关键词： 图像处理技术   植物叶片   含水率   无损检测  

摘要： 叶片含水率无损检测对发展智慧农业具有重要意义。本文综述了植物叶片含水率检测技术现状和基于图像处理的叶片含水率无损检测方法,分析图像处理技术识别植物叶片含水率的原理、处理技术,梳理概括基于图像处理检测植物叶片含水率数学模型研究的现状。结果表明,基于图像处理的计算机视觉检测技术对植物叶片的颜色、形状、纹理等外部特征开展含水率检测有较大优势。

关键词： 弱监督目标检测   边界框回归   全监督检测   注意力机制  

摘要： 由于实例级类别标注的缺失,弱监督目标检测网络在精确预测目标位置时面临显著挑战。当前主流策略倾向于采用分阶段学习,然而这一过程可能导致特定对象类别陷入局部最优。为克服此难题,提出一种新的端到端联合训练框架,即构建了一个集成多实例学习与边界框回归分支的统一网络架构,两者共享一个高效的主干网络以促进协同。同时,引入注意力机制于主干,深化特征中的位置信息挖掘。通过在基准数据集PASCAL VOC 2007、2012上的广泛实验验证,证实所提方法达到了较高的性能。

关键词： 继电保护   图形畸变   图像处理   匹配   拼接  

摘要： 针对继电保护室巡检空间狭小,设备巡检拍摄的图像难免存在畸变,对设备的安全可靠运行具有一定影响的问题,提出了对图像畸变校正和图像拼接方法。首先,对继电保护室保护屏柜图像的倾斜及畸变特征量进行分析,通过寻找棋盘格的角点,对图像进行倾斜及畸变矫正;接着,基于特征提取、特征匹配及图像配准实现图像匹配;最后,通过图像拼接,得到清晰完整的所需图像。以某电力二次保护屏柜的畸变图像组为例,应用所提图像处理技术,验证了所提算法技术能够有效解决小空间内图像畸变和不完整的问题,获得狭小空间和一定俯仰角度下的无畸变图像。

关键词： 深度学习   注意力机制   目标检测   目标追踪  

摘要： 根据飞鸟回波在天气雷达反射率产品上呈现明显的圆环形态这一具体图像特征,提出一种基于轻量化卷积神经网络(YOLOv5)与多目标跟踪算法(DeepSort)相结合的改进算法,利用2020—2023年营口雷达体扫回波强度资料,构造模型训练数据集和测试数据集,分别对鸟回波进行识别和追踪。首先,在YOLOv5算法中引入轻量级注意力机制以提高整体模型检测的准确性与有效性;其次,在DeepSort算法中将原有的交并比IOU匹配机制替换为一种改进的目标检测的损失函数DIOU匹配机制,DIOU在计算边界框重叠度的基础上,引入了边界框中心点之间的距离,从而提供更精确的定位,减少了因部分遮挡重叠等原因造成的追踪目标编号ID错误匹配和ID切换次数。试验结果表明,优化后的YOLOv5算法在精准度方面提升了2.6百分点,召回率提升了1.0百分点,阈值大于0.5的平均精准度提升了1.2百分点;改进后的DeepSort算法使得ID切换次数降低2次,多目标跟踪准确率提高了4.5百分点,实现对初始模型的轻量化;整体检测性能得到明显提高,满足对鸟回波识别与追踪的实际需求。

关键词： 计算机视觉   遥感图像目标检测   YOLOv8   多尺度   小目标  

摘要： 由于遥感图像目标检测中尺度变换以及小目标特征信息丢失等问题的存在,导致现有模型检测精度不佳。为解决上述问题,以YOLOv8为基线网络进行改进,提出了一种基于多尺度特征聚合的遥感图像目标检测算法。首先,引入LSK(Large Selective Kernel)构建LSKC2f模块,通过LSKC2f自适应地调整感受野大小,帮助模型充分提取多尺度目标的特征信息;然后,设计一个全局特征聚合(Global Feature Aggregation)模块,将浅层特征图与多个不同尺度的深层特征图进行融合并输出,提升小目标检测精度。实验结果表明:相较于基线网络,改进的新算法在具有挑战性的公共数据集DIOR上的检测精度提升了1.4%达到了73%,证明了本算法的有效性。

