关键词： 体育训练   视频分析   区域检测   骨架提取   动作识别  

摘要： 为进一步提升体育训练中的数据智能分析水平,以体育教学中的武术训练为研究对象,提出一种基于多视角的视频智能分析系统。其中,以体育训练视频分析模块为主要研究对象,分别进行人体区域分割检测、人体骨架提取、步态特征提取和姿态估计,最终完成武术动作的检测识别分类。实验结果表明,分析系统中所构建的混合颜色空间以及改进的ZS细化算法均具有一定的有效性,能够在人体运动区域分割检测和骨架提取中有效提升数据提取精度,进而为后续的武术训练的动作识别分类奠定基础;所构建的分析系统能够精度较高的武术训练过程的动作识别,准确率达到90%以上。综上,所构建的基于多视角的视频智能分析系统能够进行效果良好的武术训练动作识别,可应用于实际的体育训练数据分析中,辅助进行教学质量的提升,可行性较高。

关键词： YOLOv8算法   无人机   目标检测   智能巡检  

摘要： 传统的目标检测算法在无人机应用中面临一些挑战,如高空拍摄环境下的目标过小导致特征不明显、模糊和视角变化等。为克服这些困难,提出了一种基于深度学习的小目标检测算法。该算法基于YOLOv8模型深度改造,以提高在高空环境下对小目标的检测准确性和稳定性。在真实的露天采矿场景中进行了大量的实验和测试,并与传统的目标检测方法进行了比较。实验结果表明,所提算法在30~100 m高空范围内能够有效地检测出矿区中的目标,如人员和车辆。通过应用所提算法和技术,结合无人机的灵活性和机动性,矿区的巡检工作效率得到极大提升,并为危险或难以到达的区域提供了重要的安全保障。

关键词： 目标检测   注意力机制   标签分配   特征交互   深度学习  

摘要： 目标检测技术已成为计算机视觉领域重要的研究方向,在智能制造、自动驾驶等领域发挥关键作用。现有检测算法在复杂场景下仍面临目标尺度变化大、特征表达不充分等挑战。针对这些问题,提出了一种融合多尺度特征交互与动态标签分配的检测框架。该框架通过特征感知增强模块实现深浅层特征的双向交互,利用动态标签分配策略优化样本质量。实验表明,改进的检测框架在复杂场景下取得33.3%的平均精度,较基线模型提升8.0%,在小目标检测任务上尤为显著。

关键词： 目标跟踪   自注意力机制   ROS   位姿检测  

摘要： 针对传统方法在移动机器人位姿检测过程中存在的目标丢失和数据漂移等问题,提出了一种基于ViT深度学习框架的视觉跟踪器,优化了利用ArUco码作为辅助特征标识的位姿检测方法,有效改善了检测效果。通过ROS系统分布式通信方法构建视觉处理平台和移动机器人之间桥梁,测试了不同数据集下跟踪器的性能和跟踪器的加入对整个位姿检测方法的提升效果,实验结果验证了提出的基于视觉优化的移动机器人位姿检测方法的可行性,可以较好地支撑移动机器人展开实时任务。

关键词： 目标检测   杂草检测   精准除草   深度学习   研究进展  

摘要： 杂草不仅会与作物竞争生长资源,还会传播病虫害最终影响作物产量,杂草智能检测技术是田间杂草精准防治的关键环节。本文通过对国内外相关文献进行综述,并结合田间杂草智能检测技术的研究进展,深入分析传统杂草检测算法和深度学习杂草检测算法的特点,并根据算法在杂草检测过程中的实际应用情况,分别对3种常见的传统杂草智能检测算法、深度学习算法的单阶段杂草智能检测算法和两阶段杂草智能检测算法进行系统性分析。在此基础上提出目前田间杂草识别中存在的人工标注数据耗时长、模型泛化能力差、模型轻量化设计等现存挑战,最后针对现状对杂草智能检测技术提出技术发展策略,并对技术发展进行合理化展望,为未来杂草智能检测技术的深入研究提供理论参考。

关键词： 深度学习   目标检测   应用   视觉领域   神经网络  

摘要： 对图像或视频进行目标检测即对图像上的目标进行定位和类别判断,它是计算机视觉领域最基本和重要的任务之一。基于深度学习进行目标检测的方法是当前视觉目标检测领域的主流技术。该文回顾并分析近年来基于深度学习进行目标检测的一些技术成果,总结提高目标检测性能的方法并调研目标检测在各个领域的不同应用,同时提出当前目标检测存在的一些问题和对应的解决方法,最后针对目前存在的挑战讨论目标检测的发展方向。

