关键词： 图神经网络   显著目标检测   深度学习   计算机视觉  

摘要： 显著目标检测作为一个具有广泛应用的研究焦点,其性能经历了从传统模型到深度学习模型的飞跃。近期,图神经网络(GNN)由于能够高效处理图数据而被应用于显著目标检测领域,引领了该领域的前沿探索。本综述总结了该领域的发展历程,聚焦于GNN的应用进展,通过分类展示其多样化架构及取得的成效,并介绍了主流数据集和评价标准,为研究与实践奠定基础。此外,本文展望了GNN在此领域的潜在发展空间,旨在激发新的研究思路与创新技术,指导学界进一步进步。

关键词： 深度学习   目标检测   YOLOv10   注意力机制  

摘要： 为了进一步提高目标检测的效率,在YOLOv10的基础上,提出了一种改进YOLOv10的目标检测算法。在数据处理时,使用DySample模块,提升了图像的分辨率,提高了图像处理的效率。其次,对YOLOv10的骨干网络进行了改进,引入LSKA(Large Separable Kernel Attention,大可分离核注意力)替换了原有的PSA(Polarized Self Attention,极化注意力机制),提高了对特征的敏感度,增强了网络的泛化能力和效率。为优化损失函数,使用NWD(Normalized Gaussian Wasserstein Distance,归一化高斯距离)作为损失函数,相较于传统方法能更好地保留图像结构与上下文信息,从而提升检测性能。经过训练后,在Helmet交通头盔佩戴数据集上进行验证,其mAP@0.5达到了78.2%,相较于原版提升了0.9%。该实验表明,改进后的算法有更好的检测效果。

关键词： 肺结节   深度可分离卷积神经网络   注意力机制   特征金字塔   目标检测  

摘要： 针对肺部CT图像结节特征不明确和检测困难的问题,提出一种高效注意力特征金字塔网络。首先,该网络以多尺度特征融合的特征金字塔为主干网络,保留丰富的低层特征和高层特征,同时采用深度可分离卷积神经网络提取特征信息;然后,将注意力机制融入主干网络中,对重要特征信息进行加权处理;最后,将所提算法应用在Lung-PET-CT-Dx和Luna16数据集中。实验结果表明,本文算法的精度、召回率和mAP值均优于现有对比算法,证明本文算法在肺结节检测的优越性。

关键词： 分拣机器人   图像处理技术   正确识别率   货物分拣   深度学习   科技进步   目标检测   电子光学  

摘要： 1.引言科技进步实现了由机器取代人工完成大量繁重的工作。现代物流的快速发展,对货物分拣提出了更高的要求。货物分拣机器人是利用先进的传感器、电子光学、机械控制等原理从而实现对货物的分拣[1],货物分拣机器人的出现使货物分拣的效率有了极大的提升。一直以来如何提高分拣过程中的正确识别率是该领域的研究方向。传统图像处理技术在进行目标检测与识别时存在检测精度低、抗干扰能力差、无法适应复杂环境等问题[2]。近年来,对于物流获取的目标检测,基于深度学习的方法应用最为广泛。

关键词： 植物叶斑病   目标检测   YOLOv5网络模型   MobileNetv3   K-means++聚类算法   SCSE模块  

摘要： 为了提高植物叶斑病的检测效率和精度,引入主流的目标检测模型YOLOv5对叶斑病进行检测。结果显示,模型在检测较小的叶斑病时精度不高,且模型权重体积较大,不利于在终端边缘设备上部署。为此,对YOLOv5模型进行改进。首先,采用经过SCSE模块修改的MobileNetv3轻量化网络结构替代原有的CSP-Darknet53主干网络,从而降低模型的参数量和计算复杂度;其次,使用K-means++聚类方法优化Anchors参数,使先验框更好地为目标检测模型提供信息,增强模型的性能和泛化能力,减少对标注数据的依赖;最后,在主干网络的最后一层引入ASPPF模块,提高模型在不同尺度上的检测性能。实验结果表明,与原YOLOv5s算法相比,改进方法在植物叶斑病检测任务中表现更优,精确率、召回率和mAP等指标分别提高了2%、2.7%和1.5%,模型大小降低了39.1%。通过优化YOLOv5模型,实现了对不同植物类型大小不一的叶斑病的高效检测,有效降低了模型的大小,并提高了模型的检测精度。

