关键词： 图像处理   米饭   表面孔隙率   Otsu阈值   OpenCV  

摘要： 米饭表面孔隙率能够反映米饭的结构特征、物性和口感。为快速准确地测定米饭表面孔隙率,提出了一种基于图像处理技术的测定方法。以米饭饭粒间的空隙作为研究对象,使用OpenCV库进行图像处理,首先将米饭图像进行灰度化并使用Otsu阈值将图像进行分割处理,然后对二值化图像进行除噪处理,利用连接组件分析算法提取米饭表面孔隙区域,计算孔隙面积占比以得到米饭表面孔隙率,并对算法结果进行了验证。结果表明:对5种不同品种大米(黄河粥、珍珠米、长粒香、京贡一号、五常大米)的米饭表面孔隙率进行计算,得到其Photoshop处理与Otsu处理值之间的相对误差分别为1.45%、1.89%、1.64%、1.42%和0.95%;所测得的米饭表面孔隙率的变异系数均在4%以内,说明数据波动性较小、离散程度较低、测量精度较高,米饭孔隙率测定结果与Photoshop处理结果接近,且重复性良好。该方法能快速高效地测定米饭边界的孔隙率,无须单独取样,且米饭试样自身无破损,可为评价米饭品质提供一种新的无损检测技术手段。

关键词： 计算机视觉   交通噪声   特征提取   噪声估计   机器学习  

摘要： 为了实现城市道路视频监控场景下交通流噪声的快速准确估计,提出一种基于计算机视觉的城市道路噪声实时估计方法。首先,从道路交通噪声产生机理分析入手,提出了一系列基于计算机视觉的城市道路交通噪声相关交通流信息提取方法,改善传统方法提取交通流信息不够便捷的情况。其次,针对传统算法噪声估计准确度不高的问题,进行城市道路交通噪声影响因素分析,将交通流特征与环境特征相结合,构建了基于机器学习的道路交通噪声估计模型,提高了城市道路噪声估计的准确性。最后,分析城市道路交通噪声短时变化规律,确定其尺度可变的特征提取时间窗口,提出了一整套城市道路交通噪声实时估计方案,提升了城市道路噪声估计的实时性。实验结果表明,所提出的基于计算机视觉的交通流信息提取方法较常用的目标检测和目标追踪算法能够更准确的提取城市道路交通噪声相关信息;所建立的城市道路交通噪声估计模型相比传统噪声估计模型有更高的实时性和准确性,相较于现有基于机器学习的噪声估计方法在不同场景下均有着更为准确的估计结果,提高了城市道路噪声估计的准确性和实时性,确定了时间尺度为3和10 min的噪声估计方法,具有实际应用价值。

关键词： 笔迹识别   OpenCV技术   图像处理  

摘要： 当前,笔迹识别在众多领域中扮演着举足轻重的角色。传统的人工笔迹比对方法需要消耗大量的时间和人力资源,不仅效率低下,而且容易出错。为解决痛点问题,开发了一款基于OpenCV的笔迹识别技术系统,提高识别的准确性和效率。该系统利用OpenCV的图像处理功能,对输入的手写图像进行预处理,并且结合Matplotlib对图像进行分步处理,以提高识别的鲁棒性。该系统可以应用于银行、金融部门等多领域,以提高工作效率。

关键词： 自动驾驶   视觉目标检测   域自适应   图推理  

摘要： 现有域自适应视觉目标检测算法大多基于两阶段检测器设计,且未能利用图像空间中不同元素之间的语义拓扑关系,导致次优的跨域适应性能。为此,本文提出一种基于多粒度关系推理的域自适应视觉目标检测算法。首先,提出粗粒度图块关系推理模块,使用粗粒度图块图结构来捕获前景和背景之间的拓扑关系,对前景区域进行跨域适配。然后,设计细粒度语义关系推理模块,推理细粒度语义图结构来增强跨域多类别语义依赖关系。最后,提出粒度诱导的特征对齐模块,根据节点的亲和性调节特征对齐的权重,提升检测模型面对场景整体变化时的适应性。多个自动驾驶跨域场景上的实验结果验证了所提算法的鲁棒性和实时性。

关键词： 民居建筑   典型特征   信息提取   计算机视觉   多尺度结构相似度  

摘要： 传统的民居建筑典型特征提取主要是通过大量现地观察、测量和采样后,凭借个人经验进行提炼总结,抽象概括出有代表性民居建筑形状、颜色和样式等造型特征。该类方法容易受个人主观因素影响,工作量大,可复现性不强,稳定性、可靠性和科学性不高。针对以上问题,结合计算机视觉、统计分析和遥感成像等技术手段提出一种西藏地区高原民居建筑典型特征遥感提取方法。利用K-means无监督聚类对民居建筑形状特征进行提取,获取典型民居建筑长度、宽度和长宽比等典型形状特征指标;将RGB三色的民居建筑样本转换到Lab色彩空间,通过色差阈值分割与统计分析提取民居建筑典型颜色特征;引入样本多尺度结构相似度对建筑样式进行定量化表征,通过样本精选、结构特征模板提取和最大相似度匹配提取典型民居建筑样式。以西藏地区的桑耶镇和曲水镇作为实验区分别选择四种经典主流方法开展了两组对比验证实验。实验结果表明,该方法提取的建筑典型特征一致性较好,结果稳定、可靠,受人为因素影响较小。同时也发现,高原民居建筑长宽比约为1.1∶1,长度约24~29m,宽度略窄。民居建筑颜色主要为浅灰褐色,占比最大的前3~4种主色与当地的裸土颜色非常相似。典型民居建筑样式主要呈“回”字形结构,中间有庭院和四周为围墙。

