关键词： 目标检测   轻量化   注意力特征融合   注意力机制  

摘要： 针对YOLOv5s基准模型参数量大、特征尺度差异化等问题,提出基于高效卷积注意力特征融合的轻量级目标检测模型.首先,构建基于幻影操作的轻量化特征提取模块,在保证检测精度接近原模型的前提下,提高模型的实时性.其次,优化通道注意力和空间注意力模块,提出基于高效卷积的注意力特征融合模块,并设计兼具检测精度与实时性的轻量级目标检测模型.在具有不同复杂道路场景的数据集BDD100K上开展实验.结果表明,相较于基准模型,所提模型的检测精度和推理速度均得到提升,其中全类平均检测精度提升了1.4%,帧率提升了28.2%.相较于当前行业应用中主流的深度学习模型,所提模型在精度与速度的均衡性上表现出显著优势.

关键词： 目标检测   MobileNet   SSD算法   缺陷检测  

摘要： 为能够更为高效地检测工件表面加工缺陷,提出了一种MobileNetV3-SSD目标检测算法,它能够有效实现工件表面缺陷检测。此算法通过改进SSD的骨架网络为MobileNetV3-Large,有效减少网络参数量和计算量,通过结合自底向上的特征金字塔网络的改进算法,使网络能够捕捉不同尺度和形状的目标信息,将语义分割辅助任务与多层特征融合相结合,进一步提升检测性能。使用PASCAL VOC数据集和Kolektor工业缺陷数据集验证该算法,在PASCAL VOC数据集上的mAP达到77.3%,较SSD算法提高0.4%,在Kolektor数据集上的FPS达到了105,较SSD算法提高112%。验证了MobileNetV3-SSD算法相较于传统SSD网络,具有更好的检测精度和检测速度。

关键词： 激光技术   图像处理   历史建筑保护   平立剖图  

摘要： 为了更好地将即时定位与地图构建(SLAM)3维激光扫描技术应用在历史建筑保护中,实现利用3维点云模型对历史建筑进行数字化保护,以云南白族历史建筑为研究对象,采用了SLAM 3维激光扫描技术获取历史建筑高精度点云模型,该技术不仅能快速地完成数据采集工作、提高历史建筑数字化保护工作的效率,还可以形成历史建筑丰富的数字化成果;通过对实验区数据的理论分析和实验验证,证明了SLAM 3维激光扫描技术在历史建筑数字化保护中的可行性。结果表明,距离中误差为0.004 m,点位中误差为0.037 m和0.021 m;SLAM 3维激光扫描技术能够快速、准确地完成历史建筑数据采集过程并形成高精度点云模型,基于该模型提取的平立剖面图能够达到相关规范精度要求。该研究为历史建筑数字化保护提供了一种新的思路和方法,有望在未来的应用中发挥更为积极的作用。

关键词： 小目标检测   特征提取   特征融合   多尺度特征   边界框回归损失函数  

摘要： 为了从小目标有限特征中获取关键的有效信息,提升小目标的定位能力和检测精度,文中提出窗口锚定的偏移受限动态蛇形卷积网络航拍小目标检测方法.首先,构造偏移受限动态蛇形卷积,在不同方位动态偏移,受限蛇形卷积核自适应地关注不同大小和形状的特征区域,使特征提取聚焦于微小局部结构,促进小目标特征的捕获.然后,采用双阶段多尺度特征融合方法,对不同层阶特征图进行特征对齐、融合和注入,增强底层细节信息与高层语义信息的融合,并强化不同尺寸目标信息传输,提高小目标的检测能力.与此同时,设计窗口锚定的边界框回归损失函数,基于辅助边界框和最小点距离进行边界回归,获得准确的回归结果,提高小目标的定位能力.最后,在3个航拍数据集上的实验表明,文中方法对小目标的检测性能有不同程度的改善和提高.

关键词： 单目3D目标检测   高深约束   边缘融合   多尺度特征   注意力机制  

摘要： 单目3D目标检测旨在通过单目图像完成3D目标检测,现有的单目3D目标检测算法大多基于经典的2D目标检测算法。针对单目3D目标检测算法中通过直接回归的实例深度估计不准,导致检测精度较差的问题,提出了一种基于高深约束与边缘特征融合的单目3D目标检测算法。在实例深度估计方法上采用几何投影关系下的实例3D高度与2D高度计算高深约束,将实例深度的预测转化为对目标的2D高度以及3D高度的预测;针对单目图像存在图像边缘截断目标,采用基于深度可分离卷积的边缘融合模块来加强对边缘目标的特征提取;对于图像中目标的远近造成的目标多尺度问题,设计了基于空洞卷积的多尺度混合注意力模块,增强了对最高层特征图的多尺度特征提取。实验结果表明,所提方法在KITTI数据集上的汽车类别检测精度相比基准模型提升了7.11%,优于当前的方法。

