关键词： 人工智能技术   图像处理   天气预报   气象领域   蝴蝶效应   大气运动   短时预报   气候模拟  

摘要： 天气预报一直是一个复杂而充满挑战的领域.由于大气系统是高度非线性,即使极其微小的变化也可能对大气运动产生不可预知的扰动,这种大气中普遍存在的“蝴蝶效应”也正是天气预报的难点所在[1].长期以来,天气预报主要依赖于传统的数值天气预报模型.随着具有非线性学习能力的深度学习技术的崛起,气象领域开始应用人工智能模型.人工智能(artificial intelligence,AI)模型在短时预报、气象图像处理以及气候模拟等在内的多个气象领域的应用均有重要的突破[2,3].

关键词： 目标检测   语义特征   特征增强   八度卷积  

摘要： 针对目标检测算法中图像边缘细节等高频特征提取不充分而导致检测效果较差的问题,提出一种目标检测语义特征增强网络(SFENet)。利用八度卷积构建高频语义特征增强模块,通过调节卷积特征中高低频分量来增强图像高频特征提取,从而捕捉更多的图像边缘细节信息,进一步加强网络对全局语义特征的理解,有效提升目标检测精度。实验结果表明:SFENet在Pascal VOC07+12数据集和自制锥桶数据集上的检测结果与YOLOv4相比,平均精度(mAP)分别提高0.34%和0.37%,适应于自动驾驶和机器视觉领域,可有效应用于中国大学生无人驾驶方程式大赛的环境感知任务(FSAC)。

关键词： 车辆检测   深度学习   损失函数   特征增强   图像处理   神经网络   智能交通  

摘要： 针对现有目标检测在智能交通系统和自动驾驶等领域存在车辆目标检测精度低、鲁棒性较差等问题,提出一种基于YOLOv5的车辆目标检测算法。在YOLOv5s网络模型框架中,添加注意力机制增强特征,提取重要特征;添加小目标检测层提升对遮挡重叠弱小目标识别的准确率;引入金字塔池化(SPPFCSPC),提高网络空间特征提取能力;引入损失函数(SIoU_Loss)加快边界框回归速率,提高定位精度,消除重叠检测。基于自制车辆检测数据集进行实验,其结果表明,改进网络模型与原YOLOv5s网络模型相比,不同目标类的平均准确率均有明显提高,平均准确率均值提升3.25%,查准率提高4.14%,召回率提高3.05%,检测速度满足实时性要求。

关键词： 计算机视觉   服装行业   质量检测  

摘要： 随着经济的快速发展,人们追求高品质的生活理念早已渗透进服装产业,质量控制成为服装行业维护品牌声誉和提高消费者满意度的关键。计算机视觉技术凭借在自动化和精确度方面的优势为服装质量检测提供了新的解决方案。探讨计算机视觉技术在服装质量检测中的应用,能够推动服装产业的高质量发展。

关键词： 动态SLAM   目标检测   光流法   ORB特征点  

摘要： 针对视觉SLAM在真实环境中易受车辆、行人等运动物体影响而导致位姿估计降低的问题,提出一种结合轻量化YOLOv5s的动态视觉SLAM算法,将改进的轻量级YOLOv5s作为目标检测算法用于判断运动物体;结合提出的动态特征点剔除方法,剔除动态特征点,仅采用静态特征点进行位姿估计和地图跟踪。在TUM数据集进行实验,相较于ORB-SLAM3算法,改进后的算法在高动态序列上的位姿估计精度分别提升了89.29%、65.34%、94.42%,结果表明改进后的算法能够有效剔除动态特征点,提高了视觉SLAM算法在动态环境下的位姿估计精度和定位精度。