关键词： 目标检测   轻量化   注意力   Dconv  

摘要： 为了解决航拍图像目标检测算法模型参数大、小目标细节难以捕捉的问题,提出了一种基于YOLOv8的旋转目标检测算法。算法针对主干网络中的C2f结构,设计了C2fFasterblock轻量化模块,并在主干网络的尾部增加了EMA注意力机制,增强了小目标提取能力。通过Slim-neck的设计范式自主设计了Dneck,将颈部网络中的普通卷积更换为膨胀卷积Dconv(Dliated convolution),增大特征图像感受野的同时保证了卷积层的输出包含较大范围的信息,同时减少参数量的计算。实验结果表明,改进后的算法在DotaV1数据集上的准确率提高了1.2个百分点,召回率提高了6个百分点,mAP50从80%达到了83.7%,且模型的参数量减少了13.5%。该改进算法在减少参数量的同时较好地提升了平均准确率和精度,验证了实验的有效性。

关键词： 目标检测   钢丝绳缺陷检测   轻量化   YOLOv7-tiny  

摘要： 钢丝绳应用场景复杂、检测设备受限导致检测结果不可靠、不高效,检测算法难部署、难移植,对此提出了一种基于YOLOv7-tiny改进的轻量化模型,通过引入Ghost卷积模块实现网络的轻量化;在主干网络中添加ECA自注意力算法以增强网络表征能力;使用CARAFE上采样算子加强了特征提取;采用WIOU损失函数进一步提高检测精度。在钢丝绳缺陷数据集上进行实验,结果表明其性能优于原YOLOv7-tiny模型,平均精度达到93.2%,提高了4.7%,参数量减少了47%,模型大小减少了45%。与目前其他先进的网络模型相比同样有着更优的整体性能。

关键词： 复杂场景   深度学习   目标检测   特征融合  

摘要： 本文研究基于深度学习的复杂场景多尺度目标检测与识别方法,旨在解决传统方法在处理多尺度目标时的挑战。通过构建多尺度特征金字塔、使用不同卷积核和锚框等策略,提高了目标检测的鲁棒性和泛化能力。本文设计了自适应多尺度空间池化(adaptive multi-scale spatial pooling,AMSSP)模块网络结构,融合了Darknet-53深度残差网络、残差空洞卷积及跨局部注意力机制。并详细给出了AMSSP模块的实现过程和算法步骤,包括不同尺度池化层的输出特征图的融合方式等。本研究旨在通过深度学习提升复杂场景多尺度目标检测与识别的鲁棒性和泛化能力。

关键词： 视觉SLAM   目标检测   室内动态环境   光流法  

摘要： 针对同步定位与地图构建(Simultaneous Localization and Mapping, SLAM)系统在室内动态环境中存在鲁棒性变差、定位精度降低的问题,提出了一种基于改进YOLOv8n目标检测网络的室内动态视觉SLAM算法。首先,选择YOLOv8n网络作为基线,并采用Ghost卷积替换原卷积,同时增加一个小目标检测层,减小网络模型体积,提高模型检测速度。其次,将改进的YOLOv8n目标检测网络与LK稀疏光流法结合,并引入视觉SLAM系统跟踪线程中,对场景中动态目标进行识别判断,筛选并剔除动态特征点;最后,仅使用静态特征点进行特征匹配和位姿估计。实验结果表明,在TUM数据集动态序列下相较于ORB-SLAM2,绝对轨迹均方根误差平均降低了96.62%,显著提高系统的鲁棒性和定位精度。与DS-SLAM、DynaSLAM等系统相比,该系统也能更有效平衡检测速度与定位精度。To address the issues of reduced robustness and lower localization accuracy in Simultaneous Loca- lization and Mapping (SLAM) systems within dynamic indoor environments, an indoor dynamic visual SLAM algorithm based on an improved object detection network is proposed. First, the YOLOv8n network is selected as the baseline, and Ghost convolution is employed to replace the original convolution, along with the addition of a small object detection layer to reduce the model size and improve detection speed. Second, the improved YOLOv8n object detection network is integrated with the Lucas-Kanade sparse optical flow method and is introduced into the tracking thread of the visual SLAM system to identify and filter out dynamic feature points from the scene. Finally, only static feature points are utilized for feature matching and pose estimation. Experimental results indicate that, on the dynamic sequences of the TUM dataset, the root mean square error of the absolute trajectory is reduced by an average of 96.62% compared to ORB-SLAM2, significantly enhancing system robustness and localization accuracy. Compared to systems such as DS-SLAM and DynaSLAM, this system also effectively balances detection speed and accuracy.

关键词： 目标跟踪   长短时记忆网络   卡尔曼滤波  

摘要： 传统机动目标跟踪方法在机动模型建模方面,通过模型集自适应交互的方式,实现模型与目标真实运动的匹配。在跟踪非合作目标时,由于机动状态随时变化,且机动形式多样,当模型集内的有限个模型均无法精准表征其真实运动时,跟踪性能下降。将模型修正和状态修正两级神经网络融入到滤波递推过程中,提出一种基于堆叠长短时记忆(Stacked Long Short-Term Memory,SLSTM)网络的两级修正机动目标跟踪方法(Two Level Modified Maneuvering Target Tracking,TLM-MTT),第一级模型修正网络实时感知目标的机动,调整模型参数,实现机动模型的精准建模,第二级状态修正网络对状态估计进行实时补偿,提升滤波输出的精度。通过离线方式进行网络训练,训练后的网络用于在线实时跟踪,相较于传统方法和其他智能化滤波方法,文中所提方法对高机动目标跟踪具有更好的跟踪性能。