关键词： YOLOX   目标检测   结构重参数化   解耦检测头   注意力机制  

摘要： 针对水下目标检测中的目标模糊和遮挡问题,提出基于YOLOX改进的RepViTS-YOLOX水下目标检测方法。该方法采用RepViTS作为特征提取网络并通过结构重参数化,有效提升了对水下目标的特征提取能力和模型推理速度。引入空间和通道重构(spatial and channel reconstruction convolution,SCConv)模块,增强网络对模糊目标的关注。改进特征融合网络,通过跨尺度连接和多尺度融合,加强不同层次特征间的信息交流,使模型更好理解遮挡目标特征。针对定位和分类任务对特征的不同需求,引入上下文解耦头(task-specific context decoupling head,TSCODE),对遮挡目标更精准地定位和分类。实验结果证明,RepViTS-YOLOX方法在RUOD数据集上取得了85.7%的检测效果,较YOLOX提高了3.8个百分点。检测结果显示,该方法可以有效改善水下模糊和遮挡目标的检测情况,提高水下目标检测精度。

关键词： 多目标识别   智能安防   视频监控   二值化   中值滤波器   目标检测   聚类  

摘要： 针对视频监控受到动态目标影响监控识别效果差的问题,提出基于多目标识别的智能安防视频监控研究。充分考虑多类目标情况,将多目标预判成词袋;分割处理图像,计算目标点与超平面的间隔,聚类处理多目标构建高斯模型表征背景,剔除高斯分布中存在的虚假背景,二值化处理目标,分离目标与背景。对差值进行阈值化判断,结合3×3邻域的中值滤波器去除噪声;判定入侵行为,完成智能安防视频监控识别。实验结果表明,该方法能够识别出全部目标,TA最大值为21%,TN最大值为90%,监控识别效果良好。

关键词： 种质资源   玉米雄穗   目标检测   无人机   可见光影像   YOLO v7-tiny  

摘要： 针对玉米种质资源遗传多样性丰富导致雄穗大小、形态结构及颜色呈现较大差异,无人机搭载可见光传感器相比地面采集图像分辨率低,以及图像中部分雄穗过小、与背景相似度高、被遮挡、相互交错等情况带来的雄穗检测精度低的问题,提出了一种改进YOLO v7-tiny模型的玉米种质资源雄穗检测方法。该方法通过在YOLO v7-tiny中引入SPD-Conv模块和VanillaBlock模块,以及添加ECA-Net模块的方式,增强模型对雄穗特征的提取能力。利用自建的玉米种质资源雄穗数据集,训练并测试改进模型。结果表明,改进YOLO v7-tiny的平均精度均值为94.6%,相比YOLO v7-tiny提升1.5个百分点,相比同等规模的轻量级模型YOLO v5s、YOLO v8s分别提升1.0、3.1个百分点,显著降低了图像中雄穗漏检及背景误检为雄穗的发生,有效减少了单穗误检为多穗和交错状态下雄穗个数误判的情况。改进YOLO v7-tiny模型内存占用量为17.8 MB,推理速度为231 f/s。本文方法在保证模型轻量化的前提下提升了雄穗检测精度,为玉米种质资源雄穗实时、精准检测提供了技术支撑。

关键词： 人工智能   景观设计   图像处理   设计辅助  

摘要： 随着2023年年初,CHATGPT在国内逐渐掀起一股人工智能(AI)热潮,似乎标志着人类科技发展出现了一个新的转折点,日常生活即将面临着翻天覆地的变革,也开始席卷到景观设计等行业当中。文中简要概述了目前景观行业可以运用的人工智能技术及其操作方法,着重介绍了Stable Diffusion和CHATGPT两种不同类型平台分别在景观项目图像处理和文字处理方面的利与弊,并展望了人工智能技术在设计行业的巨大潜能。

关键词： 目标检测   轻量化网络   注意力机制   YOLOv7-Tiny   SIOU  

摘要： 城市路边植物的检测与识别是智能洒水车的关键技术。针对路边植被图像检测中的小目标漏检和遮挡问题,提出一种改进型YOLOv7-Tiny的植物检测算法。在创建数据集时,使用相机实景拍摄和图片爬虫抓取方法获取原始数据集,通过LabelImg进行人工标注,并采用mosaic数据增强方法扩充数据集。为兼具准确率和较高检测速度,首先将YOLOv7-Tiny网络作为baseline,在网络的Head部分引入无参数SimAM注意力机制,使网络在不增加模型复杂度的情况下聚焦更多重要的特征信息;其次在网络的Head部分将ACmix替换部分传统卷积,以实现更高效的特征融合;最后在算法中使用SIOU替换原YOLOv7-Tiny网络模型的CIOU来优化损失函数,以减少损失函数的自由度并提升网络鲁棒性。实验表明,改进算法在测试集上的均值平均精度mAP@50:95达到67.2%,相较于YOLOv7-Tiny算法提升3.1%,在保证模型轻量化的同时具有较高的检测精度,可满足智能洒水车轻量化植物检测的准确度和速度要求。

关键词： 机器学习  

ISBN: (纸本)9787302664666

摘要： 本书共14章, 分别讲解了图像识别技术基础, scikit-image数字图像处理, OpenCV图像视觉处理, dlib机器学习和图像处理, face_recognition人脸识别, 采样、变换和卷积处理, 图像增强, 图像特征提取, 图像分割, 目标检测, 图像分类, 国内常用的第三方人脸识别平台, 斗转星移换图系统, 智能OCR文本检测识别系统等内容。

关键词： 事件相机   目标检测   神经网络  

摘要： 事件相机是模仿生物视网膜的成像方式,具有高动态、低延迟、高时间分辨率以及低功耗的特性。其突破传统相机难以捕捉在高动态范围情况下的物体并进行目标识别的困境,事件相机的特性对于研究基于事件相机的目标检测问题具有实验意义。简要叙述事件相机的现状、发展过程、优势与挑战,介绍了各种类型事件相机的工作原理和一些基于事件相机的目标检测算法,阐述了基于事件相机的目标检测算法面对的挑战和未来趋势,并进行了总结。

关键词： 水果识别   目标检测   YOLOv7   MPDIoU  

摘要： 目前水果种植广泛,但水果分类工作大多数是人工完成,耗费了大量人工成本,少数机器识别也有速度慢、准确率低等问题。针对此类目标检测识别效率较低等问题,提出了一种基于改进YOLOv7算法的水果目标检测算法,通过引入ECA注意力机制,增强通道维度的关联性,提升了模型的表达能力和学习效果;使用PConv代替了部分的卷积结构,同时削减冗余计算和内存访问,更有效地提取空间特征;损失函数使用了MPDIoU,针对传统IoU增强了梯度可导性,便于进行图像分割任务的训练和优化。改进的YOLOv7算法在精度和平均精度均值方面分别提升了4%和3%,能准确识别出水果。

关键词： YOLOv5   行为分析   目标检测   智慧农业   系统设计  

摘要： 针对养殖生猪时难以及时获取猪只状态及健康情况的问题,设计了基于YOLOv5模型的猪只行为分析系统。系统由图像采集与预处理模块、行为识别模块以及结果输出模块组成,主要对猪只的进食、站立、饮水和趴卧四种行为进行检测和识别。系统通过对各种猪只行为图像进行训练和测试,实验结果表明行为识别效果较好。该系统应用于生猪养殖业,可帮助养殖人员及时获取猪只的行为信息,从而判断猪只状态并采取相应措施。