关键词： 条码识别   Linux   图像处理   OpenCV算法   生产管理  

摘要： 传统条码识别系统无法满足企业与日俱增的生产管理需求,为此设计了一种能够批量识别且兼容多种类型的条码自动识别系统。首先在Linux开源系统上开发系统软件,实现大华工业相机焦距调节,图像采集等操作;其次利用OpenCV计算机视觉库对采集图像进行滤波、二值化、特征提取等图像处理,完成一维或二维条码的定位;最后利用QZING条码识别库解析条码中的产品SN信息,并通过QT上位机软件将SN信息上传至数据库完成生产管理。实验验证系统具有良好的准确性和稳定性。

关键词： 计算机视觉   人工智能技术   数据中心   国际数据公司   网络连接   IDC   电子设备   多模态  

摘要： 随着大模型与人工智能技术的蓬勃发展,数字经济已迈入以算力为核心生产力的新时代。在此背景下,算力的供给与应用均离不开稳定可靠的网络连接,而光网络作为底层基础网络,已成为支撑算力服务及应用发展的关键。然而,智算业务的落地应用对光网络的架构、技术和能力均提出了新的挑战。首先,面对数据量的急剧增长,光网络需要提供更大的带宽。据国际数据公司(IDC)测算,预计到2025年,中国产生的数据总量将达48.6 ZB,在智算时代,这些原本存储在各类电子设备上的数据需要“入算”,每年在网络上转移和承载的数据量将达到ZB级。另一方面,随着计算机视觉、科学计算等多模态大模型的发展以及参数量的规模增长,模型的训练调用也将带动数据中心间海量带宽的增长。

关键词： YOLOv8s   小目标检测   无人机   注意力卷积  

摘要： 针对无人机航拍图像存在目标小、目标遮挡等问题,提出一种改进YOLOv8s的目标检测算法YOLO-RC。在骨干网络结构中引入感受野空间注意力(RFA),避免卷积核参数共享,以提高模型的图像特征提取性能。改进C2f模块,引入深度分离卷积,减少模型的计算量。新增混合注意力卷积的小目标检测层,以改善对小目标检测精度。为充分考虑预测图像几何特征,使用MPDIoU损失函数优化网络。在无人机图像数据集VisDrone2019上的实验表明,所提改进算法的mAP@0.5为44.7%,较YOLOv8s提升了5.4个百分点,在新增小目标检测层的情况下,参数量降低了1.81×106。在DOTAv1.0数据集上,mAP@0.5提高了5.6个百分点。改进后的算法具有更强的鲁棒性,适用于无人机视角目标检测任务。

关键词： 深度学习   图像处理   图特征提取   地质信息数字化  

摘要： 该篇旨在探讨了如何通过图像深度学习技术改善数字地图的图特征提取和分类方法,介绍了深度学习和数字图像处理的基本原理,并强调了神经网络在图像识别和特征提取中的关键作用,随后探讨了地质信息的数字化处理说明了地质数据的获取方法以及地理信息系统(GIS)在地质勘探中的核心应用,基础上进一步研究了基于深度学习的图特征提取和分类方法包括数据预处理、深度学习模型的构建与训练、图特征提取以及图像分类和结果解释的全过程,研究结果表明通过集成先进的深度学习技术,尤其是卷积神经网络(CNN)、循环神经网络(RNN)和生成对抗网络(GAN)可以显著提高地质图数据的处理效率和准确性。

关键词： 舰船检测   舰船识别   遥感图像   红外图像   深度学习  

摘要： 舰船目标检测与识别是近年来计算机视觉领域的热点问题,学者们也对此展开了研究,并取得了重要进展。首先,从单模态和多模态2个角度梳理和总结了当前舰船目标检测与识别方法,介绍了基于可见光遥感、合成孔径雷达(SAR)、红外和海平面4种图像的单模态舰船目标检测与识别方法,以及基于不同模态数据的多模态舰船目标检测与识别方法;然后,介绍了14种舰船检测与识别数据集以及舰船目标检测与识别算法在这些数据集上的性能;最后,分析了舰船目标检测与识别技术面临的挑战,并展望了该技术的未来发展方向。

关键词： 动作识别   骨架模态   图卷积网络   视频分类   计算机视觉  

摘要： 随着动作识别任务在计算机视觉领域的飞速发展,更具信息密度的骨架数据已然成为动作表示的重要形式。针对骨架数据动作识别任务的中时空建模问题,提出一种自适应的扩展可分离层多尺度图卷积网络。在空间模块中引入自适应模块,通过网络迭代得到可训练的邻接矩阵,更好地适应各种动作,增强模型灵活性;在时间模块中,采用包含可分离卷积结构的多尺度时序卷积,在提高时间建模能力的基础上,减少计算复杂度和参数。在NTURGB+D60和NTURGB+D120数据集上的实验验证了算法的有效性和先进性。

