关键词： 颗粒堆积   离散元方法   包装效果   振动参数   图像处理   振动皮带机  

摘要： 目的颗粒的堆积高度反映了包装袋的填充密度,堆积高度越大,则填充密度越小;反之,填充密度越大。探究不同振动参数(振动时间、振动频率、振动幅度和振动方向)对颗粒堆积高度的影响规律,以提高包装袋的填充密度。方法基于DEM(Discrete Element Method),利用EDEM数值模拟软件建立PET颗粒堆积模型,并通过Matlab图像处理技术与实验相结合验证模型的准确性;在此模型基础上,仿真模拟颗粒在静止和振动状态下的堆积行为。结论竖直方向的振动更能降低颗粒的堆积高度,增大填充密度;随着振动时间的延长,颗粒的堆积高度逐渐降低,随后趋于平稳,最大可降低约17.70%;随着振动频率的增加,颗粒的堆积高度显著降低,最大可降低约16.67%;随着振动幅度的减小,颗粒的堆积高度逐渐降低,最大可降低约18.59%。结果通过改变振动皮带机的振动参数,可以有效提升包装袋的颗粒填充密度。

关键词： 声音识别技术   计算机图像处理   自适应噪声抵消技术  

摘要： 分析声音识别技术的基本原理及其在噪声抵消中的应用,研究多模态人机交互中声音和图像处理的协同机制,探讨监控与安全系统中声像同步识别技术的实现方式,提出声音驱动的图像生成技术的具体实现流程。通过对声音特征提取与图像生成的结合,提升多模态交互技术的性能,并为未来智能系统中的多模态融合提供技术支持。

关键词： 按摩机器人   人工标记点   目标检测   YOLOv5   圆心定位  

摘要： 人体穴位识别和定位是按摩机器人的关键问题,是保证机器人安全工作的先决条件。这里结合人工标志点和深度学习目标检测技术,提出了一种按摩机器人穴位贴识别和定位方法。首先在人体背部预按摩穴位点处布置圆形人工标志点,采用基于YOLOv5深度学习网络模型检测圆形标志点在图像中大致区域,并用高斯滤波法滤除该区域中的孤立点和噪声点,然后根据圆形目标的粗定位信息、图像的边缘灰度分布特征获取圆形标志点的边缘信息并检出其中最大连通区域的边缘,最后通过基于椭圆方程的最小二乘算法精确定位出人工标志点的圆心坐标,并利用机器人手眼标定技术转换为机器人按摩穴位坐标,实现人体穴位的自动识别和定位。实验结果表明,在仿真环境下圆心定位误差小于0.7像素(pixel);在实测环境下圆心定位相对误差小于1.8%,可以有效减少目标边缘模糊、相似物干扰、圆形畸变等情况对穴位贴圆心定位精度的影响。

关键词： YOLO   中缅油气管道   遥感图像   高后果区   目标检测   智能识别  

摘要： 为解决中缅油气管道国外段外界环境敏感且复杂多变、人工巡检难度大、危险系数高的问题,提出一种改进的高后果区目标检测算法。首先通过引入卷积注意力模块(CBAM)自适应地学习通道和空间注意力,以增强网络的感知能力和泛化能力;然后使用精确边界框回归的高效交并比(Focal-EIoU)损失全面考虑目标特征和相互关系,处理类别不平衡问题,减少易分类样本的干扰,增强模型鲁棒性;最后将改进模型应用至中缅油气管线遥感图像地区属性化智能识别,并进行相关消融试验,以验证改进YOLO模型的有效性。结果表明:采用所提方法识别中缅油气管线遥感图像特征,田地、绿地、居住地、河流4类地区检测的平均精度均值(mAP)达68.2%;相比于YOLOv5、YOLOx及YOLOv8分别提高29%、21.6%、10.7%。

关键词： YOLOv5s   花椒簇识别   深度学习   目标检测   坐标定位  

摘要： 为满足花椒簇自动化采摘需求,引入YOLOv5s算法。采用深度学习特征提取算法,以跨阶段部分连接暗网(Cross Stage Partial Network,CSPDarknet)为主干网络,进行精准特征处理,增强目标特征表现,用空间变换网络校正图像,通过马赛克拼接、混合增强等手段分析标注不同环境下成熟花椒图像,构建花椒数据集。训练中,优化模型架构超参数,用路由聚合融合特征、在线困难样本挖掘算法聚焦难分样本,系统平均识别率达82.8%。运用开源计算机视觉库(Open Source Computer Vision Library,OpenCV)绘制函数,实现目标精准定位与坐标输出,可解决花椒簇机械采摘的识别与定位问题。