关键词： 人工智能   医学教育   外科领域   机器学习   自然语言处理   人工神经网络   计算机视觉  

摘要： 在高等教育中,人工智能和虚拟现实等前沿教育技术被广泛应用于开发虚拟学习资源。因此,人工智能(artificial intelligence,AI)在临床实践中的应用被认为是医学教育中一个很有前景的扩展领域。AI能够基于学习者的表现数据和个性化需求,定制教育路径和提供精准的学习建议。这种个性化的支持不仅增强了教育效果,还可以帮助医师快速地掌握复杂的临床技能和决策能力。AI的4个关键组成部分是机器学习、自然语言处理、人工神经网络和视觉处理,每个部分都在外科学教育中具有潜在的应用前景。在一个医患关系紧张、医学生源相对饱和及手术机会减少的时代,AI还能够分析大量的临床数据,预测患者的康复路径和可能的并发症,为医疗团队提供决策支持。通过优化资源利用和流程管理,AI还有助于降低医疗成本,提供更经济高效的医疗护理服务。文章阐述了目前AI技术的应用及其在促进外科学教育方面的前景。

关键词： 高光谱   异常检测   目标检测   背景污染   协同表示   双层结构  

摘要： 在高光谱目标检测领域,基于协同表示的算法展现出优异的性能,但其一直存在异常点对背景字典的污染问题,这一定程度上影响了算法的检测性能。本文提出了一种改进的协同表示高光谱异常检测算法,设计了双层协同表示结构,首先利用第一层协同表示算法将大部分异常点检出,并用其邻域进行背景纯化,剔除已检出的异常点对背景字典的污染,然后用纯化的背景字典来预测背景,进而在第二层采用协同表示进行异常检测。仿真试验表明,通过简单的双层协同表示结构可以有效地减轻异常点对背景污染的问题。该算法的检测性能相对基础的协同表示算法有显著的提升,与现有的算法对比,具有相对较好的检测效果。

关键词： GrabCut算子   分水岭算法   高斯混合模型   计算机视觉   Canny边缘检测  

摘要： 无人机影像裂缝提取是近年来研究的热点问题之一。针对无人机影像强边缘信息干扰问题,本文提出了一种基于GrabCut算子的裂缝识别方法。该方法首先运用GrabCut算子提取保留裂缝的前景路面,然后运用去噪、边缘检测和双阈值轮廓识别方法探测路面裂缝。这种裂缝识别方法较好地排除了大量伪边缘信息和次生噪声干扰,实现了高分辨率无人机影像裂缝自动识别。试验结果表明,基于GrabCut算子的路面提取方法优于颜色特征提取算法和分水岭算法,适用于复杂场景路面提取,具有较高的普适性;同时,该方法可以快速获取裂缝信息,检测尺度可以人为控制,易于实现多尺度裂缝信息识别。研究结果可应用于路面裂缝定位识别、线性路面设施检测及路面灾害性评估等领域。

关键词： 农产品品质   无损检测   声学   光谱学   计算机视觉   生物传感器  

摘要： 农产品品质检测是确保农产品质量安全的重要保障。用于检测农产品品质的常规方法是费力、耗时、繁琐并且具有破坏性的。农产品品质无损检测方法的广泛研究和应用,改善了常规评估技术的局限性,可以在不破坏样品的情况下获得定量和定性数据。农产品品质无损检测方法发展非常迅速,其中包括基于声学特性、基于光谱学特性、基于计算机视觉和基于生物传感器的检测技术,全文讨论和总结了农产品品质无损检测的典型技术,阐述了这些技术的最新进展,并阐明了使用无损检测方法评估农产品品质的未来趋势。

关键词： 目标检测   深度学习   嵌入式设备   轻量级网络   RepYOLO   小麦穗  

摘要： 提出了一种轻量级深度学习网络模型RepYOLO算法,并将其移植到嵌入式设备MCU/MPU中。该网络模型RepYOLO以YOLOv4为基础网络模型,通过改进YOLOv4的主干网络CSPDarkNet为RepBlock结构、在Neck层中引入CBAM注意力机制以及在Head层替换anchor-based检测头为anchor-free检测头并加入ATSS算法减小计算量、提高推理速度和检测精度。结果表明,与原YOLOv4模型相比,网络模型RepYOLO在小麦穗检测上表现出更显著的优势,其精度率、召回率、F1值和平均精度均值分别提高了4.7、3.6、1.5、1.7个百分点;此外,RepYOLO在嵌入式设备MCU/MPU上的推理时间分别降低了37.03%和41.44%。