关键词： 多任务自编码变换   低光照   YOLOX   目标检测   多目标跟踪  

摘要： 针对夜间低光照场景下目标特征提取困难和跟踪不稳定的问题,提出了基于自编码器结构及改进Bytetrack的多目标行人检测及跟踪算法。在检测阶段,基于YOLOX(you only look once X)搭建多任务自编码变换模型框架,以一种自监督的方式考虑物理噪声模型和图像信号处理(image signal processing,ISP)的过程,通过对真实光照退化变换过程进行编码与解码学习内在视觉结构,并基于这种表示通过解码边界框坐标与类实现目标检测任务。为了抑制背景噪声的干扰,在目标解码器颈部网络引入自适应特征融合模块ASFF。跟踪阶段,基于Bytetrack算法进行改进,将基于Tranformer重识别网络提取到的外观嵌入信息与NSA卡尔曼滤波获得的运动信息通过自适应加权的方法完成数据关联,并通过Byte两次匹配的算法完成夜间行人的跟踪。在自建夜间行人检测数据集上测试检测模型的泛化能力,mAP@0.5达到了94.9%,结果表明本文的退化变换过程符合现实条件,具有良好的泛化能力。最后通过自建夜间行人跟踪数据集验证多目标跟踪性能,实验结果表明,本文提出的夜间低光照行人多目标跟踪算法MOTA(multiple object tracking accuracy)为89.55%,IDF1(identity F1 score)为88.34%,IDs(ID switches)为15。与基准方法Bytetrack相比,MOTA提高了10.72%,IDF1提高了6.19%,IDs减少了50%。结果表明,本文提出的基于自编码结构及改进Bytetrack的多目标跟踪算法可以有效解决在夜间低光照场景下行人跟踪困难的问题。

关键词： 大千字库   智能化构建   目标检测   图像分割   图像矢量化  

摘要： 针对当前整理张大千书法为字库过程中过度依赖手工标记而采用数字化技术不足的问题,该文提出一种智能化的字库构建方法.该方法首先利用具备多尺度特征提取能力的深度学习目标检测算法YOLOv3,实现对相关书法作品中多种尺寸文字图像的自动检测、定位与采集.其次,利用具有U型结构编解码器的深度学习图像分割算法U-Net,实现对背景纹理自相似文字图像中笔画前景细节的有效分离.随后,利用图像矢量化技术实现文字图像的数字化转换.最终结合字体编辑软件FontForge实现包含1893个文字的大千字库的构建,为张大千书法研究提供进一步的数字化支撑.

关键词： 深度学习   图像处理   绿色建筑节能  

摘要： 针对绿色建筑节能领域中的能耗优化问题,提出了一种基于深度学习与图像处理的节能系统。系统通过实现对建筑环境的实时数据采集,利用深度学习模型,结合卷积神经网络对采集的图像和环境数据进行深入分析,提取关键特征,并预测建筑能耗。系统还引入了Dropout技术以提高模型的泛化能力,防止过拟合。实验结果表明,该系统能够有效识别节能潜在区域,提高了能耗预测的准确性和系统的响应速度,为建筑节能管理提供了有力的技术支持。

关键词： 遥感图像目标检测   多尺度特征融合   坐标注意力机制   Swin Transformer  

摘要： 针对遥感图像目标检测方法中存在的特征提取不充分、语义信息表达能力弱、小目标检测准确率低和定位不准确的问题,提出了一种基于YOLOv5和Swin Transformer的改进策略。实验结果表明,与传统方法以及其他改进策略方法相比,文中的方法在公共数据集DOTA和自建数据集SkyView上均表现出更高的检测准确率,性能优势显著。

关键词： YOLOv5   梯标检测   目标检测   基于拆分的卷积  

摘要： 对于印刷行业而言,确保每本书的页码、页面正确排序是提高印刷厂生产率的重点。为了解决目前印刷厂对于图书梯标的检测存在漏检、误检的问题,提出了一种改进YOLOv5的梯标检测算法。该算法增加一个检测尺度以解决漏检问题和提高梯标的识别精度,将主干网络中的C3数量减少,使用深度可分离卷积替代颈部网络中的部分卷积,在能够保证精度稳定的同时降低模型的参数量和计算量;使用SPConv替换Resunit结构里的Conv,形成SPConv-C3结构,SPConv-C3结构不仅能够降低模型的参数量,还能提升网络对图书梯标的检测精度;根据深度可分离卷积和SPConv-C3结构设计特征融合网络结构,能够大幅度提升网络模型的特征融合能力。将所改进的检测算法在自建数据集上进行验证,结果表明,改进后的算法Pm,A@0.5∶0.95达到了64.7%,比原YOLOv5s提高7.5百分点,参数量下降了3.16%,能够满足实际需求。