关键词： 视网膜显微手术   目标检测   YOLO   手术显微镜   损失函数  

摘要： 针对视网膜显微手术中的复杂干扰情况,本文利用深度学习的方法提出一种手术器械检测算法。首先,构建并手动标注了RET1数据集,并以YOLO框架为基础,针对部分图像退化,提出利用SGConv和RGSCSP特征提取模块增强模型对图像细节特征的提取能力。针对IoU损失函数收敛速度慢以及边界框回归不准确的问题,提出DeltaIoU边界框损失函数。最后,运用动态头部和解耦头部的集成对特征融合的目标进行检测。实验结果表明,提出的方法在RET1数据集上mAP50-95达到72.4%,相较原有算法提升了3.8%,并能在复杂手术场景中对器械有效检测,为后续手术显微镜自动跟踪以及智能化手术导航提供有效帮助。

关键词： 勒瓦娄哇技术   石核分类   加权有向图  

摘要： 考古学者对2D勒瓦娄哇石核剥片面进行目测分类具有主观性,不能产生标准的、一致的分类结果,故提出并实现一个可自动分类2D勒瓦娄哇石核的算法(2D Levallois Core Automatic Classification,LCAC2D)。计算机进行石核分类的难点在于,如何将勒瓦娄哇石核类型学分类理论转换为能够提取石核的可区分特征且可自动分类的算法程序。LCAC2D算法利用石核剥片面上的拓扑结构构建基于加权有向图的石核剥片面描述模型,进一步优化模型,对勒瓦娄哇石核进行自动或半自动的分类,在66个样本上测试,准确率达77%,结果表明LCAC2D算法首先实现了对2D勒瓦娄哇石核的定量分析。

关键词： 伪装目标检测   深度学习   数据集   评价指标  

摘要： 伪装目标检测是一个新兴的研究方向,在计算机视觉领域引发了广泛关注。现有大多数工作以构建高效的检测模型为目的,缺少对已有模型的深入分析及归纳总结。因此,对现有基于深度学习的伪装目标检测模型进行全面分析和总结,并探讨伪装目标检测潜在的研究方向。对基于深度学习的已存模型进行全面综述,并详细阐述相关模型的原理和优劣势;介绍伪装目标检测领域常用数据集及评价指标;对现有基于深度学习的伪装目标检测模型进行复现,并对不同类型模型在公开数据集上的检测结果进行定性和定量比较;对伪装目标检测领域的未来研究方向进行展望。

关键词： 文档图像版面分析   目标检测   YOLOv5s   多尺度特征提取  

摘要： 针对当前基于深度学习的版面分析方法存在效率低和训练成本高的问题,提出一种基于YOLOv5s改进的单阶段目标检测网络RCW-YOLO,并将其应用于文档图像版面分析任务。首先,通过Res2Net模块改进YOLOv5s中的C3模块,有效增强网络对文档图像多尺度特征的提取能力;其次,引入轻量级上采样算子CARAFE以优化特征融合网络,减少上采样过程中的信息丢失;最后,引入WIoUv3作为边界框回归损失函数,制定合适的梯度权益分配策略,以提升模型泛化能力和整体性能。实验结果表明,在CDLA、IIIT-AR-13K和PubLayNet数据集上,RCW-YOLO在mAP@0.50:0.95指标上分别达到了87.2%、76.4%和94.5%,优于现有的两阶段算法和其他单阶段算法,同时具有更低的计算量、参数量和更快的推断效率。

关键词： 输电线路   覆冰厚度   图像处理   边缘检测  

摘要： 针对雨雪天气严重影响线路覆冰图像质量与标准覆冰厚度计算的问题,提出一种基于智能图像处理的线路覆冰厚度检测方法,并在实验室对导线进行人工覆冰并模拟人工冷雾,采集有雾和无雾条件下的覆冰图像,用所提方法检测导线覆冰厚度。对采集的图像通过去雾、灰度化、直方图均衡化和空间滤波进行预处理,采用多种算子对处理后的图像进行边缘检测,计算出覆冰厚度。结果表明,覆冰图像去雾处理后采用直方图均衡化和空间滤波可较好地改善图像质量,配合使用Canny算法进行导线覆冰图像边缘检测时更具优势,即使在有雾的情况下,也可以得到较为准确的覆冰厚度检测结果。

