关键词： 无人机影像   多目标检测   YOLOv5   非对方卷积核   卷积注意力  

摘要： 针对无人机影像中小样本多、背景复杂、样本长尾分布等问题，基于YOLOv5提出一种非对称卷积与注意力机制融合的检测方法。在骨干网络中使用非对称卷积核组与其等效卷积核分别参与模型的训练与测试，同时引入增加卷积注意力机制提高对小样本特征的学习能力。在特征融合网络中，让浅层特征图参与特征融合，并增加额外的检测输出尺度。为解决图像质量不佳与样本长尾分布问题，通过多组处理算法进行图像质量增强处理。实验结果表明，所提出改进模型在精度方面显著优于原始模型与对照组模型，在实验环境下能实现流畅检测，可以在应急救援、警务巡逻等任务中起到较为重要的作用。

关键词： 数字图像相关   初值估计   应变测量   位移测量   图像处理  

摘要： 数字图像相关方法是一种基于数字图像处理的用于获取物体表面变形的非接触测量方法。针对现有的初值估计方法计算负荷较大的问题，提出一种基于已计算子区结果进行传递修正的多级网格(Multi-Level Grid, MLG)初值估计方法。首先，根据子区数量以及子区间隔将所有子区划分网格等级，0级网格间距最大，最高级网格取正常设定的子区间隔；然后，利用其他初值估计方法对子区间距最大的0级网格所有子区进行初值估计和迭代计算；最后，根据低层级网格子区的变形参数估计高一级的网格子区的变形参数初值，并进行迭代计算，循环执行直至完成所有级别的子区计算。所提出的算法利用经典“DIC挑战”中的图片进行验证，通过对比FFTCC整像素初值估计方法、基于特征点匹配的尺度不变特征变换初值估计方法和可靠性引导的初值传递方法，验证了所提出的算法可以有效提高整体初值估计准确性，进而降低ICGN迭代次数，提高算法整体执行速度。

关键词： 计算机视觉   点云配准   RANSAC   假设评估  

摘要： 本文提出了一种创新的假设度量方法，将通过三角形投票方法获得的点对置信分数与基于点对的度量相结合。该方法核心观点是：一个好的假设应能将高置信分数的对应点精确对齐，从而产生更高的得分贡献。此外，本文还对现有基于内点的度量有效性方法加以改进，提出2种改进方法：忽略具有较小变换误差的内点距离，以及抑制由大量低置信度对应点引起的错误高分贡献。在3个数据集上的对比实验表明，所提出的度量方法能够提升所有已知的基于点对的度量准确性，并在默认参数设置下有1%～16.95%不同程度的配准性能提升和1.67%～10.79%的时间节约，在时间消耗、鲁棒性和配准性能之间实现了更好的平衡。特别地，改进的内点计数度量具有更加鲁棒和精确的配准性能。因此，本文所提出的度量能够在RANSAC的假设评估阶段识别出更正确的假设，从而实现精确的点云配准。

关键词： 图像处理   滤波   颜色模型  

摘要： 阐述基于图像处理的荔枝外观检测研究方法可以高效准确筛选荔枝，做到优劣区分、品质分级。试验应用RGB颜色模型和HSV颜色模型，以及十种滤波检测方案。结果表明，中值滤波是基于图像处理荔枝外观检测方法中的最优方案，能够高效判断出荔枝的优劣，准确检测出荔枝的红绿比。

关键词： 无人机遥感   地面目标检测   MobileNetv3   高效通道注意力  

摘要： 设计了一种轻量级目标检测模型，用于在边缘计算硬件上部署实施无人机影像目标检测任务。模型以MobileNetv3作为骨干网络，引入高效通道注意力机制来提高特征学习效率；在特征融合网络中设置多重上采样与下采样路径，让全部特征图均参与特征融合，进一步提升信息丰富度。实验证明，本文设计模型相较先进的YOLOv5s以及Tiny-YOLOv4在精度方面均有更好的表现，在mAP0.5方面相较两组对比模型分别提高了4.8%和11%,同时在测试环境下的检测速度能达到35.2 FPS,满足实时检测的要求。

关键词： 计算机视觉   移动机器人   目标检测  

摘要： 阐述计算机视觉技术在移动机器人路径规划中的应用。该技术能够为移动机器人提供路径规划的基本依据，通过识别工作目标和运行路径上的障碍物，为机器人的自主导航决策提供支持。

