关键词： 色彩管理   计算机视觉   自动校正  

摘要： 传统色彩管理方法在处理高动态范围和多光源环境下的色彩再现面临色彩精度的保持、环境变化的适应性,以及与现有硬件和软件系统的兼容性问题。而计算机视觉提供了通过算法自动识别和校正色彩偏差的方法,对于提高色彩管理系统的自动化和智能化水平具有重要意义。因此,本文将围绕色彩管理系统中基于计算机视觉的自动校正技术进行全面展开探讨,以期望通过科技创新提升色彩管理的精确性和效率,进而推动相关领域的技术进步和应用拓展。

关键词： 深度学习   神经网络   数据集建立   电梯按键识别   图像处理  

摘要： 针对目前因数据集的缺陷导致对电梯按键识别准确率不高的问题,提出了一种用于识别电梯按键的方法。该方法将多个角度收集的电梯按键图像作为数据集;通过形态学运算处理降低了数据噪声,凸显了数据特征;建立了一种训练模型来完成对图像的训练。该方法在训练和实验阶段识别准确率分别为95.90%和97.17%。

关键词： 目标检测   感受野模块(RFB)   坐标注意力   小目标   深度学习  

摘要： 针对坐标注意力(CA)在水平和垂直方向特征的平均池化可能丢失目标显著特征,以及使用二维普通卷积对小目标特征学习不足的情况,提出了CARFB(coordinate attention and receptive field block)模块。该模块将CA的平均池化修改为平均+最大池化,以保留输入特征在水平和垂直方向的显著和细节信息;利用RFB具有不同大小感受野的优势,在水平和垂直方向分别使用RFB模块代替CA的融合特征统一卷积,以同时提取不同大小目标的特征;引入包含不同大小卷积核和步长的CBS模块,替换CA的二维普通卷积,进一步提取水平和垂直方向的特征,得到重新加权的输出特征。CARFB模块在水平和垂直方向保存目标位置信息,利用不同感受野提取不同大小目标的强辨别性特征,从而具有更强的特征学习能力。为了验证提出的即插即用模块CARFB的性能,将其嵌入ObjectBox目标检测框架,得到ObjectBox-CARFB模型;用CARFB模块替换RFBnet中的RFB模块,得到CARFBnet目标检测模型。MSCOCO数据集的实验测试表明,ObjectBox-CARFB模型的性能得到全面提升,尤其对小目标的检测性能提升突出;PASCALVOC和MSCOCO数据集的实验结果表明,CARFBnet300和CARFBnet512的目标检测能力分别优于原始RFBnet300和RFBnet512模型,并优于其他同系列对比模型。提出的CARFB模块具有更强的特征学习能力,对不同尺度目标均能取得较好的检测效果,特别是在小目标检测方面,效果提升显著。提出的CARFB模块可以嵌入到任何一个卷积神经网络,能保存更多的目标信息,具有更强的特征学习能力和更高的网络性能,对不同尺度目标均能取得较好的检测效果,尤其对小目标的检测效果提升显著。

关键词： 目标检测   卷积神经网络   单阶段   两阶段   目标检测应用  

摘要： 近年来,深度学习在GPU高性能计算能力的加持下得到了迅速推广,并在安防、医疗、工业等领域实现了广泛应用。目标检测模型的性能也在稳步提高,从传统的目标检测方法逐渐过渡到基于卷积神经网络(CNN)深度学习的进一步应用,极大地节省了人力物力。通过参考大量文献,按照两阶段脉络梳理了目标检测的发展历程以及近年深度学习在目标检测领域内的研究进展,对比了在不同数据集上模型网络的性能,总结不同方法的优势与不足,并对领域内重要数据集作了归纳,还对目标检测算法的落地效果做了总结,特别是生活与科技中的实际应用(无人驾驶、医学图像、遥感等)。最后,还对深度学习驱动下目标检测在未来研究上的机遇和挑战作了展望。

关键词： 花椒簇   目标检测   YOLOv5   轻量化   深度学习  

摘要： 花椒簇的自动化采摘是实现花椒智能化生产、降低生产成本的重要部分，花椒簇在自动化采摘时快速准确检测是其重要前提。以花椒簇为研究对象，提出一种基于YOLOv5s的轻量化花椒簇检测模型GGL—YOLO。首先，在GhostNet浅层添加SE注意力机制，并且删除GhostNet较深的冗余层，用优化后的GhostNet作为YOLOv5s的主干；其次，在模型的颈部采用更加轻量的GSConv卷积方法和C2f模块；最后，在P3、P4、P5特征图输出层使用动态感受野的方法。结果表明，GGL—YOLO模型相比于YOLOv5s模型，平均精确度均值mAP提升1.5%、参数量降低58.6%、浮点运算数FLOPs降低66.7%，检测速度提高13.2%。该模型对花椒簇检测准确度高、速度快、参数量低，具有可行性。

