关键词： 小波变换   图像处理   MATLAB   运动会火炬  

摘要： 根据运动会火炬火焰的目标特征，采用小波方法提取火焰图像的边缘，判断主火炬燃烧区域面的边缘变化，自适应调节主火炬各群组燃烧器的燃气流量，使主火炬稳定燃烧，提高了主火炬的耐风性和抗雨雪性。

关键词： 声学成像技术   人脸识别   图像处理   超声波   多模态融合处理方法  

摘要： 重点研究声学成像技术在人脸识别图像处理中的应用。通过超声波构建面部三维轮廓图，结合视觉图像的多模态融合处理方法，提升人脸识别在低光、遮挡等复杂场景中的准确性和适应性。实验结果表明，该方法在识别准确率、误识别率及特征匹配时间方面均优于单模态处理方法，为复杂场景下的人脸识别提供创新性解决方案。

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： 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： 街景图像   包容度   偏好性   人群属性   计算机视觉  

摘要： 包容度是指城市空间对不同属性群体的开放性和可及性，偏好性则是不同居民属性群体对环境要素的喜好和选择偏向性，两者共同反映了城市对多样化需求的适应性和满足程度.因此，探究环境要素与包容度及居民属性偏好性的关系，对于“以人为本”视角下的城市规划具有重要参考意义.以往的城市包容度及居民偏好性研究多基于访谈和调查问卷等方式，存在成本高、效率低、样本有限等问题，故本研究基于计算机视觉技术，从居民属性多样性的角度提出了一种新的包容度量化指标，探究了成都市清源、同德社区中影响包容度的环境要素，并进一步挖掘了环境要素对偏好性的影响.具体而言，首先，利用Segformer模型提取街景图像中环境要素的语义信息，并统计其所占视觉比例.接着，利用Paddle Detection模型提取街景图像中的人群属性信息，在此基础上构建包容度指标并将其进行空间分布可视化，再利用皮尔逊相关系数分析环境要素与包容度之间的关系.同时，利用皮尔逊相关系数分析环境要素对不同居民属性的影响，得到偏好性.结果表明：（1）研究区域内整体包容度值较高且呈现空间同质性，同德社区的包容度值相对清源社区较高且更为向中心区域集中；（2）研究区域内环境要素对包容度有显著影响；（3）研究区域内不同属性群体对不同环境要素存在显著偏好性.基于研究结论，提出以下规划建议：应协调建筑、墙体与天空的配比；科学管理车辆；道路的宽度和布局应满足不同交通工具的需求；人行道上应设置并维护无障碍通道；适当保留植被.本研究为优化成都市规划布局和推动社区治理精细化提供了科学依据.

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。

关键词： 小目标检测   RT-DETR   轻量化   特征金字塔   像素交并比  

摘要： 为解决无人驾驶飞行器航拍图像小目标检测中背景复杂、目标微小且密集、模型移动端部署困难等问题，提出一种基于RT-DETR(real-time DEtection TRansformer)改进的轻量化小目标检测算法（STD-DETR）。首先，引入RepConv对轻量级网络Starnet进行改进，并替换原主干网络，实现模型轻量化。其次，设计一种新的特征金字塔，在P2层增加尺寸为160 pixel×160 pixel的特征图输出，丰富小目标特征信息，取代传统增加P2小目标检测头的方法，并引入COSE(CSP-ommiKernel squeeze-excitation)模块和SPD(space-to-depth)卷积，增强全局特征的提取能力和多尺度特征的融合能力。最后，利用像素交并比（PIoU）替代原模型损失函数，通过像素级的方式计算交并比（IoU），以更精确地捕捉微小重叠区域，降低漏检率并提高精度。实验结果表明，STD-DETR模型在VisDrone2019数据集上的精确度、召回率、mAP50较基线模型分别提高1.3百分点、2.2百分点、2.3百分点，且计算量、参数量分别降低～34.0%、～37.9%。在公开数据集Tinyperson上进行泛化性实验，所提模型的精确度、mAP50较基线模型分别提高3.7百分点、3.1百分点，验证了所提模型的有效性和泛化性。

关键词： 目标检测   YOLOv8   高效通道注意力   SIoU   GSConv  

摘要： 为降低公路车辆发生火灾事故的风险，减少人员伤亡以及保护公路结构安全，精准并快速检测火灾的发生尤为重要。针对目前公路场景下火灾检测精度不高、检测速度较慢的问题，提出了一种基于改进YOLOv8模型的火灾检测算法。通过重新设计C2f模块，添加了高效通道注意力(Efficient Channel Attention, ECA)机制，提高了检测精度，减轻了车辆尾灯的干扰；使用SIoU(Shape-Aware Intersection over Union)优化原始网络模型的损失函数，提高了边界框的回归性能；在颈部(Neck)模块引入一种轻量化卷积——GSConv(Grouped Spatial Convolution)使模型能够在保证检测精度的同时提高检测速度，增强了模型的实时性效果。实验结果显示，相较于原模型，改进模型在公路车辆火灾检测数据集上，平均精度均值(mean Average Precision, mAP)提高了1.8%,轻量化后的模型参数下降了10%,前传耗时减少了13.6%,拥有更高的检测精度和检测速度，可以满足火灾实时性检测要求。

关键词： 目标检测   表情识别   学生行为检测  

摘要： 学生在课堂中的行为和面部表情是衡量学生学习参与程度的重要指标。针对该场景下学生行为和表情识别中存在的遮挡、样本不均、图像模糊等问题，构建了课堂教学行为和表情数据集，并提出了一种多尺度注意力和人脸盲复原的课堂教学中学生行为和情感识别模型。在学生行为识别模型中，通过添加多尺度遮挡注意力(MultiSEAM)捕获上下文信息和增强与遮挡相关的特征来增强对遮挡学生的识别，使用SlideLoss函数动态为难例样本加权处理样本不平衡问题。在表情识别模型中，使用GFPGAN高分辨率重建和图像增强复原面部特征并增加数据多样性，提高面部表情识别的效果。实验结果表明，与基线模型相比，改进后的YOLO在自建学生行为数据集上的mAP值提升了3.6%。恢复面部细节特征及数据增强后，学生面部表情识别准确率达到82.3%,能够满足实际应用需求。