关键词： 伪装目标检测   局部-全局特征相互补偿   局部-全局特征交叉协方差  

摘要： 在伪装目标检测(COD)领域中,最新提出的方法主要利用伪装目标的局部特征完成COD任务,输出的预测图存在目标轮廓粗糙和对象不完整的问题。针对上述问题,提出了基于局部-全局特征相互补偿的伪装目标检测方法,利用局部特征与全局特征相互补偿进行伪装目标的检测。设计一个非局部特征增强模块(N-LFEM),使用非局部机制来交互相邻局部区域,增强局部特征表达。构建一个局部-全局特征交互模块(L-GFIM),平均局部特征得到全局特征,执行局部特征与全局特征的相互补偿。设计一个局部-全局特征交叉协方差模块(L-GFCCM),通过语义对齐和交叉协方差获取空间指标定位伪装目标所在区域,选取相似性最高的特征图输出。在3个公开数据集上的实验表明,该算法优于其他8个最新模型。在COD10K数据集上,平均绝对误差(MAE)达到了0.028。

关键词： 计算机视觉技术   烟叶烘烤   智能化  

摘要： 计算机视觉技术是一个发展十分迅速的新技术,近年来,已经应用到了农业各个方面,包括路径识别技术、采摘收获技术、种子分选技术和农产品分级技术等,机器视觉技术的出现解决了人工方式存在的很多问题,可以对农机作业环境进行实时监测和分析,提高作业的效率和质量,降低劳动成本,具有广泛的发展潜力。但目前对于计算机视觉识别技术在农产品烘干中的应用研究甚少,以云南省烟叶烘烤为例,综述了计算机视觉技术在烟叶烘烤中的一些应用研究情况。

关键词： 信号装置   人工智能   图像处理  

摘要： 针对当前船闸信号装置缺乏倒计时显示和人工操作可能导致信号跳转不及时的问题,本文提出了一种提高船闸运行效率的信号装置系统。该系统采用红绿信号灯和倒计时器组成信号装置,通过监控摄像头和激光雷达等感知设备实时采集过闸船舶数据,并利用人工智能和图像处理技术进行处理和分析。系统能够根据闸室内船舶的进出情况,实现红绿信号的自动跳转和倒计时显示功能,从而提高船闸的运行效率,减少过闸时间损耗,提升船舶过闸的安全性和顺畅性。

关键词： 纱线条干   条干均匀度   图像处理   三维仿真   三维测量  

摘要： 针对传统纱线三维模型仿真方法精度不高、纱线条干均匀度二维测量方法无法全面表征纱线立体结构的问题,基于双斜交平面镜成像原理,以纱线的多视角图像绘制圆形并将其拟合为纱线条干横截面,堆叠所有横截面,重构纱线条干三维模型,并从二维、三维层面分析所提方法的有效性和可靠性。结果表明:所提方法能够精确构建纱线条干三维模型并全方位展示纱线条干情况;在二维层面,纱线条干三维模型横截面平均面积与USTER TESTER 5所测纱线直径的相关系数为0.996,横截面面积变异系数与USTER TESTER 5所测条干均匀度变异系数的相关系数为0.834,这表明所提方法能够较为准确地反映纱线条干的特性;在三维层面,纱线条干横截面面积变异系数与现有纱线外观三维测量方法的条干均匀度相关系数为0.965,进一步验证了所提方法在纱线条干三维模型仿真上的有效性,并探索了其在纱线外观三维测量上应用的可能性。

关键词： 体质测试   辅助训练   姿态识别  

摘要： 文章针对高校学生体质测试训练的需求,以立定跳远和引体向上项目为研究重点,提出了一种基于计算机视觉的智能体测辅助训练方案。通过分析训练者不同动作的关键点,自动捕捉动作的轨迹与姿态变化,实现动作规范性的智能评估,从而帮助受训者全面了解动作表现并加以改进,提升训练质量和测试成绩。该方案为高校体质测试训练的智能化与标准化提供了技术支持和创新思路。

关键词： 水果分拣   YOLOv5   流水线系统化   目标检测  

摘要： 为解决当下人工分拣水果成本高、耗时长等问题,本文设计一种能够自动、高效、准确地分拣水果的系统。该系统以树莓派5搭载YOLOv5作为视觉识别部分,流水线分拣部分以stm32f407开发板作为控制系统,接收并处理识别的数据来控制步进电机、数字舵机、编码电机进行分拣操作,不仅具有对水果种类、形态识别的功能,而且能高效地判别优劣质水果并进行分类。加上位置传感器后,分拣拨片对不同种类水果分拣准确率高达98.9%以上。由于系统实现方法相对简单,大大提高水果生产线的分拣效率和分拣后的水果质量,降低人力成本,促进水果产业的发展,有较好的市场应用前景。

