关键词： 粗粒土   三轴试验   CT试验   图像处理   剪切带   破坏  

摘要： 粗粒土被广泛应用于筑坝材料,宏观力学性质受其细观层面的颗粒运移和局部变形演化影响。通过对风化千枚岩进行CT三轴试验,并结合数字图像处理技术,量化分析粗粒土在控制速率加载下的颗粒运动和局部变形破坏过程,揭示其宏细观力学特性。结果表明:采用USM锐化以及材料分割对CT图像进行增强处理,有效凸显土颗粒的边界特征。试样内各区域的变形差异显著,靠近试样端部以较均匀的轴向压缩为主,破坏面附近局部变形表现为压缩和侧向扩移;剪切区域CT数平均值呈明显的先增后减规律,应变分布可由颗粒运动与局部变形反映。围压较大的试样剪切带发育为颗粒间的切向错动与法向扩移的耦合效应。试样沿着剪切面连续渐进发展,轴向应变16%左右各局部区域依次加速破坏。剪切带的形成经历了压密、孕育、扩展,直至贯通的渐进演化过程。

关键词： 目标检测   军用飞机   YOLOv8   倒置瓶颈   注意力模块   特征金字塔  

摘要： 针对现有的轻量级目标检测算法在应用于遥感图像军用飞机目标检测任务所面临的模型参数大、检测速度慢的情况,提出一种基于YOLOv8n的轻量级遥感图像军用飞机目标检测算法:LeYOLO-MARs。采用了优化后的倒置瓶颈模块替换原始主干网络中的经典瓶颈模块,更换高效的骨干网络特征提取模式,在保持特征提取能力的同时,有效降低了计算需求并提升了计算速度;颈部网络中引入了快速金字塔架构网络,减少了卷积层数并提高了语义信息共享的效率,减少了锁定和等待时间,同时考虑了有限的并行化机会和架构的复杂性;使用轻量级解耦网络头,通过逐点卷积简化检测头结构;使用Inner-SIoU作为新的定位回归损失函数,提升对小目标样本的学习能力并加快回归边界框的收敛;加入了轻量级金字塔压缩注意力机制模块,有效整合局部注意力和全局注意力,以建立long-range通道依赖关系。实验结果表明,改进的算法在保证检测速度的同时取得了95.7%的检测精度,比基线模型高0.4%,模型参数缩小43%,计算量减少63%,较主流算法在检测效果上有一定的提升,能够对军用飞机目标进行高质量实时检测。

关键词： 计算机视觉   AI美容设备   皮肤病诊断   应用  

摘要： 本文深入探讨了基于计算机视觉的AI美容设备在皮肤病诊断中的应用,涵盖了其技术架构、实际运用效果及未来发展与所面临的挑战。分析了AI美容设备中核心的计算机视觉系统构成及其工作原理,解释了图像捕获与处理在皮肤病诊断中的关键性作用,同时,阐述了机器学习算法在皮肤纹理识别中的应用和深度学习技术在模式检测方面的显著优势。进而,评估了AI美容设备在数据采集领域的多维度效能、与传统方法相比的诊断准确性提升,以及在用户体验上的界面友好性和操作简便性。最后,讨论了扩充数据集以增强诊断覆盖的重要性,以及为适应日益复杂的病理变化而进行的技术迭代和算法优化的必要性。

关键词： 草莓   深度学习   YOLOv5   损失函数   目标检测  

摘要： 草莓检测对草莓的自动化采摘具有重要的意义和价值,针对目前草莓模型检测精度较低、模型占用较大等问题,基于深度学习技术,提出一种改进YOLOv5的目标检测方法。首先,使用Ghost模块对YOLOv5主干网络进行优化,降低模型参数量和复杂度;其次,使用坐标注意力模块CA,提升模型对草莓关键特征的关注;然后将YOLOv5中的定位损失替换为SIoU,考虑边界框回归之间的向量角度。结果表明,该模型的平均精度均值为94.8%,相较于目前经典的目标检测模型,检测能力提升显著,一张图片的预测时间为25.2 ms,模型大小仅为10.4 MB,具有较快的推理速度且模型尺寸较小。为草莓检测提供更加准确快捷的检测方法,更为容易地应用到移动式和嵌入式设备中。

