关键词： Java   图像处理   字符识别  

摘要： 本文详细介绍了基于Java的图像识别系统,该系统通过创建高效安全的图片转文字平台,实现了对图像中字符的智能识别,为用户带来更优质的在线字符识别体验。该系统采用FIT算法进行Java图像处理,并依托文本识别库完成图像预处理与字符分割等操作。这些技术为文字识别系统的开发创造了有利条件,显著提升了字符识别的效率与准确性。

关键词： 桥梁斜拉索   智能损伤识别   轻量化神经网络   计算机视觉   深度学习  

摘要： 深度神经网络和计算机视觉技术近年来在结构健康监测中发挥了越来越重要的作用。利用无人机航拍采集的桥梁斜拉索损伤图像数据,研究基于深度学习技术的斜拉索PE护套损伤识别方法。为实现在较低运算能力设备上对大跨度桥梁斜拉索表面局部损伤的智能快速识别,解决传统深度卷积神经网络的运算效率相对较低、模型参数规模较大的问题,提出轻量化处理的区域推荐型卷积神经网络模型。介绍区域推荐网络与其轻量化改进方法的理论基础,分析轻量化模型处理的必要性,其能在保证识别精度的前提下降低模型训练与预测的设备性能需求,达到节约计算资源与时间的目的;通过数据增广等多手段解决损伤样本数据量不足的问题,设置对比试验,统计分析结果,验证了轻量化神经网络模型的优越性。结果表明,轻量化网络在牺牲少量识别准确度的前提下,能够在较大程度上实现对模型复杂度与计算量的改进,在工程应用中能有效拓展神经网络的实用性。

关键词： 汽车检测系统   物理对抗攻击   深度学习   计算机视觉  

摘要： 为保护个人车辆的隐私信息,实现汽车伪装,对基于视觉的汽车检测系统进行物理对抗攻击。在3D对抗攻击框架的基础上,对攻击算法的目标函数进行优化设计,提升3D对抗纹理在多视角多场景设定下的攻击效果,设计针对天气变化的带权分层颜色映射网络,使对抗纹理能够在训练流程中表达在天气参数下的颜色反应,从而进一步增强攻击在物理世界实现的鲁棒性。进行了数字和物理实验。结果表明:基于视觉的汽车检测系统在本算法攻击下检测的平均召回率降低了49.4%。从而,本算法优化出的对抗纹理具备的物理世界可实现性,能够在物理世界实现使检测系统的准确率下降至少38.7%。

关键词： 红外小目标检测   嵌入式系统   YOLOv5   神经网络加速引擎  

摘要： 针对现有算法计算量大、实时性差、部署困难等问题,同时为满足红外探测系统对实时性及准确率的高要求,提出了一种部署于国产嵌入式芯片的轻量化算法,即YOLOv5-Tiny Hisi. YOLOv5-Tiny Hisi算法根据红外小目标特点对主干网络结构进行轻量化改造,并使用SIo U优化损失函数中的边界误差,提高了红外小目标定位的准确性.将YOLOv5-Tiny Hisi算法模型部署到海思Hi3531DV200嵌入式开发板上,利用芯片集成的神经网络加速引擎(neural network inference engine, NNIE)对网络推理进行加速.在公开数据集上的实验结果表明,该算法能够大幅度降低参数量和模型大小,与YOLOv5相比,在平均精度上的提升了1.52%.在海思Hi3531DV200嵌入式开发板上对分辨率为(1 280×512)像素的单张图像推理速度可达到35帧/s,召回率可达到95%,满足了红外探测系统对实时性和准确率的要求.

关键词： RT-Thread   目标检测   物流分拣  

摘要： 针对物流基础设施滞后,综合运输网络尚不健全,布局合理、功能完善的物流园区体系尚未建立等问题,设计了一款基于RT-Thread操作系统的物流分拣车。其以RT1064单片机为主控核心、RT-Thread操作系统为基础,使用摄像头进行目标检测,并且采用多种传感器进行信息采集。该物流分拣车运行稳定、响应速度快,能够实现无人行驶并自动搜寻需要搬运的物品,在识别后能将物品按种类拾取到车载的储物仓中,到达指定地点后可根据要求进行物品卸载。