关键词： 菜豆   分类   机器视觉   图像处理   智能识别   机器学习   支持向量机   特征提取  

摘要： 为基于机器视觉(MV)设计一种低成本、高效且无损的菜豆种子识别、分类的方法,采集6个品种2751粒菜豆种子的图像信息,在对图像进行二值化、颜色提取、形态学操作等图像处理的基础上,提取包括颜色特征、纹理特征以及几何特征在内的9种特征作为分类的依据,分别建立K近邻(KNN)、随机森林(RF)、支持向量机(SVM)3种分类模型,对菜豆种子的品种进行分类。对比3种分类模型的混淆矩阵、准确率及F_(1)值后发现,SVM模型的分类效果上最优,其分类准确率和F_(1)值分别达到97.7%、0.977。研究表明,利用MV可以实现对菜豆种子的精准识别和分类。

关键词： 自动驾驶   YOLOv7-tiny   道路目标检测   轻量化   Jetson TX2  

摘要： 针对目标检测算法对算力和存储空间的高要求限制其在边缘设备中检测功能实时性的问题,提出了一种基于YOLOv7-tiny改进的轻量化道路目标检测算法。首先,通过K-means++聚类算法生成适合道路目标检测的先验锚框;其次,改进ELAN结构轻量化主干网络,同时提出轻量型多尺度特征(LMS)模块优化颈部网络;最后,使用西格玛线性单元(SiLU)激活函数加速模型收敛,采用MPDIoU损失函数进一步提高检测精度。试验结果表明:改进后的模型参数量减少18.3%,计算量降低15.0%,且所有类别平均检测精度上升1.1%。在Jetson TX2中,使用TensorRT加速后的检测速度达到48帧/s,基本满足道路目标检测的实时性要求。

关键词： 三维目标检测   野外   扬尘   多模态融合   点云  

摘要： 对于配备多种传感器的自动驾驶车辆,在野外扬尘环境中进行高精度三维目标检测是一项重大挑战,野外地形的多变性导致采集目标的区域特征差异性加剧,同时扬尘颗粒物还会模糊目标特征.为了克服这些困难,本文提出了多模态特征动态融合的三维目标检测方法,构建了多级特征自适应融合模块和特征对齐增强模块,其中,多级特征自适应融合模块动态调整模型对全局级特征和区域级特征的关注程度,充分利用多级感受野,减少区域差异对识别效果的影响;而特征对齐增强模块则在多模态特征对齐之前增强感兴趣区域的特征表达,有效抑制扬尘等干扰因素.实验结果表明,提出方法在自建野外数据集中比基线的平均精度提高了2.79%,在KITTI数据集的困难级别检测中提高了1.7%,表现出较好的鲁棒性和准确性.

关键词： 舰船检测   多头自注意力机制   空间上下文金字塔   WIOU损失函数  

摘要： 海面舰船目标检测容易受陆地、海浪等背景的干扰。针对舰船小目标检测精度低和鲁棒性差的问题,提出一种改进的舰船目标检测模型CWMA-YOLOv5s。首先,设计具有多分支跨层连接的C2f模块丰富多目标舰船梯度流信息。然后,设计并实现了残差多头自注意力融合模块优化特征融合效果。其次,改进Predection网络,设计SCP结构,提高了舰船目标的显著度。最后,引入改进的WIOU损失函数解决CIOU损失函数带来的梯度爆炸和模型提前退化问题。实验结果表明,与YOLOv5s模型相比,该模型在MASATI-v2数据集上,精度提高了13.1%,召回率提高了12.8%,mAP@50提高了6.8%。与其他同类型检测算法相比,该算法拥有更好的学习能力,整体检测精度达到了82.3%,具有较强的鲁棒性。

关键词： 大豆   品质检测   计算机视觉   麻雀搜索算法   支持向量机   主成分分析法  

摘要： 为了提高计算机视觉对大豆品质检测的准确率和检测速度,提出基于麻雀搜索算法(Sparrow Search Algorithm, SSA)优化支持向量机(Support Vector Machine, SVM)及通过主成分分析法(Principal Component Analysis, PCA)进一步优化SSA-SVM模型的两种大豆品质检测模型。采集正常、破损和霉变的大豆图像并进行预处理,提取HSV颜色空间下的12个颜色特征参数,基于灰度共生矩阵法提取4个纹理特征参数。利用SSA寻找SVM的最佳惩罚因子和核函数半径。结果表明,SSA-SVM模型的准确率达到98.00%,较SVM模型的95.33%提高2.67%;使用PCA将16个特征参数降维到8个,构建PCA-SSA-SVM模型,该模型准确率为97.33%,较SVM模型的95.33%提高2.00%。PCA-SSA-SVM模型与SSA-SVM模型相比,其准确率低了0.67%,但迭代时间为11.78 s,较SSA-SVM的13.72 s缩短14.14%。结果表明,SSA-SVM模型与PCA-SSA-SVM模型在大豆品质检测方面均优于SVM模型。