关键词： 课程思政   思政元素   指标体系   医学图像处理   教学设计   教学实施  

摘要： 课程思政将思想政治元素与专业课程教学有机融合,使专业课程教学在潜移默化中与思想政治课程协同推进,共同完成立德树人的核心使命。在医学影像技术专业中,《医学图像处理》课程在课程思政的指导下,明确了与课程相关的素养、知识和能力方面的思政目标。课程思政结合院校和专业的具体定位,全面设计了家国情怀、学科素养、职业素养、团队协作与反思能力等评价指标,并建立了“一级指标-二级指标-思政案例”的指标体系。此外,课程思政对课程教学内容进行了精心设计、重组与整合,重新构建了课程学习任务,并通过多样化的教学方式实施了思政元素的融合教学。这种教学实践不仅有效促进了学生专业能力的提升,还成功实现了课程思政目标,取得了显著成效。

关键词： 微纳技术   图像处理   青年科学家   信息光学   纤维光学   信息科学   光电跟踪   空间光学  

摘要： 中国光学开拓者之一王大珩院士亲自创办的新中国历史最悠久的光学期刊现任主编为国家级有突出贡献的青年科学家曹健林博士Benjamin J Eggleton,John Love等国际著名光学专家为本刊国际编委《光学精密工程》主要栏目有现代应用光学(空间光学.纤维光学、信息光学薄膜光学、光电技术及器件、光学工艺及设备、光电跟踪与测量、激光技术及设备);微纳技术与精密机械(纳米光学、精密机械);信息科学(图像处理、计算机应用与软件工程)等。

关键词： 智能车辆   环境感知   图像去雾   CycleGAN   目标检测   YOLOv8  

摘要： 针对极端雾霾天气条件下,智能车辆对道路环境感知识别精度降低的问题,提出了基于改进的CycleGAN和YOLOv8联合雾天环境感知算法。首先以CycleGAN算法为框架对图像进行去雾预处理,在生成器网络中引入自注意力机制提高网络的特征提取能力,同时为了减少与真实图像的色彩差异,引入自正则化颜色损失函数;其次,在目标检测部分,首先采用轻量化的GhostConv网络替换原主干网络,以降低计算量;而后,在颈部网络加入了GAM注意力机制,有效提高了网络对于全局信息的交互能力;最后,通过WIoU损失函数,减小低质样本所产生的有害梯度,提高模型的收敛速度。应用RESIDE数据集和BDD100k数据集对该算法进行实验验证。结果表明:去雾后图像与原图像的结构相似度为85%,相较于原CycleGAN算法和AODNet算法的峰值信噪比(PSNR)和结构相似性(SSIM)分别提高2.24 dB和15.4个百分点、2.5 dB和36.3个百分点。其中,改进的YOLOv8算法与原算法相比,其精确率、召回率和平均检测精度均值分别提升了2.5、1.8和1.1个百分点。实验结果验证了所提出算法的召回率和检测精度等方面优于传统算法,具有一定的实用价值。

关键词： 道路工程   融合算法   高速公路收费站   目标检测   电子车牌  

摘要： 塞内加尔高速公路收费系统效率不高,尤其在节假日突发性车流井喷情况下,收费站易出现严重拥堵和延误。该文通过分析塞内加尔高速公路现有收费方式的局限性,将图像检测算法和电子车牌识别技术与现有的MTC及ETC收费方式相结合,构建了基于车辆信息识别的融合收费方式,旨在对塞内加尔高速收费系统进行优化,降低其使用成本,提升收费效益。以塞内加尔BPV Thiès收费站为例,针对不同布设方案进行试验仿真,结果表明:与现状收费方式相比,高峰时段可以分别减少34.99%和62.49%的进站延误,以及38.01%和62.44%的出站延误;当ETC渗透率提高到50%时,融合收费方案进一步降低进出站的平均延误分别达到80.57%和79.64%。由此可见,融合收费技术能够显著提高收费效率,对塞内加尔地区高速公路收费方式具有实际指导意义。

关键词： 目标检测   差速器壳体   YOLOv8   小目标   注意力机制   下采样  

摘要： 针对由差速器壳体表面缺陷特征信息多样性缺失和特征表达不足引起的误检漏检率高、检测精度低的问题,提出了一种改进的ConvNextV2-YOLOv8缺陷检测算法。提出ConvNextV2-P2模块,在主干网络ConvNextV2中引入全局响应归一化增强模型特征信息多样性表达,并增加P2检测层提高对小目标缺陷的检测能力。使用卷积和注意力融合模块CAFM增强GhostModle的局部和全局特征表达,在保持轻量化的同时提高模型整体检测性能,并融合至C2f提出C2f-GAFM模块。引入深层鲁棒特性下采样DRFD,提升模型多尺度信息的提取和融合能力,增强算法模型的鲁棒性。实验结果表明,与原YOLOv8算法相比,ConvNextV2-YOLOv8的精确率达到了98.5%,召回率达到了89.1%。mAP50和mAP50-95分别提升至94.2%、87.1%,提高了1.6%、5.9%。在NEU-DET数据集上进行泛化性实验,效果优于其他算法模型。