关键词： 损失函数设计   降采样   缺陷检测   目标检测  

摘要： 针对PCB在生产过程中会出现短路、漏孔等缺陷,已有的损失函数和降采样算法存在定位不准确等导致缺陷检测收敛缓慢、检测结果不准确的问题,提出了一种基于掩模降采样和微小缺陷交并比损失的一阶段缺陷检测器.首先,提出基于面积损失的微小缺陷交并比损失函数,以进行更精确的微小缺陷回归定位;其次,提出基于动态掩模的降采样算法,以利于检测器在缩小参数矩阵尺寸过程中自动筛选重要特征、次要特征和噪声特征,提升缺陷检测器的特征提取能力.实验结果表明,提出的缺陷检测器在北京大学PCB缺陷数据集和Deep PCB数据集上可分别达到98.50%的mAP和99.02%的mAP,优于对比算法;提出的降采样算法使YOLOv5等检测器的mAP在北京大学PCB数据集中提升了1.6个百分点,提出的损失函数有利于YOLOv3和YOLOv4等检测器提升其在2个数据集上的检测准确率,展现出良好的鲁棒性.

关键词： 深度学习   缺陷检测   YOLOv8   图像处理  

摘要： 针对铸造零件X射线DR图像小目标缺陷特征不明显,现有目标检测算法精度不高的问题,提出一种基于YOLOv8的铸件DR图像小目标缺陷检测方法。首先通过CLAHE算法,增加图像对比度,突出缺陷细节。其次对灰度图像进行通道扩充,增加深度学习网络可学习信息。最后改进YOLOv8网络,使用空洞卷积提取更大感受野的初始特征;引入Sim AM注意力机制加强重要特征;添加小目标检测层获得较大尺寸的特征图。结果表明,改进的YOLOv8算法对铸件小目标缺陷检测的均值平均精度(m AP)和m AP@0.5∶0.95分别达到了86.1%和52.5%,较原模型分别提高了2.87%和10.10%,铸件小目标缺陷检测精度更高。

关键词： 姿态估计   Mediapipe   计算机视觉   RK3588   驱动开发   点阵屏  

摘要： 基于Mediapipe的交互式动态红绿灯系统,旨在通过科技与艺术的融合,为城市公共空间注入活力,同时提升居民的交通安全意识。系统采用RK3588开发板、USB摄像头和RGB点阵屏作为硬件基础,利用Mediapipe计算机视觉算法进行人体姿态的实时捕捉与识别。通过摄像头捕捉图像数据,经过深度分析转化为人体关键点位数据,并在点阵屏上以动态光影形式展示。实验结果表明,系统的姿态识别率达到95%,识别延迟约为50ms,系统性能与稳定性良好。

关键词： 车辆荷载识别   称重传感器   车-路(桥)耦合   多传感器融合   计算机视觉  

摘要： 随着我国公路运输需求的增长和极端天气的频发,道路基础设施的维护与管理面临严峻挑战。笔者探讨了在政策背景、气候变化和技术进步的推动下车辆荷载识别技术的需求;分析了车辆荷载识别技术的理论研究进展、传感感知手段及误差影响;最终提出了车辆荷载识别技术未来可能的发展方向,包括精细化的理论模型、多传感器融合、非接触式感知、人工智能算法优化和数据资源整合。这些技术进步将为道路与桥梁提供更精准的运维策略和可靠的安全保障措施,提升交通基础设施的功能性、耐久性和经济性。

关键词： 机器视觉   目标检测   YOLOv5算法   Transformer结构   电动三轮车  

摘要： 针对我国道路交通管理工作中的电动三轮车目标检测问题,以及当前检测模型在小目标检测和实时性上的不足,提出了一种基于改进YOLOv5s模型的检测方法。对原始的YOLOv5s模型进行改进,增加小目标检测头,引入结合高效加性注意力机制的Transformer结构,结合城市道路场景构建数据集。实验结果显示,改进模型在精确度、召回率和平均精度均值(mAP@0.5)等性能指标上分别提升了0.67、2.68、5.78百分点。同时,模型在帧率上达到了92 frame/s,表现出了良好的处理能力,能够满足实际道路交通场景下的实时检测需求。

关键词： 雾天   目标检测   金字塔网络   金字塔池化   注意力机制  

摘要： 针对在雾天条件下能见度降低和特征信息的丢失,行人车辆检测效果差的问题,提出了一种基于Yolov8改进的I-Yolov8网络模型。首先引入双向加权特征融合金字塔网络并新增了小目标检测头,以增强对多尺度目标的检测能力更有效地捕捉雾天条件下小目标的特征;其次对空间金字塔池化层进行优化,以提升模型对不同分辨率特征的整合能力;模型还集成了ECA注意力机制,以增强模型对图像关键特征的提取;最后采用WIOUV3损失函数以提高目标边界框的预测精度。在RTTS真实雾天场景数据集上的实验结果表明,改进模型的平均准确率达到76.6%,相较于基线模型提升了5.6%,同时保持了125的帧率,实现了检测精度与速度的平衡。