关键词： 目标检测   Opencv   边缘检测   中值滤波   Otsu  

摘要： 本文提出一种基于OpenCV图像处理技术的管柱零件目标检测方法。通过对传统检测方法的改进和优化,实现了对管柱图像的快速识别与管径分类。经过图像增强处理和预处理操作,包括图像灰度化、二值化、滤波和边缘检测,对灰度图像反色处理,提高灰度图像的质量,根据灰度直方图的分布确定二值化最佳阈值范围。中值滤波PSNR(peak signal-to-noise ratio)值与SSIM(structural similarity)值与双边滤波和非局部均值滤波相比提高了56%和85%;确定中值滤波内核值为13×13。通过仿真确定采用Otsu的分割方式分割图像与Canny边缘检测阈值相结合,可以有效提高Canny算法的自适应能力以及提高边缘的连接度和准确性。验证结果表明:改进后的Canny-like算法在边缘检测准确率上对比传统Canny、Sobel、Prewitt、Laplacian等算法均有16%左右的提升,该算法优化了传统算法检测的连续性和准确率。最后将该检测方法应用于不同环境下的管柱检测,取得较高的检测精度,满足实时准确检测的要求。

关键词： 人工智能   虚拟试衣   计算机视觉   3D建模   服装仿真  

摘要： 随着电子商务和数字化技术的发展,服装虚拟试衣技术成为时尚行业的重要创新手段。文章围绕人工智能辅助下的服装虚拟试衣技术展开研究,系统分析了虚拟试衣的基本原理及其面临的挑战,重点探讨了人工智能技术在人体识别、3D人体重建、服装仿真及纹理映射等方面的应用。通过构建虚拟试衣系统的架构,实现了从数据采集到服装试穿效果呈现的完整流程,以期为未来虚拟试衣技术的发展提供技术参考和创新思路。

关键词： 数字图像处理与分析   研究生   在线课程建设   混合式教学改革   课程思政  

摘要： 数字图像处理与分析是人工智能学科研究生教育的一门重要专业课。针对数字图像处理与分析研究生课程教学中,授课时间不足、教学资源相对缺乏、理论教学与实验环节脱节和课程思政内容较少等问题,构建在线精品课平台,对传统教学模式进行改革,推进线上线下混合式教学模式。注重课程体系构建与教学内容创新,整合视频、课件、案例库等资源,建设线上教学平台,充实课程思政及实践实验工程训练内容,结合课前、课上、课后三个教学阶段的特点,开展混合式教学。以武汉理工大学为例,验证教学模式的改革效果。

关键词： 图像处理   空间坐标   预警监测  

摘要： 阐述基于一种空间化算法模型,设计露天矿山越界开采的预警系统,通过计算得出矿山采掘设备的坐标信息,并与矿山审批范围的图层坐标进行实时比对,实现对矿山越界开采行为的判定。

关键词： 计算机视觉   图像处理   电气设备   自动化检测   特征匹配  

摘要： 为提升电气设备的检测效率和准确性,研究提出基于计算机视觉的电气自动化智能检测方法,通过图像预处理提高图像质量,利用计算机视觉算法对预处理后的图像进行特征识别。数据显示,自适应中值滤波后图像的信噪比为32.3 dB,图像结构相似性为0.91,均高于均值滤波和中值滤波。通过特征点数量和筛选匹配优化的加速稳健特征算法的识别准确率平均值为96.1%,匹配成功率平均值可达97.3%。基于计算机视觉的系统的平均准确率为94.5%,高于传统观察法和维修记录法。研究表明,基于计算机视觉的电气自动化智能检测方法在提高电气设备检测效率和准确性方面的潜力。该方法可以有效地应用于电气自动化领域,实现对电气设备状态的自动化监测和诊断。

关键词： 计算机视觉技术   无人驾驶汽车   目标检测  

摘要： 在当今科技飞速发展的时代,计算机视觉技术已成为推动无人驾驶汽车发展的核心动力。这项技术通过模拟人类视觉系统,使计算机能够从图像或多维数据中识别、处理和理解周围环境,其精准的目标检测、语义分割等功能为无人驾驶汽车提供了感知周围环境的能力,确保了驾驶的安全性和可靠性。该文概述计算机视觉技术,探讨计算机视觉技术在无人驾驶汽车中的具体应用,展望计算机视觉技术在无人驾驶汽车中的应用趋势,以提升计算机视觉技术在无人驾驶汽车中的应用水平。