关键词： 红外小目标检测   图像分割   深度学习   自注意力机制  

摘要： 针对红外小目标特征难以提取、易被噪声干扰及复杂背景淹没等问题,提出了一种基于U型多尺度Transformer网络的检测算法。该算法在U型多尺度网络架构下,借助卷积操作提取、强化小目标局部显著性特征,同时又基于Transformer机制对图像全局特征进行建模,以获取红外图像背景信息;通过对所生成目标置信图与特征图的自注意力运算,完成了对图像浅层和深层特征的融合,实现了对像素级红外小目标的分割及检测。实验证明,在红外序列图像弱小飞机目标检测跟踪数据集中,即使针对背景复杂且含噪的图像进行检测,所提算法性能仍然优于对比算法,呈现了良好的鲁棒性及稳定、准确的检测效果。在算法阈值选用使FM平均值最大的情况下,其检测率为0.9972,虚警率为2.82×10^(-7),精确率为0.9127,而召回率则为0.921。

关键词： 目标检测   无人机航拍   损失函数   注意力模块   YOLOv5  

摘要： 针对架空地线破损检测场景,传统计算机视觉的手工特征泛化性差,主流通用目标检测网络迁移效果差等问题,提出一种以YOLOv5n作为主干网络的目标检测算法。首先,提出一种交叉上下文特征提取模块替换原主干特征提取模块,提升了模型针对遥感场景的特征提取能力。其次,颈部部分引入DAnet中的位置注意模块和通道注意模块提升模型复杂背景下多尺度目标的检测能力,抑制显著无关目标的特征,提升模型检测精度,并且进行了跨层特征图连接和增添了一层小目标检测层,提升模型对于细微小目标的感知能力。最后设计了一种类内聚合且类间分离的损失函数,显示引导模型提取更具可判别性的特征。相较于原YOLOv5n结构,改进算法在精确率方面提升了9.1%,召回率方面提升了7.4%,mAP50提升了10.7%。实验结果表明:改进YOLOv5算法能够高效且准确地识别出复杂背景下的架空破损地线目标。

关键词： 机械缺陷   机器视觉   图像处理   卷积神经网络  

摘要： 文章对基于卷积神经网络的机械零件表面缺陷检测系统进行了深入地研究,包括系统设计、图像预处理与缺陷检测算法等方面。文章首先研究了基于视觉方案的机械零件表面缺陷检测系统的基本原理,并探讨了基于环形光源与工业相机的图像采集方法;其次研究了图像预处理技术,为后续缺陷检测提供了清晰的特征信息,并对卷积神经网络在表面缺陷检测中的应用进行了研究。实验表明,该方法可以对复杂背景下采集的机械零件图像进行增强,并检测出缺陷所在位置,为工业零件表面缺陷检测提供了一种高效、可靠的解决方案。

关键词： FasterRCNN   AlexNet   光伏组串   故障识别   深度学习   无人机巡检   目标检测  

摘要： 文章提出了一种基于Faster RCNN与Alex Net的光伏组串故障识别策略。该策略利用Faster RCNN对设备运行状态图像进行目标检测,实现对故障区域的快速定位;通过Alex Net对故障区域进行深层次特征提取,学习故障区域的特征表示;构建分类器或回归器,实现故障类型的识别或故障程度的评估。试验结果显示,所提出的算法在光伏板红外图像识别任务中达到了99.08%的准确率,展示了其在故障识别中的高效性和鲁棒性,为无人机智能巡检系统的实际应用提供了强有力的支持。

关键词： YOLOv8   航拍图像   目标检测   注意力机制  

摘要： 针对无人机航拍图像小目标检测精度低的问题,提出一种改进YOLOv8s的小目标检测算法。算法网络中,通过增加协调注意力机制(Coordinate Attention,CA)来提升目标特征提取能力;改进C2f模块并在颈部网络中引入CARAFE上采样算子,从而降低模型参数,增强多尺度特征融合能力。同时,添加一个160×160尺度的小目标检测层去替换大目标检测层,减少网络深度,提高模型对小目标的敏感度,解决误检漏检问题。实验结果表明:在VisDrone2019数据集上,相较于原YOLOv8s,改进算法的精确率P提升了6.95%,召回率R提升了8.36%,平均精度mAP50提升了13.06%,并且参数量降低了73.02%。改进算法在小目标检测方面展现出良好性能,在多项指标上优于其他YOLO系列算法,体现了其在小目标检测领域的竞争力。