关键词： 目标检测   YOLOv5   卷积神经网络   特征信息   分类回归   解耦头   EIoU损失函数  

摘要： 水下检测由于背景复杂、光线暗淡、目标遮挡重叠等问题导致检测精度较低,提出一种CoT-YOLO水下目标检测算法提高检测精度。使用YOLOv5s作为基础模型,构建注重上下文信息的卷积神经网络,充分利用特征信息,增强全局特征表达能力,解决模型漏检、误检问题;改用解耦头,加快收敛速度;增添新的检测层并重获先验框,增强模型对小目标的检测能力,提高水下小目标检测效果;采用EIoU损失函数提高目标边界框的定位与回归。实验结果表明,改进后算法精确度达到77.9%,相较于基线提升了3.7%,mAP提升了5.2%,验证了该方法的有效性。

关键词： 自适应光学   非共光路静态像差检测   图像处理   随机并行梯度下降算法  

摘要： 非共光路静态及准静态像差是限制大型地基天文望远镜高分辨力高对比度成像的关键因素,该静态像差不能被望远镜自适应光学(AO)系统波前传感器探测且严重影响成像性能。传统非共光路静态像差检测方法存在计算量大、复杂度高、迭代收敛慢、像差符号模糊性等问题。基于焦面畸变图像,建立了AO系统波前传感器残余像差约束的成像光路静态像差检测模型,开展了相关实验,使用随机并行梯度下降(SPGD)迭代算法对静态像差进行离线检测。实验结果表明,该方法在成像光路静态像差检测中的精度较高,且在不同噪声影响下的鲁棒性与稳定性较好。该研究结果为大型地基自适应光学望远镜成像光路静态像差检测提供了新思路,并为后续系统静态像差补偿与校正提供了理论依据与算法指导。

关键词： 人工智能   计算机视觉   自动检测   设备智能化   采集分析   二次接线   智能评判   检测与识别  

摘要： 随着数字化科技的快速发展,人工智能技术正在广泛应用于各个领域,电力系统也不例外。计算机视觉检测与识别技术是人工智能领域中的重要组成部分,可以通过图像的采集分析以及处理整合,实现电力设备智能化与集成化发展的目的。本文针对人工智能和计算机检测与识别的概念以及内容进行分析,结合计算机技术发展现状,探讨其在电力二次接线工艺的非接触式自动检测与智能评判中的应用。

关键词： YOLOv5s算法   目标检测   Ghost模块   BoT3模块   GFLOPs  

摘要： 针对现有的煤炭烟火检测方法精确度低、参数量大、算法复杂度高等问题,提出了一种基于GBS-YOLOv5s的煤矿烟火检测算法。使用Ghost卷积模块实现特征提取,在原始算法上加入Ghost Bottleneck模块来减少模型参数量。其次,通过在SPPF模块后面加入全局上下文特征提取BoT3模块,增加对小目标的检测效果。最后,引入一种新的Soft-NMS算法,降低这些边界框的置信度,提升召回率,减少重叠目标的漏检。实验结果表明:GBS-YOLOv5s目标检测算法优于YOLOv5s算法,准确率提升了3.3%,每秒的浮点运算数GFLOPs减少了7.6 G,可以满足煤矿场景下对模型检测的要求。

关键词： 动物   目标检测   多目标跟踪   数据关联   遮挡   羔羊活动量  

摘要： 为评价母羊繁殖性能并及时发现分娩栏中的弱活力羔羊,该研究提出一种基于状态向量增强ByteTrack的新生羔羊活动量自动计算方法。针对传统ByteTrack算法在跟踪目标被遮挡时易发生身份切换的问题,引入置信度信息增强的状态向量,提高跟踪算法区分遮挡与被遮挡羔羊的能力。针对跟踪目标丢失导致轨迹预测不准确的问题,构建目标丢失期间的虚拟轨迹并重更新轨迹状态向量,以纠正轨迹误差。在获取各羔羊活动轨迹后,计算各羔羊帧间移动距离统计羔羊活动量。在江苏海门山羊研发中心采集的新生羔羊活动视频数据集上,测试状态向量增强的ByteTrack多目标跟踪算法性能。测试结果表明,研究提出的多目标跟踪方法在高阶跟踪精度、多目标跟踪精度、多目标跟踪准确度、IDF1得分上分别达到80.8%、86.1%、84.5%和92.2%,相较于现有算法的最高精度,分别提高2.7、0.2、2.3和3.9个百分点。该研究所提方法能够实现同窝多只新生羔羊的稳定跟踪,为新生羔羊活动量的自动计算、母羊繁殖性能的自动评估提供技术支撑。

关键词： 计算机视觉   关键点   智能提取   特征   人脸  

摘要： 为了提高人脸关键点特征提取的精度,文章引入了计算机视觉技术,以开展人脸关键点特征智能提取方法研究。通过背景去噪、图像灰度处理,完成人脸图像的预处理;构建残差网络,对遮挡图像进行智能修复;结合计算机视觉,实现对多人脸关键点特征识别与提取。通过对比实验证明,新提取方法提取结果的F1分数最大,提取精度最高。

关键词： 图像处理   深度学习   图注意力机制   邻域点  

摘要： 基于PointNet++网络的三维点云感知方法能够通过提取目标的几何特征信息来对目标进行分类。虽然PointNet++网络能够提取到点云数据的局部特征,但未考虑点与其邻域点之间的关系,因此一旦缺失一个点的局部特征,网络的性能会受到较大的影响。针对这一问题,该文提出一种基于图注意力机制(graphic attention mecahnism)的新网络架构GA-PointNet++。模型利用图注意力机制在点与其邻域点之间分配注意力系数,完成点云局部特征的提取。在分类实验中,该文在ModelNet40数据集上的实验结果表明,提出的GA-PointNet++模型最终的平均分类准确率达到了88.8%,总体准确率达到了91.3%。相较于PointNet++基线模型总体准确率提高1.1百分点,验证了GA-PointNet++在分类任务中的有效性。

关键词： YOLOv5   遥感图像   目标检测   注意力机制  

摘要： 遥感图像存在着目标特征不明显、背景信息复杂、检测效率低下等问题。针对这些问题,本文提出了一种改进的SA-YOLOv5s遥感图像检测算法,将注意力模块ShuffleAttention加入YOLOv5骨干特征提取和颈特征融合网络的卷积块中,并在公开的RSOD遥感图像数据集上进行了实验。实验结果表明,改进后的算法平均精度为96.2%,较原有的YOLOv5s算法提升了1.1%。

关键词： 计算机视觉   噪声源识别   声学特性分析  

摘要： 在现代社会,噪声污染已成为影响人类健康和生活质量的主要环境问题之一。计算机视觉作为一门利用计算机和算法解读视觉信息的科学,已广泛应用于图像处理、对象识别及场景解析等领域。在声学领域,结合计算机视觉可以实现对噪声源的视觉识别。首先介绍噪声源识别和声学特性分析的概念,其次详细阐述基于计算机视觉的噪声源识别过程和声学特性的综合分析方法,最后进行实验分析。