关键词： YOLOv5   目标检测   病虫害识别  

摘要： 【目的】农田害虫种类多、信息复杂,传统人力监测手段难以满足现代农业需求,因此亟需更先进高效精准的监测技术与策略提高对农田病虫害的识别效率和准确性。【方法】提出了一种基于YOLOv5的农田病虫害图像检测识别系统,引入了Input、Backbone主干网络、数据增强技术、PIL图像处理库等,增强了网络提取图像特征的能力。同时,共收集了13 160张害虫的图像构建数据集,并按7∶3划分了训练集和测试集,通过多次测试计算精确率、召回率和F1值等性能指标,评估模型效果。【结果】在经过1 500世代的训练后,平均精确度约为0.83,平均验证精确度约为0.791,F1值约为0.877,充分证明了模型在复杂条件下的鲁棒性和高精度识别能力。【结论】运用深度学习的YOLOv5和数据挖掘技术进行农田病虫害图像识别研究,有助于实现自动化精准识别,为农业生产和生态保护提供支持保障。深度学习技术在农业智能化管理方面的应用潜力巨大,未来可以增加害虫的种类来扩充数据集,进一步提升识别精度,推动相关产业的健康发展。

关键词： 目标检测   超参数优化   则化策略   YOLO  

摘要： 为实现YOLO(you only look once)模型的超参数自动优化,提出基于正交优化策略的YOLO模型超参数优化方法(hyper-parameter optimization of YOLO model based on orthogonal optimization strategy,OOS)。首先基于统计学的正交试验原理,提出了种群的正交搜索方法与超参数贡献度分析策略,提高了算法的优化效率;然后,设计了均匀正交搜索策略和邻域正交搜索策略,以缓解YOLO模型陷入局部最优和早熟收敛问题。最后,在NWPU VHR-10和Pascal VOC两个目标检测数据集上,以YOLOv5、YOLOv5s-Transformer和YOLOv7为优化对象进行测试,测试结果表明,所提出的OOS超参数优化方法对于YOLO模型的识别精度均有所提升。在两个数据集上的平均识别精度mAP@0.5分别提升至93.94%、93.18%、93.45%以及85.81%、84.59%、90.62%;mAP@0.5-0.95提升至60.00%、60.08%、56.98%以及62.27%、58.89%、71.91%,可为目标检测模型的超参数智能优化提供一种新方法。

关键词： 无线信道建模   无线动作识别   无标签迁移学习   毫米波   计算机视觉  

摘要： 该文提出了一种利用计算机视觉技术辅助实现包含运动人体散射特征的毫米波无线信道仿真方法。该方法旨在为毫米波无线人体动作识别场景之下,快速且低成本地生成仿真训练数据集,避免当前实测采集数据集的巨大开销。首先利用基元模型将人体建模为35个相互连接的椭球,并从包含人体动作的视频中提取出人体在进行对应动作时各个椭球的运动数据;其次利用简化的射线追踪方法,针对动作中基元模型的每一帧计算对应的信道响应;最后对信道响应进行多普勒分析,获得对应动作的微多普勒时频谱。上述仿真获得的微多普勒时频谱数据集可以用于训练无线动作识别的深度神经网络。该文针对“步行”“跑步”“跌倒”“坐下”这4种常见的人体动作在60 GHz频段上进行了信道仿真及动作识别的测试。实验结果表明,通过仿真训练的深度神经网络在实际无线动作识别中平均识别准确率可以达到73.0%。此外,借助无标签迁移学习,通过少量无标签实测数据的微调,上述准确率可以进一步提高到93.75%。

关键词： 毫米波雷达   点云聚类   稀疏点云   目标检测  

摘要： 毫米波雷达室内人员目标检测存在点云稀疏且有零散噪声点的问题,传统基于密度聚类算法受参数影响不能适应多变的目标点云数据,无法实现精准聚类。对此进行研究提出了一种针对人员目标稀疏点云的聚类算法。建立平均局部密度信息熵和邻域半径(Eps)的关系;利用DBSCAN算法识别零散噪声点并去除;利用每个点的局部密度和相对距离的乘积得到聚类中心权值,并画出降序图;在降序图中引入自适应指数衰减函数曲线,从而自动获得聚类中心,并完成聚类。通过实验验证,并与CFSFDP算法和DBSCAN算法进行对比,结果表明,提出的算法具有较高的ARI、AMI、NMI、FMI值,获得较好的聚类效果,适用于毫米波雷达室内检测场景。