关键词： 加工自动化   计算机视觉   过程自动化   机器人系统   机器学习   香蕉果实   加工过程   香蕉茎  

摘要： 科学家们正在研究和开发新技术,制造机器手臂原型以使香蕉加工过程中的重复及密集过程自动化,从而大大提高香蕉加工效率。该项目由QUT公司主持,与未来食品系统公司、先进机器人制造中心(ARM)和BNL工业解决方案公司合作,通过Hort Innovatio公司实施。该项目将利用计算机视觉和机器学习等技术,为香蕉行业提供香蕉采摘过程的解决方案。香蕉采摘是将香蕉果实从香蕉茎中分离出来的过程,是一项重复且体力要求高的活动,如果实现自动化,可以提高加工效率,并为机器人系统提供有价值的集成点。

关键词： 目标检测   猪   算法   YOLOv5s   猪只小肠绒毛   病理学图像   无参注意力机制  

摘要： 为解决传统小肠绒毛需要专业人员手动检测耗时耗力且存在主观性和不稳定性等问题,同时提高在复杂病理学图像中小肠绒毛检测的准确率和效率,该研究提出基于改进YOLOv5s检测复杂病理学图像下猪只小肠绒毛的方法。首先,采用串联形式的混合池化对空间金字塔进行优化,增强特征提取与特征表达,提升检测精度;然后引入一种基于注意力机制的网络模块(simpleattentionmechanism,SimAM)与Bottleneck中的残差连接相结合,使用SimAM对Bottleneck中的特征图进行加权,得到加权后的特征表示,利用注意力机制加强模型对目标的感知。试验结果表明,该研究算法的平均精度(average precision)和每秒传输帧数(frame per second,FPS)达到92.43%和40帧/s。改进后的YOLOv5s在召回率和平均精度上相较改进前提高2.49和4.62个百分点,在不增加模型参数量的情况下,每帧图片的推理时间缩短1.04 ms。与经典的目标检测算法SSD、Faster R-CNN、YOLOv6s、YOLOX相比,平均精度分别提高15.16、10.56、2.03和4.07个百分点。结果表明,该方法能够实现病理学图像中猪只小肠绒毛自动化检测,保证复杂图像检测速度的同时,提高了小肠绒毛的检测精度。

关键词： 乳腺癌病理图像   YOLOv5s   特征融合   目标检测  

摘要： 乳腺癌病理图像的有丝分裂结果过程中,由于形态相近的细胞存在干扰,有丝分裂细胞目标小,难以分割标记,从而限制乳腺癌分级诊疗效率和准确性。因此,提出了一种基于改进YOLOv5s的乳腺癌病理图像检测算法。在骨干网络中加入Transformer结构,增强对图像小目标的检测能力。并通过引入ACMix结构,融合图像特征,提高检测性能,强化卷积神经网络对小目标的注意力机制。在检测头部分添加SK-attention,确保捕捉小目标的准确度。结果显示,改进的YOLOv5s的检测性能较改进前传统模型性能更加优秀,检测准确率达97.12%,能较好识别乳腺癌病理图像有丝分裂细胞,进而为后续诊疗提供决策依据。

关键词： 声呐图像   目标检测   数据增强   尺度聚类   轻量化模型  

摘要： 利用深度学习对声呐图像进行目标检测是近年来的研究热点,然而声呐图像存在目标尺度分布集中、数据获取难等问题,导致检测效果难以满足需求。针对该问题,提出了一种基于可变尺度先验框的目标检测方法。首先,考虑到声呐图像中目标的尺度分布具有其特殊性,基于先验统计生成可变尺度先验框。其次,为了解决声呐图像稀缺的难题,采用数据增强的方法对训练集进行扩充。最后,探索了模型的轻量化,通过删减模型的大目标检测层,在不降低模型精度的同时简化模型结构。为了评估算法的有效性,以前视声呐图像为例进行了综合试验,平均精度(mean average precision,mAP)@0.75和mAP@0.5:0.95分别达0.585和0.559,较原Yolov5网络分别提升了5.8%和3.1%,同时每秒10亿次浮点运算次数下降到14.9。结果表明,所提算法具有更高的精度和更轻量化的模型结构。

关键词： 动态特征融合   监控视频图像   小目标检测   图像质量   数学形态学  

摘要： 在实际监控场景中,监控视频图像往往会受到复杂的背景干扰和光照变化的影响,使得小目标的检测变得非常困难且准确性较差。因此,文章提出基于动态特征融合的监控视频图像小目标检测方法。首先对监控视频图像进行预处理,主要是对不同类型的噪声进行噪声滤除操作,以提高图像质量并突出小目标;其次融合数学形态学处理技术,提取预处理后图像的小目标相关特征;最后采用动态特征融合方式进行小目标检测,将多个特征融合在一起,以更全面地描述图像中的小目标。通过这种动态特征融合方法完成了监控视频图像小目标检测方法设计。实验结果表明:新方法在检测不同类型的小目标中具有明显优势,能够实现对小目标的准确监测,说明其在监控视频图像小目标检测中具有应用价值。

