关键词： 目标检测   土栖白蚁   活动迹象   智能识别   YOLO  

摘要： 土栖白蚁作为严重危害水利工程和园林树木的重要害虫,其活动迹象的及时识别对于实施有效的蚁害预警和控制措施至关重要。针对这一需求,该研究开发了一种改进的一阶段目标检测算法——ACP-YOLOv5s,该算法基于广泛应用的YOLOv5s模型,通过集成自适应颜色感知模块(ACP-Module)对其进行优化,以增强模型在复杂自然环境下的特征提取和颜色感知能力,特别是在处理颜色混淆问题时有效提升模型的稳定性和泛化性能。在模型的颈部结构中加入CARFE上采样模块,通过扩展感受野并重新组织特征信息,以提高模型对细节的捕捉能力,从而提升识别精度。试验验证结果表明,改进后的ACP-YOLOv5s模型在土栖白蚁活动迹象检测中显示出更高的精确率和平均精度均值。与Faster R-CNN、YOLOv5s、YOLOv5m、YOLOv8和YOLOv9相比,ACP-YOLOv5s模型的精确率为91.2%,分别提升了5.3、5.0、3.4、7.9和0.1个百分点,平均精度均值为92.3%,分别提升了6.7、2.9、1.4、2.2和0.4个百分点,表明ACP-YOLOv5s模型在提高模型对复杂环境适应性方面的有效性,有助于加强对土栖白蚁侵害的早期预警和精确控制,为水利工程和园林树木白蚁防治工作提供了强有力的技术支持。

关键词： 草莓   目标检测   YOLOv5   注意力机制  

摘要： 草莓目标检测有助于监测草莓的实时生长状态,对草莓智能化管理具有重要意义。本文针对复杂环境下的草莓目标检测问题进行研究,提出了一种基于GAM注意力机制的改进型YOLOv5目标检测算法。本文在数据集标注的基础上,通过在YOLOv5模型的颈部网络添加GAM注意力机制来提升模型的特征提取能力,并对比分析不同注意力机制类型的融合检测效果。实验结果表明:相比于原始YOLOv5网络模型,本文所用方法有效提升了草莓目标检测性能,可以更好地平衡检测精度和效率,能够满足草莓目标的实时检测需求。

关键词： 计算机视觉技术   档案数字化   人工智能   深度学习  

摘要： 在信息时代,高校档案管理面临着日益增长的信息量和复杂的管理需求。文章就计算机视觉技术在高校档案管理中的应用展开探讨与分析。首先,对计算机视觉技术进行概述,然后分析其在高校档案管理中的应用场景,包括文本识别、图像增强和恢复、相似图像检索、数据安全和隐私保护、目标检测和识别。研究表明,计算机视觉技术能为高校档案管理的现代化和智能化发展提供理论指导和实践借鉴,提升高校档案管理工作的水平。

关键词： 小目标检测   YOLOv7网络模型   损失函数   深度学习   机器视觉   SE-Net注意力机制   Swin Transformer  

摘要： 为提高小目标的检测精度,提出一种基于改进的YOLOv7的目标检测算法(SM-YOLOv7)。使用Swin Transformer(STR)模块替换主干特征提取网络中的E-ELEN模块,将SPPCSPC网络改进为SPPCSPF网络,在预测部分增加小目标检测头,设计MPC3模块避免网络定位空间信息丢失。通过NWD代替YOLOv7网络模型中的CIoU损失函数,输出端采用SE-Net注意力机制。在Okahublot公开的FloW-Img数据集上验证,实验结果表明,SM-YOLOv7平均精度均值mAP为84.8%,相比基线YOLOv7网络模型提升了6.6%,检测性能优于原网络模型与传统经典目标检测网络模型。

关键词： 场景结构知识   大模型   分割一切模型   协同显著性目标检测   深度学习  

摘要： 现有的协同显著性目标检测(CoSOD)方法通过挖掘组内一致性与组间差异性来学习判别性表征,这种范式因缺乏语义标签的引导导致所学表征的判别性受限,难以应对复杂的非协同目标的干扰。为了解决这一问题,提出一种新的场景结构知识增强的CoSOD模型SSKNet。SSKNet利用大模型mPlug构建目标间场景结构语义关系并通过分割一切模型(SAM)将这种结构语义关系转移到最终的协同显著性结果中。具体来说:首先,为了学习语义知识,引入图像场景理解大模型,对图像组中的图像进行理解,并得到表示结构语义的文本描述组,这些文本描述组以文本的形式描述图像的显著内容;接着,为了获取协同显著信息,设计协同提示提取(CoPE)模块,通过在一组描述文本中使用协同注意力机制获取协同显著文本;最后,为了将协同显著文本转化为协同显著掩码,引入SAM,将协同显著文本以文本提示的方式引导SAM分割协同显著目标,获取最终的协同显著检测掩码。在3个公开数据集CoSal2015、CoCA和CoSOD3k上的实验结果表明,SSKNet模型的综合评估指标Fβ的取值分别为0.910、0.750和0.887,达到了先进水平。

