关键词： 智慧园区   消防系统   烟雾传感器   温度传感器   YOLOv8   目标检测  

摘要： 智慧园区中的消防火灾系统主要包括检测火警、报警、灭火和疏散4个部分,可实现对火灾的快速响应和有效处置。传统的末端探测器存在检测精度低、安装位置和刷量不能够全覆盖及无法稳定检测区域内烟雾和火焰警情的问题。文章采用先进的目标识别框架YOLOv8,训练自定义的智慧园区室内室外烟雾和火焰目标检测及分类检测结合的模型。自训练的模型实现了数字视频系统的摄像头全覆盖区域内烟雾和火焰的目标检测,弥补了消防系统的检测死角和误报、漏报情况,也提高了智慧园区中消防系统的区域检测灵敏度、准确率和覆盖率。

关键词： 机器视觉   热风干燥   小白杏   目标检测   YOLOv7  

摘要： 设计了一种基于机器视觉的小白杏热风干燥控制系统,该系统使用计算机视觉技术,对小白杏进行检测和分类,并自动控制热风干燥过程中的温度、风速。系统采用基于神经网络的目标检测算法,对小白杏进行检测和分割,利用图像处理技术提取小白杏的特征,并使用YOLOv7对小白杏进行分类。通过调整热风干燥的温度、风速和时间等参数,实现了对小白杏干燥过程中的品质保护,可保持小白杏品质和口感,提升杏干经济价值,该系统具有一定的应用前景。

关键词： 奇异值分解   混合高斯模型   卡尔曼滤波算法   巴氏距离  

摘要： 针对现有的回收机器人对羽毛球的跟踪预测精度低问题,基于双目视觉技术,提出一种奇异值分解(Singular Value Decomposition,SVD)与混合高斯模型(Gaussian Mixed Model,GMM)结合KEF的羽毛球跟踪方法。该方法首先利用双目视觉技术采集羽毛球运动图像;然后通过SVD-GMM对羽毛球图像特征进行提取,并进行羽毛球三维轨迹重建;最后基于扩展卡尔曼滤波(Extended Kalman Filter,EKF)对羽毛球轨迹进行跟踪与预测。结果表明,SVD-GMM模型的羽毛球目标检测错检率、漏检率分别为0.5%、1.00%,羽毛球占比的平均误差值仅为0.14,单次羽毛球检测的平均耗时为0.86 s,具有较高的羽毛球提取精度和效率;基于EKF的跟踪预测模型输出的羽毛球落地位置的准确度较高,求解出的羽毛球落地位置较为精准;基于双目视觉技术的羽毛球跟踪预测方法能够实现对羽毛球落地时间及位置的精准预测,在羽毛球自动回收问题中具有一定的应用价值。

关键词： 测绘工程   深度学习   自然语言处理   现代测绘技术   计算机视觉   人工解译   识别与分类   优势与挑战  

摘要： 随着现代测绘技术的发展,地形识别与分类在测绘工程中扮演着越来越重要的角色。传统的地形识别与分类方法主要依赖人工解译和专家知识,存在效率低、主观性强等问题。近年来,深度学习技术在计算机视觉、自然语言处理等领域取得了显著进展,为解决这一问题提供了新的思路。本文探讨了深度学习在测绘工程地形识别与分类中的应用,分析了其优势与挑战,并提出了未来的研究方向。

关键词： 深度学习   腰椎间盘突出症   目标检测   卷积注意力机制模块  

摘要： 目的腰椎间盘突出症(lumbar disc herniation,LDH)是脊柱退行性疾病的常见类型,可导致腰痛和下肢神经症状。MRI图像在诊断中至关重要,但存在依赖经验和缺乏标准化机制的问题。研究旨在开发基于卷积块注意力模块-视觉目标检测算法(convolutional block attention module-you only look once,CBAM-YOLO)的深度学习模型,以辅助自动诊断LDH MRI图像,从而提高诊断的准确性和效率。方法研究采纳了一个包含643例LDH患者MRI图像数据的公开数据集,每张图像均详细标注了包括椎间盘等在内的多种结构信息,并提出了一种新型模型CBAM-YOLO,它是在原有YOLO-v8模型的基础上,通过嵌入卷积注意力模块CBAM进行改良。此改进有助于模型更精确地识别突出椎间盘的特征位置及空间分布信息。为了充分验证模型的性能,研究使用CBAM-YOLO模型对经过数据增强的训练集进行了系统训练,共进行了100个训练周期。在模型评估环节,研究采用了Precision、Recall、F1-Score、Accuracy以及mAP等多个评价指标,以全面而严谨地评估模型的性能表现。结果CBAM-YOLO模型在诊断腰椎间盘突出症MRI影像方面展现出了卓越的性能。相较于原YOLO-v8模型,研究所构建的CBAM-YOLO模型在Precision达到了89.9%,Recall高达100.0%,F1-Score为94.6%,Accuracy为89.9%,以及mAP达到了97.1%,均表现出了明显的优势。结论测试结果充分凸显了基于深度学习的自动诊断体系在腰椎MRI图像中椎间盘识别与分割方面的巨大潜力,同时在临床应用中可提高疾病诊断的准确性和效率,进而减轻医疗专业人员的负担。