关键词： 海水透明度   自适应检测   遥感数据   图像处理   分析  

摘要： 为了减少海水遥感数据模态多样对海水透明度遥感反演的影响,通过在对水色卫星遥感数据预处理标注,完成数据的交叉校准、质量控制,开展海水透明度智能分析,将不完全、多模态海水透明度遥感数据投影到统一共享特征子空间,通过对数据自适应检测分析、智能化处理,建立海水透明度遥感数据智能分析模型。并利用模型对观测点海水透明度开展反演分析,验证了深度模型具有良好的预测能力,实现少标注下遥感透明度数据的智能分析。

关键词： 计算机视觉   人体姿态估计   注意力机制  

摘要： 目前广泛使用的人体姿态估计方法都采用了保持高分辨率的网络架构,但是由于模型参数和计算复杂度的限制,在边缘设备上部署这些方法十分困难。为了解决这一问题,提出了一种基于增强门控注意力机制的轻量化人体姿态估计方法,设计了全局多尺度并行瀑布模块来增强普通门控注意力模块性能,使其能够有效捕捉多尺度全局特征表征。此外,采用最新Ghost轻量化模块来构建高分辨率网络,以提升轻量级网络的上下文特征提取性能。增强门控注意力网络通过采用重复的多尺度信息交换和增强的特征融合单元,取得了卓越的效果。大量实验结果表明,与现有高分辨率网络HRNet相比,该方法的参数量减少了92.6%,计算复杂度降低了91.2%。在MPII基准数据集的姿态估计性能有了显著的提升。

关键词： 水下生物   多尺度目标检测   YOLO v7   空洞卷积   上采样算子   相似性度量  

摘要： 针对水下目标检测面临着生物尺度变化大以及样本不均衡的问题,本文提出一种水下生物多尺度目标检测方法(Underwater multi-scale-YOLO v7,UMS-YOLO v7)。首先,设计一种由可切换空洞卷积组成的特征提取模块,该模块可在不同大小的感受野上捕获多尺度目标特征,使得提取的特征信息更加全面;其次,使用轻量级的上采样算子融合上下文信息,提高模型对目标的特征学习能力;最后,通过结合Wise-IoU和归一化Wasserstein距离两种相似性度量,提高了不同尺度目标的定位精度,同时降低了多尺度样本分布不均衡对模型的影响。实验结果表明,该模型相较于当前其他模型在检测精度方面表现出明显的提升,在RUOD和DUO数据集上平均精度均值分别达到64.5%和68.9%。与YOLO v7模型相比,UMS-YOLO v7提高了多种尺度目标检测精度,在DUO数据集上,针对大、中、小3种尺度目标平均精度均值分别提升8.3、4.8、12.5个百分点,其中小目标提升效果最为显著。与现有的其他模型相比,改进的模型具有更高的检测精度,更适用于水下生物多尺度目标检测任务,并且针对不同数据分布的样本具有泛化性和鲁棒性。

关键词： AI绘画   生成式人工智能   计算机视觉   可控图像生成  

摘要： 随着计算机视觉和人工智能技术的快速发展,AI绘画逐渐成为数字艺术研究的热点。在艺术学领域,从艺术角度反思技术的研究已较多见,而从技术角度考察艺术则鲜有涉及,因此有必要以技术发展为主线回顾AI绘画的演进,剖析从早期计算机制图、基于规则的图形图像算法到基于深度学习的图像生成三个阶段的发展历程,进一步审视当前AI绘画领域的主流技术,包括文本生成图像、模型微调和可控图像生成等方法。在此基础上,探讨AI绘画面临的技术局限、版权争议、伦理风险等问题,有助于呈现未来AI绘画技术的发展图景。

关键词： 目标检测   深度学习   遥感图像   信息收集和分发机制   NWD损失函数  

摘要： 遥感图像中的目标具有尺度多样、多类别以及背景复杂等特点,使得用于自然图像的目标检测算法在遥感图像目标检测中存在较多的漏检误检和精确度较低等现象。针对这些问题,提出一种基于YOLOv7改进的信息收集和分发机制的遥感图像目标检测算法。首先,设计一个信息收集和分发模块,用一个统一的模块收集不同特征图的信息并进行融合,将融合后的信息分发给需要的特征图,从而可以避免传统特征融合网络中固有的信息丢失,增强模型的特征融合能力从而提升模型的精确度。其次,NWD损失函数替换CIoU损失函数,缓解基于IoU的损失函数对小目标位置偏差的敏感,减少目标的漏检和误检。为了提升模型的收敛速度,设计一个超参数,同时使用NWD损失函数和IoU损失函数。在公开数据集RSOD上进行的实验结果表明,在复杂多样的情况下,改进后算法的平均精度均值(mAP)达到96.5%,相较原YOLOv7算法提升了15.8百分点,证明了改进后算法的适用性和有效性。