关键词： 注意力机制   分组卷积   通道重洗   图像分类   目标检测  

摘要： 注意力机制的引入使得主干网能够学习更具区分性的特征表示。然而,为了控制注意力的复杂度,传统的注意力机制采用的通道降维或减少通道数而增加批量大小的策略会导致过度减少通道数和损失重要特征信息的问题。为解决这一问题,提出通道重洗注意力(CSA)模块。首先,利用分组卷积学习注意力权重,以控制CSA的复杂度;其次,通过传统通道重洗和深层通道重洗(DCS)方法,增强不同组间的通道特征信息交流;再次,使用逆通道重洗恢复注意力权重的顺序;最后,将恢复后的注意力权重与原始特征图相乘,以获得更具表达能力的特征图。实验结果表明,在CIFAR-100数据集上,与添加CA(Coordinate Attention)的ResNet50相比,添加CSA的ResNet50的参数量降低了2.3%,Top-1准确率提升了0.57个百分点;与添加EMA(Efficient Multi-scale Attention)的ResNet50相比,添加CSA的ResNet50的计算量降低了18.4%,Top-1准确率提升了0.27个百分点。在COCO2017数据集上,添加CSA的YOLOv5s比添加CA和EMA的YOLOv5s在平均精度均值(mAP@50)上分别提升了0.5和0.2个百分点。可见,CSA达到了参数量和计算量的平衡,并能够同时提升图像分类任务的准确率和目标检测任务的定位能力。

关键词： 疲劳监测   施工人员   深度学习   计算机视觉   作业姿势评价  

摘要： 量化施工人员疲劳程度对减少施工不安全行为、保护工人生理性健康和提高现场的安全管理水平具有重要意义。基于OWAS和RULA姿态评估方法建立疲劳评价指标,并依托NOKOV动作捕捉系统和YOLOv8-pose算法检测分析施工人员的疲劳等级,建立了施工人员疲劳作业姿势评估和方案调整系统。通过试验验证了所提系统的有效性和可行性,结果表明:所提方法能够准确反映现场施工人员的疲劳程度,所提系统能够实现施工人员疲劳程度的自动化检测并提供对应的调整方案。

关键词： 钢筋绑扎机器人   双目视觉   图像处理   目标检测   机器人运动学  

摘要： 高速公路钢筋网片的制作主要采用“人工绑扎+设备焊接”的工艺,焊接故障率高、网片形状受限,无法有效控制放工成本和周期。本文研究基于双目视觉的钢筋绑扎机器人系统,可对钢筋绑扎点自动检测、定位和机器人精准绑扎,具有较高的精度和稳定性,为钢筋绑扎自动化提供了可靠的技术支撑,本文研究的成果非常有效果,希望可以为国内同行提供借鉴。

关键词： 甲骨文检测   深度学习   目标检测   YOLOv8  

摘要： 为解决手写甲骨文人工检测效率低、识别精度不足的问题,本研究将深度学习算法应用于手写甲骨文的自动检测中。首先,建立了手写甲骨文数据集并对其进行标注;然后,通过手动扩充数据集和二次标注,提高了数据集的可信度;最后,在YOLOv8算法基础上,使用滑窗裁剪和识别辅助技术对检测算法进行优化,提高甲骨文检测的准确性。实验结果表明,本研究提出的优化算法提高了模型检测手写甲骨文的精度,鲁棒性较好,具有一定的研究价值和应用前景。

关键词： 无人机   深度学习   目标检测   机器视觉   XMB-YOLOv5s  

摘要： 无人机视角下密集小目标检测存在精度低、对部分目标误检、漏检等诸多不足。针对以上问题,本文提出一种基于XMB-YOLOv5s的无人机小目标检测技术。首先,采用小目标检测层,更加有效地提取和利用图像中的细节信息;其次,用BottleneckCSP和C3TR模块的结构化嵌入实现C3模块的更新,降低了运算复杂度,提高了训练效率;再次,融入CBAM注意力机制使网络能够更好地识别和处理特征,提升图像识别准确率;最后,采用Focal-EIoU Loss解决CIoU Loss对小目标检测不敏感的问题。实验结果表明:与传统的YOLOv5s算法相比,XMB-YOLOv5s算法在VisDrone2019数据集上P提高了4.6个百分点,R提高了4.4个百分点,mAP50提高了4.9个百分点,mAP75提高了5.1个百分点,mAP50-95提高了4个百分点,为无人机小目标检测提供了一种新的方法。