增强了模型对于图像中关键特征的捕捉能力。通过实验对比,证明了改进后的模型在检测图像中的可疑物品方面具有更优的性能。研究旨在为太赫兹成像技术在人体安检中的应用提供新的解决思路,也为提升安检效率和准确性开辟了新的研究方向。

关键词： YOLOv5   高分辨率   遥感图像   目标检测  

摘要： 随着遥感技术的快速发展,高分辨率遥感图像以其高精度的地表细节信息,为城市规划、环境监测、灾害评估等提供了强有力的支持。但由于目标尺寸多样性和背景复杂性的增加,在高分辨率图像中准确地检测和识别特定目标面临挑战。YOLOv5在实时目标检测领域展现了出色的性能,在处理速度上具有显著优势,在多种复杂场景下保持高准确度。基于YOLOv5算法框架,提出一种面向高分辨率遥感图像的目标检测算法,引入改进多尺度特征融合技术,有效提升模型在复杂背景下对小目标的检测能力。结果表明,所提算法在高分辨率遥感图像目标检测任务中的性能优越,具有实用潜力。

关键词： 智能驾驶   汽车   机器视觉   图像处理  

摘要： 随着智能驾驶技术的飞速发展,机器视觉作为其核心组成部分,正日益成为研究的热点。本文首先概述了机器视觉技术的基本原理和应用领域,进而深入探讨了智能驾驶汽车中机器视觉的关键技术,包括图像采集、图像处理以及基于深度学习的图像分析技术,详细阐述了相关技术在车道线检测等实际应用中的具体实现方法和优化策略,旨在为智能驾驶汽车机器视觉技术的发展提供理论支持和实践指导。

关键词： HSV色彩空间   感兴趣区域   目标检测   色彩阈值  

摘要： 嵌入式设备中部署深度学习检测模型往往面临算力不足的问题,而感兴趣区域(ROI)提取可作为一种高效的性能优化手段。文章提出一种基于HSV(Hue,Saturation,Value)色彩空间模型的ROI提取的方法,将检测目标的像素信息转化到HSV色彩空间,在色相-饱和度(H-S)平面引入DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法,精确定位目标的主色彩像素在H-S平面上的分布位置,同时过滤杂乱色彩,然后通过Quickhull(快壳)凸包算法,从散点数据中拟合出主色彩的精确分布范围。根据获取的主色彩范围对像素进行遍历,可以根据色彩信息有效地提取ROI。实验结果表明,经过该方法优化后的Faster R-CNN(Faster Regions with Convolutional Neural Networks)算法,较原模型减少了57.08%的平均推理耗时,同时精确率提升了0.9百分点。这对于嵌入式设备中进行实时目标检测具有重要的现实意义。