关键词： BOPPPS模式   教学设计   图形图像处理   教学理念   参与式学习  

摘要： 为了改善中职院校学生学习主动性不强的现状,文章采用具备较强实践性与针对性的BOPPPS模式对传统的教学方式进行了优化。在“图形图像处理”课程教学中以“图像色调的调整”为例,对课程内容进行了模块化教学设计,以学生为中心,引导学生主动参与学习,使他们自发掌握相关知识点,并加深其对学习内容的理解。整个教学设计以学生为核心,采用问题驱动的探索式学习方法,旨在唤起学生的学习热情,提升教学的有效性。

关键词： 红花   目标检测   改进YOLOv5   数据增强   非结构环境  

摘要： 为实现农业非结构环境下采摘机器人对红花的准确识别,提出了一种基于改进YOLOv5的红花目标检测算法。将CBAM注意力机制嵌入到YOLOv5网络,提高了小尺寸目标物在高层次特征中的表现力;建立一种Alpha-IoU目标位置损失函数对原损失函数GIOU存在的梯度消失问题进行改进,提高了被遮挡红花的预测率,并通过在目标检测网络中增加分割检测模块,提高宽和高小于最低像素的小目标物检测精度,利用图像扩增数据集对改进后的YOLOv5算法进行训练,再分别与改进前后YOLOv5网络和Faster R-CNN网络在不同红花品种、不同自然光照情况、不同天气条件和不同遮挡情况下进行对比。试验结果表明:改进后的YOLOv5算法P值、R值分别为90.45%和0.90,对非结构环境下盛开期的未采摘红花mAP值达到94.48%,在不同影响因素下都可以准确识别出红花且置信度较高,可为红花采摘机器人自动化作业中的红花识别提供技术支持。

关键词： 弧光检测   受电弓   深度学习   图像处理   实时监控  

摘要： 随着高速铁路技术的迅猛发展,受电弓的安全运行成为确保动车组稳定供电与高效运行的关键。针对受电弓运行过程中可能发生的弧光现象,本研究开发了一套基于深度学习技术的弧光检测系统,旨在实现受电弓安全性的实时监控。该系统通过分析高速摄像机捕捉到的视频数据,利用图像处理技术自动为图像标注“电弧”或“非电弧”,有效降低了数据处理难度。此外,通过关键帧提取和差分技术,本系统显著提升了数据处理效率,减少了对计算资源的需求。实验结果证明,该检测系统能够准确地识别出电弧现象,为评估受电弓的安全状态提供了强有力的技术支持。未来的研究将致力于模型的进一步优化,特别是提升系统在极端环境条件下的适应性和检测准确性,并探索减少硬件成本的方法。本研究不仅对提升铁路运输安全性有着重要意义,也展现了该技术在电力工业和化工产业等其他领域的安全监控潜力。

关键词： 多尺度特征   深层特征   高效提取   脉冲解耦检测头  

摘要： 由于出色类脑机制和自身节能性,脉冲神经网络(SNN)受到广泛研究,且在目标分类任务中取得显著进展,但其在目标检测领域的研究尚处于初步阶段。针对现有SNN目标检测算法在复杂场景下检测精度低的问题,本文构建了一种深层特征高效、轻量提取的脉冲神经网络目标检测架构——ES-YOLO。该架构提出了高效特征提取模块(SDF-Module),并结合多尺度特征提取的空间金字塔设计,显著提升了模型在复杂目标检测任务中的性能。此外,通过引入脉冲解耦检测头,进一步优化了模型的检测精度和实时性。实验结果表明,在VOC2012数据集上,ES-YOLO模型获得了60.5%的mAP@0.5和37.1%的mAP@0.5:0.95的性能指标,相比EMS-YOLO分别提升了4%和3.7%。该模型不仅缩小了与同等架构ANN模型的性能差距,而且整体能耗为同等架构ANN的1/5。为后续SNN在目标检测任务中的广泛应用提供支持。Due to the outstanding brain-inspired mechanisms and energy efficiency, Spiking Neural Networks (SNN) have garnered widespread attention and achieved significant progress in object classification tasks. However, research on SNNs in the field of object detection remains in its early stages. To address the issue of low detection accuracy of existing SNN-based object detection algorithms in complex scenarios, this paper proposes a novel, deep-feature-efficient and lightweight SNN-based object detection architecture—ES-YOLO. The architecture introduces an efficient feature extraction module (SDF-Module) and incorporates a spatial pyramid design for multi-scale feature extraction, significantly improving the model’s performance in complex object detection tasks. Furthermore, by integrating a spiking decoupled detection head, the model’s accuracy and real-time performance are further optimized. Experimental results on the VOC2012 dataset demonstrate that the ES-YOLO model achieves 60.5% mAP@0.5 and 37.1% mAP@0.5:0.95, representing improvements of 4% and 3.7% respectively compared to EMS-YOLO. The model not only reduces the performance gap between SNNs and equivalent ANN models but also achieves overall energy consumption that is only 1/5 that of the equivalent ANN architecture. This work provides support for the broader application of SNNs in object detection tasks in the future.

关键词： 人工智能时代   测绘遥感技术   图像处理  

摘要： 为解决传统测绘遥感效率低、精度差等问题,以智能化测绘遥感工程为例,对人工智能时代下的测绘遥感技术进行研究,提出基于机器学习,加强测绘图像识别;利用机器视觉,进行图像处理;采用深度学习,开展目标检索等方法处理遥感数据,以期为智能化测绘遥感工程提供技术参考。