关键词： 遥感影像   目标检测   自动化处理   铁路外部环境监测  

摘要： 针对铁路遥感影像处理流程复杂、效率低下的问题,文章提出一种基于Python的自动化处理技术。该技术利用GDAL等开源图形库,实现了影像预处理、裁剪、配准、增强和切片等功能的自动化,有效提升了处理效率,并快速构建了目标检测算法所需的影像数据集。实验结果表明,该技术能够为铁路外部环境安全监测提供高质量的数据支撑。

关键词： YOLOv8n   废旧塑料瓶   分类识别   目标检测  

摘要： 针对废旧塑料瓶在回收过程中不同颜色存在价值差异的情况,为解决颜色识别分选问题,提出一种基于深度学习的YOLOv8n改进模型废旧塑料瓶颜色高效识别方法。在颈部(neck)网络中引入加权双向特征金字塔网络(BiFPN)进行多尺度特征融合,提升模型的泛化能力;头部(head)网络的解耦头(decoupled-head)结构中两个分支均仅采用1个Conv2d模块,并在分支前端添加重参数化卷积——RepConv模块,减少计算量并提升训练精度;选用WIOU v3损失函数替换CIOU损失函数,提升模型的检测精度。通过对比实验可知,文章提出的模型优于传统目标检测模型。结果表明:文章提出的模型参数量较原模型减少了44.8%,计算量较原模型减少了34.6%,在50%交并比下的均值平均精度(mAP50)较原模型提升了2.7%,对废旧塑料瓶颜色进行识别时,每秒检测帧数(FPS)可达66,较原模型提高了40.4%,实现了对废旧塑料瓶颜色实时且准确的检测。

关键词： 点云数据   一阶段目标检测   CYM-Net   轻量化模型   特征金字塔  

摘要： 目标检测在机器人、自动驾驶等实际应用领域中具有广泛的应用。在这些场景下,目标检测任务需要在资源有限的平台上实时执行,对目标检测算法的参数量和检测速度有着较高的要求,因此需要实现目标检测算法的轻量化和高效化。然而传统的卷积神经网络(convolutional neural networks,CNNs)由于网络结构复杂、对算力要求较高,难以满足移动端的应用需求。为解决以上问题,本文提出了一种基于点云数据的一阶段轻量化目标检测算法CYM-Net模型。该模型融合了MobileNetV3的bneck模块设计思想和YOLOv4目标检测思想,并对特征金字塔进行了改进,从而显著减少了模型的参数量。本文在KITTI数据集上对CYM-Net模型进行了训练和验证。实验结果表明,CYM-Net模型在鸟瞰图和3D检测两个任务上均展现出更优异的性能,并且其检测速度也优于其他方法。通过本研究,本文为机器人、自动驾驶等领域的目标检测问题提供了一种高效轻量化的解决方案。

关键词： 目标检测   电动车识别   YOLOv8  

摘要： 随着城市化步伐的不断加快,电动车已成为城市居民日常出行的重要工具,许多居民为了充电方便,选择将电动车搬进居民楼,并通过电梯运输,这一行为导致了居民楼内电动车安全事故频发。因此,开发一种高效且准确的电梯内电动车检测算法显得尤为重要。首先,使用FasterNet中的FasterNet Block替换C2f中的Bottleneck,其降低了模型的计算量,提升了检测速度。在YOLOv8原结构中引入SEAttention注意力机制,把重要的特征进行强化来提升准确率。替换损失函数为Inner-CIoU损失函数,以提升模型检测性能和泛化能力。经过实验验证,改进后的YOLO-FSI模型在电梯内电动车数据集上的mAP50为93.7%,相较于原模型,参数量减少了23.3%,检测速度更是提升了5.2帧/秒。综上所述,YOLO-FSI模型可以有效提升电梯内电动车的检测能力,并且做到了轻量化及快速推理。