关键词： 背景感知   稀疏约束   相关滤波   目标跟踪  

摘要： 背景感知滤波算法通过循环移位采集真实负样本,有效解决了边界效应.但在复杂场景例如遮挡、快速移动、背景干扰等,其较大的采样区域导致过多背景在杂波干扰,从而影响跟踪效果.针对这一问题,本文首先提取灰度HOG特征与颜色CN特征来提高目标外观模型,在基准目标函数基础上引入L1稀疏正则约束形成弹性网络以自适应筛选关键特征,增强滤波器在复杂背景下的判别能力.同时针对BACF在跟踪过程中目标快速变化,本文引入时间正则项提高滤波器抑制畸变的能力.最后,本文提出了一种独立的尺度滤波器算法,准确提供目标尺度大小.实验仿真结果表明,在公开数据集OTB-2013和OTB-2015上,本文算法较基准算法有很大提升,能够较好应对不同复杂场景下的跟踪难题.

关键词： 机床刀具检测   注意力机制   YOLO v5   目标检测   特征提取  

摘要： 针对目前机床刀具分类应用较少、预处理复杂、目标检测适用范围小且识别精度不高的问题,提出基于改进的YOLO v5机床刀具图像识别算法,利用卷积神经网络在特征提取层加入CBAM注意力模块,可以更清晰地提取图像特征,在特征融合层加入CARAFE上采样模块,使刀具的表面特征恢复更好,可以减少特征融合时部分特征的丢失。实验结果表明,改进后的算法使机床刀具等小目标检测精度和检测速度明显提升,且改进后的模型平均精度为96.8%,比YOLO v4模型提高了14.96%,比YOLO v5模型提高了2%。本方法能对不同刀具进行识别,为工业制造中机械零件的识别提供了新的算法支持。

关键词： 无人机   YOLOv7-tiny   目标检测   CA注意力机制   损失函数  

摘要： 针对无人机视角下小目标难以检测、目标密集和环境复杂导致漏检概率增加的问题,提出一种改进YOLOv7-tiny的无人机目标检测算法。在原主干网络的基础上增加一个并行网络,加强主干网络对特征图信息的提取能力;增加细小目标采样尺度并改进FPN结构,使主干网络输出的特征图可以用于后续上采样和下采样当中,提高网络精度;加入CA注意力机制,优化主干网络输出特征图,减少特征信息损失;使用WIoU损失函数计算定位损失,增强网络对小目标的检测能力。实验结果表明,相较于原算法,改进YOLOv7-tiny算法的准确率和召回率分别提升了2.8和2.7个百分点,mAP@0.5和mAP@0.5:0.95分别提升了3.8和3.2个百分点,有效提高了算法的检测精度。

关键词： 图像处理   特征提取   卷积块注意力模块   空洞空间卷积池化金字塔   U-Net结构   多尺度特征融合  

摘要： 新冠病毒传染性极强,尽早的诊断和治疗是减少疫情造成损失的关键因素。为辅助医生诊断新冠病情,高效、准确地从肺部CT切片中分割新冠病灶,提出了一种改进的编码器-解码器深度神经网络———多尺度融合注意力网络MSANet(Multi-scale Attention Network),以图像分割效果较为出色的U-Net网络为基础,通过全局池化层和设置空洞卷积的采样率,增大网络感受野,捕获多尺度信息,实现对大目标的有效分割;使用通道注意力与空间注意力,在空间维度上建模,有效提取图像深层特征。测试结果表明,改进后的算法与U-Net网络相比,分割的平均交并比提升了1.46%,类别平均像素准确率提升了0.8%,准确率提升了1.17%。

关键词： 视频目标跟踪   核相关滤波   HLS   并行优化   IP核设计  

摘要： 视频目标跟踪一直是计算机视觉领域非常重要的一个研究分支,多种目标跟踪算法都有着非常亮眼的跟踪效果。但为了适应更多应用场景,目标跟踪算法的结构不断复杂化,计算量的增加使跟踪精度高的算法难以保证实时性的要求。针对这一问题,提出了一种基于HLS的目标跟踪IP核设计方法,选用目标跟踪领域经典算法——核相关滤波算法(KCF),通过分析算法原理中的可并行性,从循环和数组两个方面实现算法由串到并的转换,利用高级综合工具(HLS)将优化后算法打包为IP核,充分结合软硬件设计优势,在保证跟踪精度的基础上提高算法运算效率。经验证,目标跟踪IP核的处理速率可达66.7帧/s,满足视频实时跟踪的要求。