关键词： 食品取向度   MATLAB GUI   系统建立   系统验证   图像处理   激光散斑  

摘要： 具有取向结构的食品在自然界中普遍存在,而食品取向度对食品本身的质构特性和消费者的喜爱度有重大影响。为了定量表征食品取向度,本研究基于MATLAB GUI构建了一种食品取向度检测系统。借助已建立的激光传输成像装置,使用相机捕获样品上的激光散斑,运用MATLAB GUI进行食品取向度检测系统的编程设计,将激光散斑图像经过一系列的计算机视觉操作处理成椭圆拟合图,并计算样品取向度。然后以不同取向程度的面团为例对该系统进行了验证。实验结果表明,检测系统对激光散斑图像识别准确率为96.33%,实际运用效果良好。测得的不同面团取向度排序和显微结构图结果一致。此外,面团的取向度和面筋蛋白横纵长度比之间存在高强度的正相关关系(R=0.99,P<0.05)。建立的食品取向度检测系统具有良好的准确性,能够有效应用于食品取向度的检测。

关键词： 深度学习   遥感图像处理   SAR图像目标识别   神经网络  

摘要： 随着深度学习的不断发展,其应用领域与应用范围也在不断拓展,对人类的生产生活产生了重要影响,并有力推动了遥感图像处理技术的发展,对于提高遥感影像识别和分类精度具有重要意义。遥感图像处理的要求较高,单纯依靠人工处理遥感图像的难度较大。深度学习为遥感图像处理提供了新的思路与方法,解决了遥感识别与分类的问题。基于此,文中分析了遥感图像处理技术现状,探究了深度学习在遥感图像处理中的应用。

关键词： 缺陷检测   焊缝   深度学习   目标检测   轻量化  

摘要： 针对当前深度学习模型在焊缝缺陷检测工作中成本高、速度慢、不易在终端部署应用等问题,提出一种效果良好的轻量级高效模型(lightweight and high-precision optimized detection model,LHODM).首先,搭建新型主干网络并设计超轻量卷积ULConv作为网络基础卷积,降低模型深度,用Depthwise操作生成更多有效冗余特征映射,减少参数与运算量.其次,设计高效轻量级专注模块ELCC,在响应模型轻量化前提下,考虑焊缝缺陷分布特性与成像规律,从水平和垂直两个方向捕获孤立区域关系,结合轻量级上采样算子CARAFE,使模型特征重组时具有更大的感受野,更有效地利用环境周围信息,弥补轻量化造成的精度损失.最后,为提高收敛速度和损失函数效率,设计OS-Io U损失函数,考虑期望回归向量之间的夹角,重新定义惩罚项及相关性,强化距离损失和形状损失关注程度.结果表明,LHODM模型检测准确率和检测速度达到91.62%和63.47帧/s,参数量仅为3.99 M,有效解决了焊缝缺陷检测工作中成本高和速度慢的问题.

关键词： 未成熟青苹果   改进YOLOv3   目标检测   自然场景  

摘要： 为研究适合当前生产实际的苹果自动套袋技术,实现真实环境中未成熟青苹果的精准识别,提出一种基于改进YOLOv3的自然场景中未成熟青苹果图像识别方法。首先,为提高含干扰因素图像中未成熟青苹果识别准确率,基于YOLOv3算法利用残差网络和多尺度特征融合检测小目标的思想,对YOLOv3特征提取网络进行改进与试验验证,利用尺寸为(104,104,128)的特征图代替原尺寸为(13,13,1024)的特征图作为输出,提出改进YOLOv3的未成熟青苹果目标检测模型,通过增大特征提取网络输出特征图尺寸,减小感受野尺寸,提高算法网络对图像中未成熟青苹果的捕捉能力与识别准确率。其次,设计不同算法、不同品种和不同环境下的识别对比试验并对结果进行对比分析。改进YOLOv3在整体数据集上的检测均值平均精确率mAP值和召回率R值分别为92.46%、87.6%,较原YOLOv3分别提高3.22%、14.57%,改进模型性能提升主要体现在检测正确目标数量的能力上;在含光照影响、重叠和遮挡影响图像测试集上改进YOLOv3的mAP值较原YOLOv3分别提高3.58%、2.74%。改进YOLOv3模型对整体数据集和含干扰因素图像测试集的检测准确率较高,检测正确目标的数量较多,抗干扰能力较强。

关键词： 自动驾驶   YOLOv5   MobileNetV3   Adaptive-EIoU-NMS   K-means++  

摘要： 车辆行驶过程中,对前方目标的检测速度和检测精度一直是自动驾驶领域研究的重点.针对现有的目标检测算法模型,在复杂交通环境下,传统模型面对重叠目标容易导致误检和漏检的情况发生,大幅度提高检测精度又会造成计算量过大导致处理速度缓慢,实时性下降的问题.本文提出基于YOLOv5模型的改进算法.首先采用MobileNetV3网络替换原模型中主干网络C3的方案,实现网络仍保持轻量化的同时,提高模型响应速度.其次,提出一种非极大值抑制算法Adaptive-EIoU-NMS来提高重叠目标的识别精度.最后采用K-means++聚类算法替换原有聚类算法,生成更精确的锚框.实验结果表明,改进后的模型平均检测精度达到90.1%,检测速度达到89 f/s.实验结果可以证实,改进后的模型针对复杂场景检测精度和检测速度都有显著提高.

