关键词： 囊型包虫病   深度学习   目标检测   YOLOv7   ECIoU   GhostNet  

摘要： 目的:提出一种基于YOLOv7用于检测肝囊型包虫病超声图像小病灶的方法。方法:首先用轻量级特征提取主干网络GhostNet替换原特征提取主干,降低模型总参数量;其次为改善YOLOv7网络的评价指标CIoU在作为损失函数时,检测精度较低的问题,用更优的ECIoU替换CIoU,进一步提高模型检测精度。结果:在自建的肝囊型包虫病超声图像小病灶数据集上进行训练,结果显示改进后的模型大小为59.4 G,mAP@0.5检测精度为88.1%,相比原始的模型性能得到提升,并超过其余主流检测方法。结论:本文模型能更高效地检测并分类肝囊型包虫病超声图像中的病灶位置和类别。

关键词： 图像挖掘   关联规则   图像处理   数据挖掘技术   现代化技术手段   决策支持   场景设置   目标跟踪  

摘要： 随着数据挖掘技术的发展,针对海量图像试验数据研制的分析挖掘系统不断精进,本文针对测试要求的小目标,阐述了图像处理、目标检测、目标跟踪三大关键环节的技术原理,并就目前研究方法与现状进行考察,通过对小目标物体的运动本质特征提取的需求论证,展望特征之间的关联规则及时空关系的应用模式,以此进行决策支持,得出小目标的分析挖掘技术对未来设备试验有效评价的应用前景。近年来,在设备试验中,对仿真条件的要求越来越高。在现代化技术手段与实际需求的探索结合中,先后构建了多种任务条件,包括光电、目标、电磁等多项指标在内的复杂环境,完成了试验背景、高仿目标等多方面的场景设置,模拟了设备使用过程中可能遇到的多种情况,是对设备训练评估系统的稳定性、有效性和环境适应性等特性的全方位提升。

关键词： YOLOv8   卷积神经网络   蟹味菇   目标检测   CBAM  

摘要： 针对蟹味菇生产过程中更好地预估产量,对生长状态做到实时检测的问题,提出了一种基于改进YOLOv8卷积神经网络的蟹味菇识别检测方法。该方法参照PASCAL VOC数据集格式,构建了蟹味菇目标检测数据集,采用添加CBAM注意力机制对原算法进行改进,并且与Faster R-CNN、SSD(single shot multibox detector)、原始YOLOv8等算法进行模型性能的试验对比。试验结果表明,改进的算法明显优于其他算法,其在测试集上的平均精度均值(mean average precision,mAP)和检测速度分别达到95%和91帧/s。此检测精度与检测时间满足蟹味菇的实时识别检测任务,为预估蟹味菇产量,提高生产管理水平提供了理论技术支持。

关键词： 深度学习   目标检测   YOLOv5  

摘要： 针对现有的深度学习车辆目标检测算法检测效率和检测精度不高的问题,提出了基于YOLOv5模型的VOD-YOLOv5(Vehicle Object Detection-YOLOv5)的车辆目标检测算法。采用新型的轻量级卷积神经模块(c3f)提升网络的特征提取能力;引入Coord Conv代替原模型中的普通卷积模块增强对位置信息的感知能力;融入空间和通道融合的注意力机制Shuffle Attention,提升对模糊图像中小目标的检测精度。在UA-DETRAC车辆检测数据集上的实验结果表明,和原YOLOv5模型相比,VOD-YOLOv5模型的平均准确率均值(mean Average Precision,mAP)约提升了3.42%,对不同目标类检测的平均准确率(Average Precision,AP)均有提升,且检测速度满足实时性需求。

关键词： 运动目标控制与自动追踪   云台   计算机视觉   树莓派   STM32F103RB  

摘要： 随着人工智能、计算机视觉等技术的不断发展,运动目标控制与自动追踪系统的应用前景愈加广阔。本文采用两路步进电机叠加构成云台代替传统的舵机,使激光点不仅转动的角度精确,还保障系统的稳定性。本文的追踪系统通过STM32F103RB单片机芯片控制步进电机运动,实现运动目标控制,树莓派配合摄像头为系统提供视觉功能以实现对目标的追踪定位。本文对视觉转换测角算法以及步进电机驱动器放大电流控制云台的转动角度进行激光瞄准的几何定位方法进行理论推导,并通过该系统进行实验验证,其追踪精度极高。实验结果表明本文所设计的运动目标控制和自动追踪系统能有效实现定位和自动追踪。

