关键词： 水上救援   无人机   目标检测   YOLOv8  

摘要： 本论文提出了一种基于YOLOv8的水上救援无人机系统,旨在改善水上救援行动的效率和准确性。该系统利用YOLOv8目标检测算法,能够快速准确地识别水上溺水者;利用北斗卫星导航系统进行遇险人员定位,为救援人员提供位置信息。本文详细介绍了水上救援系统的设计和实施,最后对水上救援无人机进行性能分析。

关键词： 图像处理   Swin Transformer   多尺度特征聚合模块   注意力机制  

摘要： 皮肤病变自动分割对协助医生临床诊断、治疗及术后观察都具有非常重要的意义。现有卷积擅长建立局部相关性但无法捕获像素长程依赖关系,而Tansformer可以建立特征信息的全局依赖关系但会造成局部细节信息丢失。因此,提出了一种融合卷积和Transformer的多尺度自动分割网络。采用ResNet34作为基础编码块,利用其金字塔结构建立病灶的多级局部相关性;采用Swin Transformer模块捕获上下文特征的长程依赖关系,考虑到病灶形状多变、大小不一等情况,提出多尺度特征聚合模块来进一步提取上下文特征多尺度信息;采用具有注意力机制的解码块逐步融合编码块提取到的多级语义信息。实验结果表明,所提模型在ISIC 2017数据集上测试所得的Dice系数分别高达89.55%,FPS高达83,与其他先进模型相比,本模型参数更少、推理速度更快、精度更高。

关键词： 目标检测   道路损伤   YOLOv8   注意力机制   深度学习  

摘要： 道路损伤检测是道路安全及道路损伤及时修复的重要前提。针对现有的道路损伤检测算法存在的精度较低,计算量大等问题,提出了一种基于YOLOv8改进的轻量型道路损伤检测算法。首先,将骨干网络中的C2f模块替换为C2f_FasterNext模块,增强有效特征复用的同时降低计算复杂度;其次,然后在骨干网络末端和颈部网络中引入坐标注意力机制(Coordinate Attention,CA),将位置信息嵌入到通道注意力中,强化特征提取能力,并抑制无关特征的干扰。在开源道路损害数据集RDD20(Road Damage Detection20)上的实验结果表明:所提方法的平均F1得分为0.61,每秒检测帧数(FPS)为88,模型大小为45.5MB,改进算法与原算法相比m AP50分别提高了2%和3.7%,算法检测速度达到88FPS,能够实时准确检测道路损伤目标。通过与其他主流目标检测算法比较,验证了该方法的有效性和优越性。

关键词： 表面缺陷   目标检测   YOLOv5   GSConv   注意力机制  

摘要： 为提高工业环境下焊接件表面缺陷检测精度与检测效率,提出一种改进YOLOv5目标检测模型的焊接件表面缺陷检测算法。首先,改进主干网络中的C3模块,包括引入ConvMixer混合卷积结构及Mish激活函数,并增加Shuffle Attention注意力机制,实现在提高检测精度的同时降低模型复杂度;其次,针对NWD Loss存在的不足加以改进,使其关注更多边界框几何信息;最后,将Neck中的所有标准卷积层更换为GSConv卷积层从而进一步提升网络性能。实验结果表明,改进后网络的mAP达到91.3%,与原始网络相比,提高了4.8%,并且参数量与计算量分别减少21.4%和8.9%,检测帧率达到142.9 f/s。改进模型在提高检测精度的同时降低了结构复杂度,满足工业生产中对于焊接件表面缺陷检测要求。

关键词： 医学图像处理   新医科   教学软件开发  

摘要： 针对“新医科”背景下医学图像处理课程所面临的形势和教学现状,开发了与其教学过程高度契合的医学图像处理教学软件,该教学软件可实现医学图像的线性灰度变换、开窗显示、缩放、旋转、镜像、中值滤波、微分锐化、边缘检测、直方图获取和直方图均衡,并可在一定范围内调节线性灰度变换、开窗显示、缩放、旋转、中值滤波、微分锐化、边缘检测的参数,同时用不同算法实现了医学图像的缩放功能。该教学软件用于包头医学院医学图像处理课程理论与实验教学中,可提高学生学习的主动性和积极性,能强化学生对放射技师考点知识的理解,为后续课程的学习打下坚实基础,最终实现“新医科”背景下包头医学院医学影像技术专业“医工”“、医理”的深度交叉融合。

关键词： 无人机   道路目标检测   YOLOv5   损失函数   卷积注意力模块  

摘要： 针对无人机影像中道路小目标漏检和目标之间遮挡导致的目标检测精度低、鲁棒性差等问题,提出一种多尺度融合卷积注意力模块(Convolutional block attention module,CBAM)的YOLOv5道路目标检测算法,即YOLOv5s-FCC。首先,引入小目标感知层对模型进行多尺度改进,增加一个针对小目标的YOLO检测头以提高网络对道路中小目标的特征提取能力。其次,利用CBAM融合空间和通道信息以增强网络中的重要信息,通过将CBAM引入Backbone主干网络不同位置,以获得CBAM最佳融合位置。最后,采用CIo U作为损失函数,以提高边界框预测所需的计算速度和精度。在自建的无人机道路目标数据集上进行训练,结果表明,相较YOLOv5算法,YOLOv5-FCC算法可将mAP50和mAP50-95分别提高2.0%和4.2%。在VisDrone数据集上也验证了YOLOv5-FCC算法的有效性,并建立了基于无人机的道路目标检测系统,实现道路目标的自动检测。