关键词： 多模态   三维目标检测   自适应信息融合   数据层面融合   特征层面融合   雷达-相机  

摘要： 多模态三维目标检测是计算机视觉的一项重要任务,如何更好地融合不同模态之间的信息一直是该任务的研究重点。现有方法在融合不同模态信息时缺少对信息的筛选,且过多无关与干扰信息会造成模型性能的下降。针对上述问题,提出一种基于多模态信息相互引导补充的雷达-相机三维目标检测模型,以在融合特征时从另一种模态中自适应地挑选信息进行融合。自适应信息融合包括数据层面的相互引导补充和特征层面的相互引导补充。在数据层面的融合中,使用由点云产生的深度图和图像产生的分割掩码作为输入,以分别构建出实例级的深度图与实例级的三维虚拟点用于图像与点云的补充。在特征层面的融合中,使用点云产生的体素特征和图像产生的特征图作为输入,并从另一种模态中为待融合特征选取关键区域并通过注意力机制进行特征融合。实验结果表明,所提模型在nuScenes测试集上取得了良好的效果。相较于BEVFusion和TransFusion等传统非引导的融合模型,所提模型将平均精度均值(mAP)和nuScenes检测分数(NDS)这2个主流评测指标分别提升了0.9~28.9个百分点和0.6~26.1个百分点。以上验证了所提模型可有效提高多模态三维目标检测的准确性。

关键词： 图象处理软件@x程序设计  

ISBN: (纸本)9787302679325

摘要： OpenCV是一个跨平台计算机视觉和机器学习软件库，也是计算机视觉领域的开发人员必须掌握的技术。本书基于Python3.8全面系统地介绍0penCV4.10的使用，并配套示例源代码、开发环境与作者答疑服务。本书共分20章，主要内容包括计算机视觉概述、0penCV的Python开发环境搭建、0penCV基本操作、数组矩阵、图像处理模块、灰度变换和直方图修正、图像平滑、几何变换、图像边缘检测、图像分割、图像金字塔、图像形态学、视频处理，以及停车场车牌识别、目标检测、数字水印、图像加解密、物体计数、图像轮廓、手势识别等案例。本书既适合0penCV初学者、计算机视觉与图像处理应用开发人员、人工智能算法开发人员阅读，也适合高等院校或高职高专院校计算机视觉与图像处理、人工智能等相关专业的师生教学参考。

关键词： 小目标检测   特征金字塔网络   注意力机制   特征融合  

摘要： 小目标在图像中占有很少的像素,导致目标严重缺乏特征信息,小目标检测是目标检测的一大挑战。为解决这一问题,设计一种面向小目标检测的自适应多维度特征融合网络(AMDFF-Net)算法以提高小目标检测的准确率。首先,整合池化层和注意力机制,构建池化注意力模块,使模型获得更大的接受域以实现自我注意中的自适应和长程相关性;其次,设计自适应选择多维度特征融合模块(ASMFF),并基于ASMFF模块设计自适应多维度特征金字塔网络,自适应融合不同尺度的图像特征,强化小目标的信息。为了验证模型的性能和泛用性,分别在VisDrone2019数据集、AI-TOD数据集以及TinyPerson数据集上进行实验,实验结果表明,AMDFF-Net提高了小目标检测的精度,通过与其他主流算法对比,验证了本文模型在小目标检测方面的有效性。

关键词： 玻璃绝缘子   缺陷检测   气泡   特征提取   图像处理  

摘要： 绝缘子是电力系统中一种特殊的绝缘控件,在电力输变电工程的架空输电线路中有重要的作用。玻璃绝缘子的表面质量和缺陷状况,特别是玻璃绝缘子的气泡缺陷,对绝缘性能有很大影响。目前,玻璃绝缘子缺陷大多还是采用人工检测,检测效率和检测质量受人为主观因素影响大。本文通过研究玻璃绝缘子的图像形态学分析,对玻璃绝缘子的有关图像特征进行提取,利用帧间图像差分算法对玻璃绝缘子气泡缺陷区域进行检测和分类,可以实现玻璃绝缘子的气泡缺陷的在线智能检测和判断,对提高玻璃绝缘子的生产效率和保证玻璃绝缘子的产品质量具有重要意义。