关键词： 忆阻神经网络   图像处理   FPGA   MATLAB  

摘要： 基于忆阻器的高集成度和非易失性等特点,本文将忆阻器应用于传统神经网络模型中,对原有的脉冲耦合神经网络进行创新,将两个忆阻元件反向并联替代神经网络连接权值,形成忆阻神经网络。同时利用忆阻神经网络可对图片实现边缘检测的特性,将边缘检测结果图与FPGA结合,通过串口通信,SDRAM存储,TFT显示等模块,使用Verilog语言对各个硬件模块进行描述,最后成功在TFT显示屏上显示出结果图。

关键词： 指针式仪表   深度学习   目标检测   实例分割   读数识别  

摘要： 变电站指针式仪表外观样式繁多,现有的方法只能对一个或两个指针的仪表或某种功能的仪表进行常规读数,无法同时支持两个以上表盘、两个以上指针、多种功能仪表的读数。基于以上问题,提出一种基于深度学习的通用指针式仪表读数识别方法。首先使用YOLOv5目标检测方法构建指针式仪表表盘检测模型,定位表盘位置。然后进一步在表盘中使用Mask R-CNN实例分割方法构建指针分割模型,识别指针mask区域。构建标定工具对表盘信息进行标定,将参数传递给读数识别模块。同时构建预置位纠偏算法,当预置位存在偏移时进行矫正,保证标定的信息与表盘位置保持对应。开发了指针式仪表通用读数识别模块,可对多指针、多表盘的情况进行遍历,实现任意类型指针仪表的读数识别。

关键词： 目标检测   卷积神经网络   Transformer   双模态   特征融合   红外   可见光  

摘要： 针对单模态目标检测的不足,提出了一种基于CNN-Transformer双模态特征融合的目标检测算法。在YOLOv5的基础上,构建了一个可以同时输入红外和可见光图像的双流特征提取网络;然后,分别提出了基于卷积神经网络结构的红外特征提取主干网络和基于Transformer结构的可见光特征提取主干网络,以提升对红外和可见光图像的特征提取能力;最后,按照中期融合的思想,设计了双模态特征融合模块,对两个分支对应尺度的双模态特征信息进行有效融合,实现跨模态信息互补。在数据集上对所提算法进行验证,实验结果表明,该算法在KAIST数据集上对双模态图像进行检测的结果,较基准算法单独检测红外图像和可见光图像,精度分别提升了5.7%和17.4%;在FLIR数据集上较基准算法,检测精度分别提升了11.6%和17.1%;在自建GIR数据集上,所提算法的检测精度也有明显提升。此外,该算法还可以单独处理红外或可见光图像,且检测精度较基准算法均有明显提升。

关键词： YOLOv4   目标检测   MobileNetv1   ECA注意力机制   Focal-EIOU  

摘要： 针对骑手在骑行时是否佩戴头盔对交通安全的影响问题,提出了一种改进的YOLOv4算法,能够更准确地识别和检测骑手是否佩戴头盔,从而为骑手提供安全保障。首先,选择轻量级网络MobileNetv1作为主干特征网络,并将YOLOv4网络中尺寸为3×3、步长为1的标准卷积层均替换为深度可分离卷积,减少模型计算量的同时提升检测速度;其次,引入ECA注意力机制,关注重点特征并抑制非必要特征,增加特征网络表现力;最后,引入改进的损失函数Focal-EIOU,改善常见的样本不均衡问题。实验结果表明:改进的YOLOv4算法生成的模型权重大小为48.43 M,是YOLOv4算法权重大小的19.3%,检测速度由33.40帧/秒提升至50.40帧/秒,mAP值为95.56%,在满足精确性的前提下更有利于轻量化部署。

关键词： 光学遥感   舰船检测   PQFT算法   视觉显著性   EfficientNetV2  

摘要： 随着光学遥感图像分辨率逐渐提高,对海面舰船目标快速精准检测成为海事研究的基本挑战之一。为了解决检测过程中面临的待检测图像尺寸大而目标稀疏、复杂环境干扰、目标提取时效性差、模型体积计算量大等问题,提出一种实用的舰船检测方案。引入视觉显著性有效加速预筛选过程,利用小波分解系数表达舰船目标区域与背景的差异,抑制噪声的同时增强目标方向特征,通过改进的四元数傅里叶变换相位谱模型(phase spectrum of quaternion Fourier transform,PQFT)生成显著图,并采用Gini指数引导多尺度显著图融合以增强图像尺度适应性及小目标显著性。与其他显著性方法相比,提出的模型能够有效抑制云、雾、海杂波、舰船尾迹等复杂环境的干扰,与经典的滑动窗口或其他区域建议方法相比产生更小的候选区域集合。得到显著图映射后,采用自适应阈值OTSU法对显著图进行二值分割。在目标判别阶段,利用轻量化网络EfficientNetV2有效剔除虚警。实验结果表明,所提出的船舶检测方法鲁棒性高,准确率高达96%,满足实时性需求。