关键词： 仿生动态信号   目标检测   航拍视频   卷积神经网络  

摘要： 现有主流航拍车辆检测算法均针对传统视频设计,但传统视频数据量巨大且存在信息冗余,这些缺点导致现有算法过于复杂且计算量大,运行效率低。提出基于仿生动态信号的航拍车辆检测算法,将整体检测系统拆分为候选目标定位模块与目标检测模块。候选目标定位模块以单个动态事件为输入,结合一定时空邻域内的局部动态事件群,快速定位候选目标。目标检测模块对传统ResNet结构进行改进,提出加入特征融合的M-ResNet以保护浅层特征。此外,制作了时长为25 s,含有295633872个动态事件的车辆事件数据集,通过该数据集验证该文提出算法可快速精准地检测出场景内的车辆。

关键词： 深度学习   目标检测   特征融合   注意力机制   安全帽识别  

摘要： 针对安全帽佩戴检测任务中的小目标密集导致的遮挡和难以检测等问题,提出了一种基于YOLOX和transformer的安全帽佩戴检测算法。首先使用融合了CNN和transformer的网络swin Csp进行特征提取,提升模型获取全局上下文信息的性能;然后采用简化的重复加权双向特征金字塔网络BiFPN,使算法更好地融合不同尺度的特征;最后在neck和YOLO head的连接部分加入CBAM注意力机制,加强安全帽特征与位置信息的关联程度,进一步增强网络的性能和鲁棒性。基于SHWD数据集进行实验,结果表明,算法在hat类上提高了0.99%的精度,在两种类型的召回率上分别有3.16%和1.7%的提升,在mAP方面则有1.79%的提升,有效实现了快速且精度较高的安全帽佩戴检测。

关键词： 数据融合   目标跟踪   时间配准   平方根无迹卡尔曼滤波  

摘要： 针对无迹卡尔曼滤波算法在滤波迭代过程中可能存在状态协方差矩阵非正定情况,导致跟踪误差较大甚至滤波易发散等问题,对无迹卡尔曼滤波算法进行了改进设计。在滤波迭代过程中对状态协方差矩阵进行QR分解和Cholesky分解,通过分解后的协方差平方根矩阵来进行滤波迭代,从而保证状态协方差矩阵的正定性,并利用加权最小二乘法进行量测数据同步融合。为验证改进算法的有效性,设计了雷达红外联合跟踪系统数据融合仿真测试实验,并与传统无迹卡尔曼滤波算法进行了比较。仿真实验结果表明:改进算法能够有效抑制跟踪误差、提升目标跟踪系统的鲁棒性,可应用于防空武器系统多传感器航迹信息融合系统设计。

关键词： 胸椎   腰椎   脊柱骨折   骨质疏松   图像处理   计算机辅助   综述文献  

摘要： 骨质疏松性椎体骨折(OVF)约占全部骨折的50%[1]。初发椎体骨折可称为哨兵骨折,是骨质量严重下降的标志,患者初发椎体骨折后再骨折的发生率为27.4%~38.0%[2-3]。椎体再骨折不仅增加了骨质疏松症患者的致残率和死亡风险[4],还给家庭和社会带来了巨大的经济负担。骨密度(BMD)下降是OVF及椎体再骨折发生的独立危险因素[5-6]。BMD评估在OVF的预防和诊疗中具有重要意义。目前最常用的BMD测量技术包括双能X线吸收法(DXA)和定量CT扫描技术(QCT),DXA易受脊柱退行性变的影响而不够精确,QCT易受设备及软件的限制而无法普及。

关键词： 注意力机制   特征金字塔   特征重用   特征融合   特征层信息  

摘要： 针对ResNet50和FPN结构无法将浅层的细节信息和深层的语义信息充分融合利用等问题,提出了一种改进ResNet50和FPN结构的算法,在ResNet50网络结构不同层次中引入了改进的通道和空间注意力模块,充分利用不同特征层的细节信息和语义信息。此外,在FPN结构中,为了能让浅层特征层更好的利用深层特征层的语义信息,在FPN自上而下的路径中,不同特征层之间增加了旁路来加强特征的重用。实验结果表明,在MS COCO数据集训练以后在PASCAL VOC 2012测试的均值平均精度(mAP)达到了83.2%,提升了2.7%,在MS COCO数据集上的mAP提升了1.5%,具有不错的检测性能。