关键词： 多目标跟踪   深度学习   团队体育视频   VisionTransformer   时空记忆   注意力机制  

摘要： 多目标跟踪(MOT)技术为团队体育视频监测和分析提供了全新的可能性,能够实时跟踪多个运动员并支持对比赛动态的多维度分析与理解。然而,在复杂的团队运动场景下,诸如运动员之间的相互遮挡、快速移动以及目标身份的频繁变换等问题,都可能降低跟踪性能。为此,本文提出了基于VisionTransformer的端到端深度学习MOT框架,主要包括检测网络和记忆网络两个部分。检测网络由卷积神经网络(CNN)骨干网、VisionTransformer编码器和解码器组成,采用ResNet50作为特征提取器,并引入局部注意力(LA)模块替代传统前馈神经网络(FFN)层。通过全局注意力和局部卷积的结合,得到更全面的特征表示。记忆网络由记忆编码模块和时空记忆解码器组成。记忆编码模块负责聚合目标嵌入信息,其中,短时互注意力(CA)模块关注即时状态,而长时记忆CA模块则挖掘了记忆涵盖的时间跨度内的显著特征,捕捉长时间间隔内的依赖关系和关联,从而有效保留了跟踪对象的时间上下文信息。时空记忆解码器在嵌入融合过程中综合考虑了编码帧、候选嵌入和轨迹嵌入信息,解决了MOT中的多目标检测和身份关联。时空记忆机制能够有效地保留目标历史状态的观察结果,并结合注意力机制对目标状态进行准确预测。实验结果表明,所提框架在团队体育视频公开数据集SportsMOT上实现了75.7%的HOTA和98.5%的MOTA结果,优于其他先进的MOT方法。此外,所提框架在通用公开数据集MOT17和MOT20上的多个指标取得了最优或次优性能,进一步验证了所提方法的有效性和鲁棒性。

关键词： 鱼类检测   计算机视觉   YOLOv5网络   膨胀卷积   参数重构   RepVGG模块  

摘要： 针对已有的目标检测方法在复杂场景中对鱼类目标检测效果不理想的问题,提出了一种基于膨胀卷积和参数重构的鱼类目标实时检测方法.先设计了一种四分支融合卷积结构,在引入少量参数量的情况下,扩大了目标检测的感受野,提升了目标检测的效果.再引入了RepVGG(重构VGG)并联辅助分支思想,在训练过程中使用复杂模型进行特征学习,而在推理过程中对模型中的BN(Batch Normalization)层以及1×1的辅助分支中的参数进行融合,利用参数重构对训练过程的冗余参量进行合并,保证了模型的低参数量和实时推理.基于YOLOv5s进行实验,相比原始的YOLOv5s获得了更高的检测精度和召回率,平均精度(mean Average Precision,mAP)达到83.1%,超越了目前主流的目标检测算法.提出的算法在检测速度上相比原始模型无明显降低,处理速度上达到100FPS,在实现高精度检测的前提下保证了鱼类目标的实时检测,为基于视觉的鱼类检测方案提供了有效的技术支持.

关键词： SIFT   特征提取   图像匹配   图像融合   图像拼接   计算机视觉  

摘要： 图像匹配与融合是图像拼接的核心环节,分别影响着图像拼接后的精确度和自然度。尺度不变特征转换SIFT(Scale Invariant Feature Transform)因其具有旋转不变性和良好的鲁棒性广泛应用于图像处理领域,但会导致特征提取匹配耗时长、误匹配等问题。鉴于此,提出了一种结合SIFT和AGAST算法的新方法,通过KNN和RANSAC进行特征点提纯,最后通过改进的加权平均法进行融合拼接。结果表明,该方法可以极大地提升特征提取效率和匹配效率,图像融合效果较好。

关键词： 绕射多次波衰减   人工智能   目标检测   字典特征学习  

摘要： 深水崎岖海底或含有复杂构造海域的地震资料存在严重的绕射多次波。传统的多次波衰减技术依赖于多次波模型与原始数据的相似度,当它们之间的差异较大时,则绕射多次波的衰减效果不佳。提出了利用人工智能深度学习中的目标检测网络检测绕射多次波区域;然后利用字典特征学习的方法,将多次波衰减问题转化为多次波字典特征学习与再重构问题,从而解决了绕射多次波模型与实际数据之间存在较大差异的问题。正演数据及实际数据应用表明,基于人工智能的残余绕射多次波衰减技术能够有效确定绕射多次波的位置并衰减残余绕射多次波,解决了绕射多次波预测不准、衰减效果不佳的问题。