关键词： 注意力机制   井场作业   风险识别   目标检测  

摘要： 为精确识别井场安全生产过程中存在的不规范行为,降低井场事故发生率,提出了一种改进YOLOv5井场作业风险智能分类识别方法。首先,使用labelimg工具标注出这些不规范的行为;其次,以YOLOv5为基础网络,通过在基础网络结构中替换损失函数和增加注意力机制模块来改善目标检测问题。用SIoU Loss损失函数替换CIoU Loss损失函数,对距离损失进行重新定义,有效减少了回归自由度,加速了网络收敛速度,提高了回归精度。通过增加注意力机制模块,网络能够对输入图像进行自主学习并关注其中的重要信息,以提升模型的鲁棒性和泛化能力。实验证明,改进的YOLOv5算法可以对井场作业中的不规范进行有效的分类和识别。与原有YOLOv5方法相比精度提高了3%,改进方法在保证正确率的前提下,具有较高的预测精度和较好的实时性,获得了较满意的效果。

关键词： 目标检测   迁移学习   K-means   Mask R-CNN  

摘要： 针对液晶屏生产过程中出现的表面划痕、脏点、裂痕等细微缺陷,在有限数据集下探寻一种既能提高液晶屏表面缺陷的检测精度和速率又能满足实际工厂检测要求的检测方法,意义重大。基于此,本文提出一种基于迁移学习与改进的Mask R-CNN液晶屏缺陷检测方法,可解决传统的图像缺陷检测方法无法有效利用特征信息进行高精度检测与漏检的问题。设计K-means算法对缺陷液晶屏标注框进行聚类以获得合适的长宽比和锚框个数,并对改进的Mask RCNN模型应用本文数据集对缺陷区域特征提取并进行训练分类。为加速模型收敛,利用迁移学习思想将DAGM 2007数据集在本文改进模型上预训练并得到最优权重且迁移到液晶屏缺陷检测任务中。同时与主要目标检测方法进行对比,结果表明:通过引入迁移学习与改进的Mask R-CNN方法,能在样本较少的情况下准确识别背景复杂且微小瑕疵缺陷,测试集缺陷识别达到95.25%,较改进前综合提升5%。

关键词： 计算机视觉   围手术期   机器学习   机械通气  

摘要： 计算机视觉(CV)在麻醉学中的应用已日渐显现其潜力和价值,CV技术可以提高麻醉效果、降低并发症风险、优化资源分配和提高工作效率。文章回顾了CV在麻醉学中的现有应用,包括气道管理、神经阻滞和穿刺、麻醉深度(DoA)监测和围手术期相关并发症预警等;也讨论了当前应用中面临的挑战,如数据获取、模型训练、解释性、鲁棒性等;以及未来可能的发展方向,如采用混合学习、迁移学习和联邦学习等新的方法或技术。CV技术有望对麻醉学的发展产生深远影响,推动其向更高的精准医疗水平迈进。

关键词： 人脸检测   深度学习   计算机视觉   车载嵌入式系统  

摘要： 智能驾驶作为汽车领域的一项前沿技术,日益受到广泛关注。人脸检测在智能驾驶中扮演着重要的角色,通过实时监测驾驶员和乘客的脸部特征能够提高车辆内部环境感知能力,增强系统对驾驶员和乘客的理解,从而提升交通安全性、舒适性和个性化服务体验。文章首先回顾了基于传统特征提取的人脸检测算法,然后介绍了基于深度学习的几种主流检测方法,包括基于级联卷积网络、单阶段检测及双阶段检测算法,分析了这几种算法的结构和优缺点并介绍了轻量级检测方法。最后,对未来的研究方向进行了展望。

关键词： 建筑垃圾   高分辨率遥感影像   目标检测   深度学习  

摘要： 数据集的构建是深度学习目标识别中最基础的工作,其在很大程度上决定了目标识别的精度。为研究不同标注形式的数据集对建筑垃圾识别检测效果的影响,分别采用正矩形、旋转矩形和多边形3种标注框的形式标注高分辨率遥感影像中的建筑垃圾,构建了正矩形建筑垃圾数据集、旋转矩形建筑垃圾数据集和多边形建筑垃圾数据集。对比分析实验结果发现:多边形标注框形式的最终识别正确率和识别精准率最高,最适宜建筑垃圾识别模型的构建;利用正矩形和多边形建筑垃圾识别模型均可有效实现对建筑垃圾的自动定位、识别和提取,且多边形建筑垃圾识别模型还可以识别建筑垃圾的轮廓,可以结合实地建筑垃圾高度估算建筑垃圾体积,为建筑垃圾的精准管控提供数据基础和技术支持。