关键词： 人脸识别   计算机视觉   信息泄漏   云计算   大数据   深度学习   风险应对   人工智能  

摘要： 近年来,随着人工智能、大数据、深度学习、云计算、计算机视觉、芯片等技术的迅速发展,人脸识别技术呈现出飞速发展的态势,人脸识别已深入到“智慧+”场景的各个领域,从智慧城市的建设到智能终端刷脸解锁、刷脸登陆及支付、刷脸乘车等。事情都有其双重性,在享受人脸识别技术所带来的便利与高效的同时,也要承担人脸信息泄漏的风险和后果。本文着重探讨人脸识别技术在智慧校园中的应用、人脸识别技术所涉及的风险和在智慧校园应用场景下的应对措施。

关键词： 模糊C均值聚类   均值漂移   图像分割   船体板   熔化极气体保护焊  

摘要： 熔池的图像处理与特征提取技术是船舶熔化极气体保护焊(gas metal arc welding, GMAW)智能化焊接质量监控的重要内容,针对船体板GMAW焊接过程中的烟雾大、飞溅多等不稳定特性导致熔池图像采集模糊、边缘提取困难等问题,提出一种基于均值漂移(mean shift, MS)优化模糊C均值聚类(fuzzy c-means, FCM)的图像处理算法.在优化设计焊接动态视觉传感系统中,以最大化保证图像信息采集清晰度的基础上,利用MS算法获取超像素图像以解决FCM算法对噪声的敏感性,同时在FCM算法上引入加权邻域窗口,以增强MS-FCM算法的鲁棒性,来克服烟雾、飞溅、弧光等噪声影响,进而完成图像分割与边缘提取.最后,设计出关于FCM、空间约束模糊C均值聚类(fuzzy c-means with spatial constraints, FCM_S)、加强型模糊聚类(enhanced fuzzy c-means, ENFCM)和模糊局部信息C均值聚类(fuzzy local information c-means clustering, FLICM)算法的4种不同图像处理方法,并与MSFCM优化模型进行边缘分割效果对比,获取几种方法所提取的熔宽,验证熔池几何特征的提取精度.结果表明,MS-FCM算法在船舶焊接熔池图像处理方面能有效抑制噪声干扰,平滑信息,达到较高的提取精度.

关键词： 安全工程   飞行区运行   视觉图像   目标检测   定向快速旋转简报(ORB)算法  

摘要： 机场飞行区现使用的场面监视方法存在着定位偏差较大、不稳定、易跳变、皆为点源定位等问题。针对这些问题,设计了基于视觉图像的飞行区监视方法,实现快速准确的目标检测和轮廓定位,使飞行区监视更加稳定精确。提出了一种基于MobileNetV3和YOLOv5的网络模型(以下称为MobileNetV3-YOLOv5),即在YOLOv5的主干中使用MobileNetV3,来提高对目标的检测速度和准确度;提出了一种基于优化特征点提取的改进定向快速旋转简报(Oriented FAST and Rotated BRIEF,ORB)算法,将图像分割成多个区域,分别提取每个区域的特征点,从而提高目标识别框内区域的特征点识别数量,再进行特征点聚类筛选,最后根据识别目标类型采用最小包围盒进行轮廓划分,得到目标的轮廓定位。试验结果表明:MobileNetV3-YOLOv5方法对比原始YOLOv5模型,在识别目标准确率方面提升5百分点,在效率方面提升14张/s;同时在0~60 m的范围内,轮廓估计误差仅为2.9%;体现了所提出的监视方法的有效性,可以提升飞行区监视定位准确性和运行安全性。

关键词： YOLOv5   目标跟踪   Transformer   特征融合   相机移动补偿  

摘要： 针对车载环境下小目标难以识别和相机动态移动造成的目标跟踪精度下降问题,提出一种基于改进YOLOv5与ByteTrack的交通目标跟踪方法.首先,引入Transformer与加权特征金字塔(BiFPN)结构的思想重构YOLOv5检测网络,有效捕获了特征的全局依赖关系,缓解了深层卷积小目标信息丢失问题,改善了车载环境下的目标检测性能.此后,以ByteTrack为基础提出了添加相机移动补偿的CMC-ByteTrack跟踪方法,更精准地描述了视频前后帧的数据关联关系,提高了相机大幅位移时的跟踪精度.实验结果表明,改进YOLOv5的平均检测精度(mAP)达到了82.2%,相比原算法提高了3.9%,与CMC-ByteTrack结合后的跟踪准确性(MOTA)相比改进前的跟踪方法提高了2.8%.