关键词： 计算机视觉   卷积神经网络   高效通道注意力机制   生成对抗网络  

摘要： 针对稻谷病害之间差别细微、难以实现精确识别的问题，提出一种基于Res-DCGAN和改进AlexNet的稻谷病害识别方法。首先，针对数据集多样性不足的问题，使用基于残差优化的深度卷积生成对抗网络(Res-DCGAN)联合非生成式方法对数据集进行扩充；其次，设计基于高效通道注意力机制的多分支特征提取结构的AlexNet,使不同尺度特征相融合，同时聚焦图像关键信息，且引入批量归一化方法和全局平均池化层，防止过拟合，减少参数量；最后，引入联合损失函数，使模型同时专注于难分类的样本。本文采用的扩充数据集的方式相较于仅使用非生成式方式，精确率提高了2.2%,且改进后的模型准确率达99.05%。相较于传统的AlexNet, VGG16和Inception v3模型分别提高了3.67,2.84和1.97个百分点，其模型收敛更快，泛化能力更好。

关键词： 目标检测   FPGA   动态定点量化   Winograd算法  

摘要： 在农业机械自动装配产线上，其嵌入式控制平台片上资源极其有限，而基于卷积神经网络的深度学习检测系统参数量过大，难以直接移植于嵌入式平台，为此，本文提出一种基于改进ResNet18-SSD(Single shot multi-box detector)和现场可编程门阵列(Field programmable gate array, FPGA)加速引擎的深度学习实时检测方法。为了降低参数量的同时提高检测模型准确性，提出基于ResNet18-SSD的深度学习快速检测模型，利用优化改进后的ResNet18网络替换SSD模型的VGG16前置网络，引入多分支同构结构和非对称并行残差结构，使其能适应遮挡、光线昏暗等复杂场景；在满足检测精度需求的情况下，采用动态定点量化的方式，对模型数据量进行缩减，以提高检测模型执行效率。针对改进ResNet18-SSD模型中消耗资源严重的卷积层，提出一种基于Winograd算法的FPGA加速引擎，提高模型检测实时性，通过软硬件协同设计，从硬件加速器与软件网络轻量化两个角度进行联合优化，实现轻量化、加速性能及复杂场景下准确性三者之间的平衡。在Xilinx FPGA嵌入式平台的实验结果表明，本文方法检测准确率达到93.5%,当工作频率为100 MHz时，单幅图像检测时间为80.232 ms,满足实时性需求。

关键词： 全息凝视雷达   雷达小目标检测   YOLOv8   ECA注意力机制   小目标检测层  

摘要： 小目标检测在低空飞行器管理、环境监测、边境安防等场景中发挥着至关重要的作用，是保障低空空间安全和推动低空经济发展的关键技术之一。现有的雷达目标检测算法在处理“低慢小”目标时，往往受到目标尺寸、信噪比（Signal-to-Noise Ratio,SNR）以及背景杂波等因素的限制，导致检测效果不佳。针对上述问题，本文提出将雷达距离-多普勒（Range-Doppler,RD）平面图输入改进后的YOLOv8模型，并结合实际雷达数据进行验证，实现了小目标检测性能的提升。本文利用全息凝视雷达采集了实测数据并进行数据标注和数据集制备。在模型设计方面，本文引入了高效通道注意力（Efficient Channel Attention, ECA）机制。ECA机制通过使用一维卷积代替传统的全连接层，在不增加额外参数量的前提下，有效地捕获了通道间的依赖关系。这种改进能够增强网络在不同通道上的特征选择能力，从而能够对小目标进行准确检测。同时，本文在模型中增加了小目标检测层，该检测层通过调整特征图的分辨率，使得模型能够对更小的目标进行特征提取和识别，从而弥补了常规检测网络对小目标处理能力不足的问题。此外，本文在实验部分选取了多种模型进行对比。实验结果表明，本文提出的改进模型在多个评价指标上均优于其他模型。与基准YOLOv8n相比，改进模型的精度提升了2.3%,mAP@0.5提升了1.9%,mAP@0.5-0.95提升了3.5%。总体来看，本文提出的模型在精度、召回率及mAP@0.5等指标上均表现出最佳的检测效果，验证了所提方法在雷达小目标检测中的有效性。

关键词： 目标检测   无人机   航拍图像   深度学习  

摘要： 近年来，无人机凭借其卓越的灵活性、机动性以及对目标的精准感知能力，在众多领域发挥着重要作用，将基于深度学习的目标检测方法与无人机系统相结合，已成为当前研究和应用的焦点之一。然而，在实际模型部署和检测过程中，无人机系统往往易受到计算资源限制、复杂背景干扰以及图像分辨率不足等因素的影响，这些因素会导致模型性能下降，难以实现高效准确的检测任务。鉴于此，本文首先系统阐述了无人机航拍图像目标检测领域所面临的难点与挑战；随后，针对上述问题，重点综述了基于深度学习的检测方法和优化策略；接着，对现有的航拍图像数据集及其特性进行详细概述，为后续研究提供数据支持；最后，总结展望了该领域在未来的研究方向和发展趋势，指出亟待深入探究的关键问题，以期为后续研究提供有益的参考和指导。

关键词： 计算机视觉   目标检测   课堂行为识别  

摘要： 学生课堂行为的识别有助于了解学生学习状态，为实施有效学习干预提供重要依据。随着人工智能的快速发展，计算机视觉技术已成为识别学生课堂行为直接且有效的手段。文章采用文献分析法，对学生课堂行为识别的研究现状及趋势进行深入探讨，首先介绍了计算机视觉技术的基本原理及学生课堂行为的相关概念，梳理了学生课堂行为识别方法的研究现状，随后分析其在教育领域的典型应用，最后探讨了学生课堂行为识别未来在多模态融合、实时性高精度、数据集构建等方向上的发展趋势。