关键词： 模式识别   深度学习   目标检测   YOLOv8  

摘要： 为了使采摘机器人能够在果园复杂环境下(如不同光照条件、叶子遮挡、密集的苹果群和超远视距等场景)对成熟程度各异的苹果果实进行快速且精确的检测,本文提出一种基于改进YOLOv8的苹果果实检测模型.首先,将EMA注意力机制模块集成到YOLOv8模型中,使模型更加关注待检测果实区域,抑制背景和枝叶遮挡等一般特征信息,提高被遮挡果实的检测准确率;其次,使用提取特征更加高效的三支路DWR模块对原始C2f模块进行替换,通过多尺度特征融合方法提高小目标检测能力;同时结合DAMO-YOLO的思想,对原始YOLOv8颈部进行重构,实现高层语义和低层空间特征的高效融合;最后,使用Inner-SIoU损失函数对模型进行优化,提高识别精度.在复杂的果园环境中,以苹果作为检测对象,实验结果表明:本文所提算法在测试集下的查准率、召回率、mAP_(0.5)、mAP_(0.5~0.95)以及F1分数分别达到86.1%、89.2%、94.0%、64.4%和87.6%,改进后的算法在大部分指标上均优于原始模型.在不同数量果实场景下的对比实验结果表明,该方法具有优异的鲁棒性.

关键词： 计算机视觉   工人高处攀爬   不安全行为   识别模型   一维卷积神经网络(1DCNN)   人体姿态估计  

摘要： 为精准识别高处作业人员攀爬过程中出现的不安全行为,提出一种基于视觉的工人高处攀爬不安全行为识别模型,由人体姿态估计算法和一维卷积不安全行为识别算法组成。人体姿态估计研究者采用量子化自编码器对人体关键点进行结构化建模,实现人体关键点坐标的检测;结合高处作业安全行为知识,基于一维卷积神经网络(1DCNN)模型构建高处攀爬不安全行为识别算法,并通过实验进行验证。结果表明:该模型在人员无遮挡情况和有部分遮挡情况下,分别达到93.91%和90.34%的精度;与支持向量机(SVM)、K最邻近算法(KNN)相比,该模型具有更强的泛化能力。

关键词： 光电探测   目标识别   跟踪算法  

摘要： 随着科技的迅猛进步,光电探测技术在信息收集领域扮演着至关重要的角色,特别是在目标识别与跟踪算法性能提升方面的需求日益显著。鉴于军事侦察、航空航天及智能交通等行业的发展需求,对这些算法的准确性、实时性以及鲁棒性的要求也在不断提高。本文致力于探讨基于光电探测技术的目标识别与跟踪算法的设计优化。通过实施多传感器数据(如可见光、红外线和激光雷达等)的预处理与特征提取过程,我们有效地增强了目标识别的速度与精度。在分类识别环节,通过对支持向量机(SVM)、决策树以及卷积神经网络(CNN)等多种方法的应用,改进了样本训练流程,进而提升了训练效率与识别准确率。结果 显示,经过优化后的CNN模型达到了96%的训练精度,相较于传统的SVM和决策树方法,在识别效果上有明显优势。针对目标跟踪问题,本研究采用了联合概率数据关联(JPDA)与多假设跟踪(MHT)策略,有效应对了目标被遮挡或丢失的情况。经过优化后,目标跟踪的精确度从最初的9.96米提高到了7.78米,即提升了约21.9%。同时,计算耗时也由原来的122.4毫秒缩短至90毫秒,减少了大约25.8%,这进一步加强了系统在复杂环境中的实时响应能力和准确性。

关键词： 光伏组件   目标检测   ResNet网络   精度   分类  

摘要： 针对光伏板检测提取精度问题,提出一种改进的SSD和ResNet的光伏板检测与分类算法。为了提升SSD算法检测精度,在其主干网络VGG16中融合CBAM注意力机制,从而增强算法的多尺度特征提取能力,针对光伏板的形状特征,重新设计了网络中默认框的长宽比;在ResNet算法每个残差结构中嵌入SENet(Squeeze and Excitation)通道注意力模块,提升模型特征提取能力。结果表明,改进后SSD算法检测精度更高,模型训练速度更快;改进后ResNet模型在光伏表面缺陷数据集上分类准确率较原算法有了很大提升。

关键词： 深度学习   计算机视觉   对比学习   多模态   视听同步   视听学习   注意力机制  

摘要： 针对一般类视听同步算法忽略语义特征增强以及缺乏单模态内部特征学习能力的问题,提出一种基于对比学习的内外协同注意力视听同步算法。该算法包括特征编码与内容同步学习两个阶段。在音视频编码的过程中,将音视频包含的语义信息引入视听同步算法,设计基于多模态对比学习网络的语义特征学习器,为拥有相似语义的图像、音频生成更相近的表示。在音视频同步学习中,提出一种内外协同注意力方法,在充分学习图像和音频单模态内部上下文特征的基础上,交叉融合音视频特征信息,完成视听同步判定。实验结果表明,该算法在一般类视听同步任务中的判定性能均优于基准模型。