关键词： 人工智能   婴儿监护系统   计算机视觉   姿态识别   Home Assistant  

摘要： 随着人工智能技术的发展，婴儿监护系统在生活中的应用日益普及，本文设计了一种基于人工智能的婴幼儿行为监护系统，利用计算机视觉技术和深度学习算法，结合Raspberry Pi 4B、Camera V2等硬件设备，实现对婴幼儿行为的实时监测与智能分析。系统通过Google MediaPipe姿态识别算法提取婴幼儿关节特征并结合设置的安全范围，采用优化后的Moondream 2模型进行多模态数据推理，显著提升系统实时性和准确性。系统引入轻量化时间序列分析模块以增强行为变化的敏感度以及动态预警功能的集成，确保监护系统的高效、可靠。通过Home Assistant平台、MQTT协议及内网穿透技术，系统支持远程访问与实时通知功能。实验结果表明，系统在准确性及稳定性方面表现良好，可广泛应用于家庭监护和智能看护场景，为婴幼儿的安全管理提供了新型解决方案。

关键词： 机器视觉   烟支   外观缺陷检测   传统YOLOv5s   目标检测  

摘要： 针对烟支外观缺陷数据的特点，提出了一种改进YOLOv5s的烟支外观缺陷识别方法。首先，使用k-means++算法优化了YOLOv5s的锚框尺寸回归，增强了锚框与缺陷大小的适配性。其次，针对数据特点在损失函数中引入位置损失，提升缺陷的位置敏感性。最后，针对数据不平衡引起的问题，优化了推理策略，使其能支持独立置信度阈值，提高综合性能。经过以上优化，准确率达到86.49%，召回率达到81.81%,F1 Score达到0.84,mAP@0.5达到0.73。与传统YOLOv5s相比，所提方法的准确率、召回率、F1 Score、mAP@0.5分别提高了1.83%、2.74%、0.02、0.02。推理时应用独立置信度阈值，在测试集上推理出整体准确率、召回率、F1 Score分别达到89.7%、86.3%、0.88，与未应用独立置信度阈值相比，其提高了3.2%、4.5%、0.04。研究结果表明，所提出的改进方法不仅提升了烟支外观缺陷识别的准确性和稳定性，还为卷烟厂产品质量管控提供了一种高效可行的解决方案，具有重要的实际应用意义。

关键词： 读数识别   深度神经网络   DBNet   透视变换   目标检测  

摘要： 为提高水务公司对居民用水量的管理，提出一种基于深度神经网络模型的数字式水表读数检测和识别方法。在原始DBNet网络模型的基础上对特征提取网络进行改进，将特征提取网络ResNet网络替换成DPN双路径特征提取网络；使用透视变换算法对倾斜的读数区域图像进行校正；采用YOLOv5s网络模型对读数区域中的若干个数字进行识别；通过水表识别应用系统将读数结果进行显示，完成水表图像实时检测与识别的功能。实验结果表明：YOLOv5s网络模型具有较好的鲁棒性，能够准确识别出遮挡、模糊以及双半字符数字，识别准确率高达99.1%。

关键词： 目标检测   深度学习   火灾检测   特征融合   YOLOv5  

摘要： 针对目前火灾中烟雾和火焰的检测研究比较单一，且缺少烟雾火焰数据集、检测模型的抗干扰能力不强等导致检测精度低的问题，提出了一种改进YOLOv5的烟火目标检测算法。首先通过网络爬虫获取火灾图片，然后利用开源软件LabelImg在图片中标注烟雾和火焰目标，构建高质量烟雾火焰数据集，并且利用数据集增强方法扩充数据集，以此来提高模型的泛化能力，其次使用YOLOv5的自适应锚框技术对火焰烟雾数据集进行聚类分析，来获得最优的聚类结果，最后改进YOLOv5中的CSP1模块，对特征进行了融合处理，获取了表达能力更强的特征，提高了模型对火焰烟雾的检测效果。实验结果表明，改进的算法对火焰和烟雾的总体检测准确率和召回率为85.9%和88.4%,检测的平均精度(mean Average Precision,mAP)mAP@0.5为90%,相比原始YOLOv5提高了2%,检测速度为42.2帧/s(Frame Per Second, FPS),能够满足火灾检测的准确性和实时性，可以对火灾进行有效检测。