关键词： Transformer   深度学习   注意力机制   计算机视觉   低级视觉任务  

摘要： Transformer是一种革命性的神经网络模型架构,最初为自然语言处理而设计,但其由于卓越的性能,在计算机视觉领域获得了广泛的应用。虽然关于Transformer在自然语言处理领域的应用有大量的研究和文献,但针对低级视觉任务的综述相对匮乏。简要介绍了Transformer的原理并分析归纳了几种变体。在低级视觉任务的应用方面,将重点放在图像恢复、图像增强和图像生成这三个关键领域。通过详细分析不同模型在这些任务中的表现,探讨了它们在常用数据集上的性能差异。对Transformer在低级视觉领域的发展趋势进行了总结和展望,提出了未来的研究方向,以进一步推动Transformer在低级视觉任务中的创新和发展。这一领域的迅猛发展将为计算机视觉和图像处理领域带来更多的突破,为实际应用提供更加强大和高效的解决方案。

关键词： 精矿品位预测   浮选泡沫   图像处理   计算机视觉   深度学习  

摘要： 随着人工智能技术在矿业生产的广泛应用,利用计算机视觉技术提高精矿品位预测的准确性和效率已成为必然趋势。在综述了传统图像处理算法和深度学习算法在精矿品位预测中的应用与发展历程基础上,并探讨了未来的发展趋势和挑战。传统图像处理技术通过提取泡沫图像的尺寸、颜色、纹理和流速等特征,结合分水岭分割、颜色矩、灰度共生矩阵和局部点特征匹配等算法进行特征提取。这些特征在计算资源有限的场景中具有一定的应用价值,但在应对精矿品位预测任务时精度较低。深度学习技术通过构建合适的模型架构并利用大量数据进行训练,能够提取高层语义特征,具有较高的预测精度,与图形处理单元(GPU)等高效运算设备配合使用,可实现高性能和高效率的统一。介绍了支持向量机(SVM)、极限学习机(ELM)等机器学习算法以及多层感知器(MLP)、全连接层和多尺度特征融合等深度学习算法在特征映射和品位预测中的应用,以及深度学习模型的发展历程。最后综述了工业界视觉检测系统的应用现状,并从数据驱动模型、多模态数据融合、算法实时性和数据集规模等方面分析了该领域所面临的挑战和未来发展趋势。

关键词： 深度学习   电解电容   极性检测   目标检测   语义分割   电子元器件  

摘要： 针对工程中印刷电路板(PCB)上的电解电容不易识别、极性难以检测的问题,研究了一种基于深度学习的电解电容识别与极性检测方法。对于电容检测问题,提出了一种基于YOLOv5的改进算法,该算法在YOLOv5的骨干(backbone)融合Swin Transformer模块,提升模型的特征提取能力,在颈部融合了双向金字塔网络(BiFPN)模块,提高了网络的特征融合能力;对于电容极性检测,提出了一种语义分割结合形态学处理的方法,该方法能够分割电容基圆区域与极性区域然后有效检测电解电容的极性方向。实验结果表明,电容的识别精度达到96.9%,电容的分割精度达到93.9%,极性方向检测准确率达到99.1%,相比于目前电解电容极性检测较好的方法,所提方法有较好的鲁棒性,满足检测需求。

关键词： 机器视觉   图像处理   Hu不变矩   最小二乘法  

摘要： 针对运用视觉技术对轴承进行质量检测与尺寸测量时,能够准确地识别定位到目标轴承,提出一种基于机器视觉的轴承识别与定位算法。通过对采集到的轴承图像进行预处理,分割出目标图像并提取图像的外轮廓边缘特征;设置轴承的模板图像,结合图像的Hu不变矩特征对轴承进行识别匹配;通过最小二乘法对图像边缘点进行圆拟合并采用迭代法进行修正,通过计算圆心的位置坐标,实现对轴承的定位。实验结果为:轴承的识别匹配度在0~0.03之间,定位误差在0.5像素以内,满足系统对轴承的识别定位精度要求。

关键词： 机车目标跟踪   速度误差   波形调度   平方根容积卡尔曼滤波  

摘要： 为实现机车目标的高效跟踪,构建一种可以实现自适应匀加速分析的模型并能够进行波形自主调控的平方根容积卡尔曼滤波跟踪算法。在确定发射波形的过程中,应确保后续时刻达到最低的目标状态估计误差。利用波形捷变的方法可以得到最优波形参数,显著增强系统跟踪机车目标的能力。研究结果表明:经过波形调控后,本算法可以使目标方位误差减小89.56%、运动速度误差减小84.04%,加速度误差减小59.54%,并使耗时降低不明显;可以实现方位误差以及速度误差的缓慢降低,具备优异鲁棒性;信噪比减小后,表现出更优的性能。与其他各算法相比,本算法能够自适调节各项参数,获得更高的跟踪精度,所需的计算量也较小。