关键词： 深度学习算法   图像处理   图像分类   生成对抗网络   深度学习技术   应用成效   安全监控   自动驾驶  

摘要： 数字化时代,深度学习技术与图像处理的结合日益成为科研与工业应用中的热点。深度学习算法,特别是卷积神经网络(CNN)、生成对抗网络(GAN)等,已经在图像分类、识别及生成等领域显示出了卓越的能力。这些技术不仅提升了图像处理的效率和准确性,也极大地推动了医疗、自动驾驶和安全监控等行业的技术革新。本文旨在详细介绍深度学习算法在图像处理中的具体编程实现及其应用成效,通过系统的分析与实例探讨,展示深度学习技术在现代图像处理中的实际应用和潜在价值。

关键词： 工业自动化   计算机视觉技术   模式识别算法   智慧交通   反射信号   公共安全   军事国防   小目标检测与跟踪  

摘要： 弱小目标检测与跟踪旨在利用模式识别算法、计算机视觉技术以及信号处理技术,对各种传感器捕获的小尺寸目标进行识别、定位及跟踪。在公共安全、工业自动化、智慧交通和军事国防等领域应用广泛。在图像和视频数据中,小目标可能仅占据几十个像素,其视觉结构不清晰,导致可利用信息有限。同样,在雷达信号中,小目标的反射信号可能非常微弱,容易受到杂波和噪声的干扰。

关键词： 光伏组件   深度学习   目标检测   ResNet50   YOLOv5  

摘要： 利用无人机对光伏组件进行故障巡检通常从可见光和红外光两种场景分别处理和检测。该文提出基于残差神经网络ResNet50和改进的YOLOv5故障检测方法,实现对两种影像图像高精度自动分类和故障检测。针对红外数据进行色度变换去除太阳反光而保留热斑,针对可见光数据采用锐化的方式凸显异物、裂痕等小目标,使用不同的YOLOv5目标检测算法实现可见光下小型异物故障和红外光下热斑故障的快速检测和定位。

关键词： 目标检测   深度学习   YOLOv3  

摘要： 文章通过对YOLOv3算法目标检测原理进行深入分析,使用自采数据集道路场景中常见的行人、车辆和红绿灯等数据对算法模型进行训练,通过改变模型输入、过滤无意义目标物,以及调整学习策略,利用较小的训练集和较少的训练轮次获得实时性强、精度较高的目标检测模型。实验表明,改进方法在测试集上平均精度达到71.58%,比传统YOLOv3算法提高1.94%,并且算法检测速度达到70.04 f/s,较优于传统YOLO系列算法。同时将该方法应用于车辆行驶动态数据集,能够实现针对视频中道路目标的实时检测。

关键词： 射线检测   视觉伺服   图像处理   SSA-BP算法   位置补偿  

摘要： 针对当前火箭贮箱焊缝采用工业机器人作为射线检测系统的执行机构,通常按照“示教-再现”进行既定轨迹运动,不能适应小批量多品种的柔性与智能生产线的问题,将伺服机构、图像处理技术与智能机器人相结合,采用基于图像的视觉伺服控制(IBVS)方法反馈当前图像特征信息,与期望图像特征进行对比形成图像特征偏差,再基于SSA-BP的控制方法,将得到的特征误差用于火箭贮箱焊缝检测中的焊缝位置误差补偿,以提高射线检测系统的作业精度。最后通过试验,验证了该方法具有良好的自适应性和鲁棒性。

关键词： 立体视觉图像处理技术   虚拟现实环境   晕动症  

摘要： 立体视觉图像处理技术是虚拟现实(Virtual Reality,VR)中的关键技术,可增强使用者的沉浸感和视觉真实感。本文介绍了立体视觉图像处理的三种主流技术,以及这三种技术在虚拟现实环境中的适用性和有效性,同时对虚拟现实技术面临的晕动症等问题提出了解决的思路和方法,旨在进一步提升用户感知深度,达到更沉浸和更逼真的视觉效果。

关键词： 计算机技术   图形图像处理   图像捕捉  

摘要： 数字化时代,随着信息技术的不断进步和计算能力的飞速提升,计算机图形学与图形图像处理技术在各个领域都发挥着越来越关键的作用,它影响着人们的日常生活、工业生产,以及科学研究的各个层面。本文首先概述了计算机图形学与图形图像处理技术,其次介绍了它的分支技术,最后探讨了它在几个具体领域的应用。研究表明,计算机图形图像处理技术运用在现代工业生产中,不仅能提升生产效率和产品精度,还能大幅度降低生产成本和时间消耗。

关键词： 深度学习   果园采摘   Transformer   注意力机制   RT-DETR  

摘要： 为了解决苹果采摘中目标小,实时性要求高等问题,提出了一种基于RT-DETR的采摘机器人目标检测方法,名为RT-DETR-Faster。首先,采用FasterNet部分卷积替换主干网络的传统卷积,有效提升了模型的运算速度;其次,使用改进的级联注意力编码器替换原始的编码器,使网络更专注于目标区域;最后,引入Faster_Rep融合特征模块,保留更多有效特征并减少计算量。该文在实际的果园图像上进行了实验,结果表明,该文提出的算法与原始的RT-DETR算法相比,FPS提升了34%,帧数达到了47.9,同时准确率更高,适用于苹果采摘机器人的实时目标检测任务。

关键词： 目标检测   OpenCV库   YOLOv5算法  

摘要： 传统的果蔬批发市场收费模型是依靠人力完成的,效率较低。研究提出了基于YOLOv5算法的智能收费系统,将收费模式自动化、智能化。当车辆驶入停车场时,收费模块会记录车辆进场时间并开始计时收费。在车辆离开停车场时,收费模块会记录车辆出场时间并计算车辆的停车费用。根据停车场的收费标准和车辆的停车时间来计算停车费用,并显示在出口处的显示屏上。该系统降低了人力成本,提高了操作效率,为传统行业带来了数字化转型的可能性。