关键词： 多目标跟踪   目标检测   重识别   深层聚合   高斯核   在线实例匹配   卡尔曼滤波  

摘要： 为解决多目标跟踪中联合目标检测和重识别训练时间过长、多分支特征不对齐和目标相互遮挡的身份转换问题,提出一种高效的多目标跟踪算法。在特征提取阶段利用深层聚合网络联合多层次特征,在重识别阶段通过三元组对在线实例匹配损失进行增强,缓解特征不对齐问题。加入高斯核函数对训练样本进行概率扩充,缩短训练时间。利用运动、外观特征与卡尔曼滤波实现高效的在线关联,利用轨迹池暂存丢失的轨迹,提高目标相互遮挡时的跟踪性能。算法在MOT15和MOT17数据集上的准确度分别达到了60.1%与74.2%,MOT17上的FPS也达到21.6 Hz。

关键词： 物联网   智能建筑   图像处理   迁移学习   占用检测   FCTS架构  

摘要： 自COVID-19流行以来,关于物联网环境下室内人员流动监测系统的研究受到了社会的广泛关注。在此背景下,提出了一种基于边缘迁移学习的教室占用检测方法,该方法拓展了图像处理策略,减少了定制的训练阶段。还提出一种基于相机捕获图像的FCTS架构用于室内物体计数。将该系统架构部署在某大学校园内,用于教室占用检测。在不同类型的教室中进行评估测试之后,结果显示:该系统能够计算教室内的人数,且最大平均绝对误差为1.23,证明了该系统的可行性。

关键词： 种质资源   玉米雄穗   目标检测   无人机   可见光影像   YOLO v7-tiny  

摘要： 针对玉米种质资源遗传多样性丰富导致雄穗大小、形态结构及颜色呈现较大差异,无人机搭载可见光传感器相比地面采集图像分辨率低,以及图像中部分雄穗过小、与背景相似度高、被遮挡、相互交错等情况带来的雄穗检测精度低的问题,提出了一种改进YOLO v7-tiny模型的玉米种质资源雄穗检测方法。该方法通过在YOLO v7-tiny中引入SPD-Conv模块和VanillaBlock模块,以及添加ECA-Net模块的方式,增强模型对雄穗特征的提取能力。利用自建的玉米种质资源雄穗数据集,训练并测试改进模型。结果表明,改进YOLO v7-tiny的平均精度均值为94.6%,相比YOLO v7-tiny提升1.5个百分点,相比同等规模的轻量级模型YOLO v5s、YOLO v8s分别提升1.0、3.1个百分点,显著降低了图像中雄穗漏检及背景误检为雄穗的发生,有效减少了单穗误检为多穗和交错状态下雄穗个数误判的情况。改进YOLO v7-tiny模型内存占用量为17.8 MB,推理速度为231 f/s。本文方法在保证模型轻量化的前提下提升了雄穗检测精度,为玉米种质资源雄穗实时、精准检测提供了技术支撑。

关键词： 系统偏差   非高斯噪声   最大相关熵准则   量测差分   卡尔曼滤波  

摘要： 针对传感器存在系统偏差且噪声非高斯条件下目标状态估计精度较差的问题,提出一种有偏量测下基于最大相关熵卡尔曼滤波(Maximum Correntropy Kalman Filter,MCKF)的目标跟踪方法。该方法通过引入差分机制,利用目标相邻时刻的有偏量测之差构建差分量测方程,有效克服了系统偏差的影响。随后基于最大相关熵准则(Maximum Correntropy Criterion,MCC)量化估计误差的高阶矩信息,并以差分量测为先验条件推导出有偏量测下算法的滤波迭代方程。仿真结果表明,当系统观测值受传感器系统偏差和非高斯噪声干扰时,与现有方法相比,所提方法具有更好的跟踪性能。

关键词： 自动驾驶   深度学习   目标检测   异常案例  

摘要： 基于深度学习的视觉感知技术的发展有利于自动驾驶系统中环境感知技术的进步。然而,对于自动驾驶场景中的异常案例,目前的感知模型还存在一些问题。这是因为基于深度学习的感知模型的能力取决于训练数据集的分布。尤其是驾驶场景中的类别从未出现在训练集中,感知系统也往往很脆弱。因此识别未知类别和极端场景仍然是自动驾驶感知技术安全性的挑战。本文从处理数据集的角度出发,提出了一种新颖的多模态异常案例自动挖掘流程(corner case mining pipeline, CCMP)。为验证CCMP的有效性,在Waymo开放数据集的基础上构建了异常案例子集“Waymo-Anomaly”,该子集共有3 200个图像,每个图像都将包含文本中定义的异常案例场景。并且基于私有数据集Waymo-Anomaly,证明了CCMP针对异常案例场景挖掘的召回率可以达到91.7%。此外,还通过实验验证了目标检测器在包含异常案例的数据集中针对长尾分布的有效性。最终,希望从处理数据集的角度来提高自动驾驶感知模型在现实世界中的真实性。