关键词： 数字图像处理技术   新闻报道   电视技术  

摘要： 随着数字技术的飞速发展,数字图像处理技术在提升新闻报道质量方面起到越来越重要的作用,已成为现代电视新闻报道中不可或缺的一部分。文章先介绍数字图像处理技术的基本概念,随后详细分析该技术在新闻采集、传输和展示等各个环节的具体应用。文章提出一种基于DTMB-A的数字新闻传输系统,采用基于迭代同态滤波器的新闻图像增强方法和基于伽马校正的新闻报道调色技术,确保了现代电视系统中新闻图像的清晰度。

关键词： 冷轧   退火炉   红外热成像   视觉技术   目标检测   语义分割算法  

摘要： 在经济高质量发展以及国家积极推动传统产业转型升级的背景下,钢铁行业面临着产能过剩、生产流程复杂、质量管控难等问题,需要融入新一代信息技术来推动钢铁产业的转型升级。在钢铁企业的生产过程中,设备的平稳运行对企业的生产效率、产品质量、安全保障及经济效益至关重要。针对钢铁企业生产设备种类繁多、高温环境导致设备损耗高、现场维保危险性大等特点,提出了基于红外热成像和计算机视觉技术的冷轧退火炉元器件温度非接触式自动监测预警系统。重点研究了基于计算机视觉技术的多目标检测和图像语义分割算法与红外热成像相结合对退火炉元器件实现多元图像解析,获取元器件目标的实时图像与实测温度的过程。该系统可以实现对炼钢设备温度的实时监测和管理,提高钢铁企业的安全生产水平,进一步实现钢铁企业设备的智能化监测和管理,有利于减少安全风险、提高生产效率、保证产品质量和经济效益,推动钢铁行业的高质量发展。

关键词： 工时测定   机器视觉   目标检测   拖拉机装配线  

摘要： 针对混合品种装配产线下不同机型装配导致产线工人作业工时存在较大差异的问题,提出一种基于Faster-RCNN的卷积神经网络的工序状态检测模型。首先通过工位装配任务工时测定分析明确该工位各道工序后将采集的工人作业工序图片进行特征提取和状态框选,然后使用区域预测网络RPN(Region Proposal Network)来获取候选框的建议信息,使用R-CNN对候选框的位置和物体类别进行预测识别,最后将视频帧数信息转换成时间信息,计算得到该道工序所测时间。分析结果表明,检测模型可以对视频中工人的工作状态进行识别并计算出工人的实际作业工时,模型检测的平均检测均值(map)达到96.4%;视频识别到的工时相对误差都在10%以内,满足产线实际工时观测的相对误差要求。

关键词： 三维目标检测   点云   特征融合   注意力机制   车辆检测   体素化   自动驾驶  

摘要： 针对基于点云的三维目标检测中存在的特征提取能力不足和检测头分类与回归不一致问题,提出基于SECOND网络的ResCST架构。该模型在三维稀疏卷积层中引入残差连接,结合SwinTransformer捕捉长距离依赖关系的能力和卷积神经网络获取局部特征的优势,提出CNNSwinTransformer混合模型,有效提升特征表达能力;提出RCIoU方法,并将其应用于回归和分类分支,实现了分类与回归任务的联合优化。实验结果表明,在自动驾驶数据集KITTI汽车类别检测中,该模型在简单、中等和困难难度级别下的三维检测精度分别达到了91.21%、82.97%和80.28%。所提方法对困难目标检测效果提升明显,可达到每秒25帧的推理速度。所提出的ResCST架构在精度与速率之间取得了较好的平衡。

关键词： 学生课堂行为   YOLOv5s   深度学习   目标检测   轻量化  

摘要： 针对目前学生课堂行为检测算法准确性和模型复杂度的挑战,提出一种基于CBW-YOLOv5s(CA-BiFPNWIoU)的轻量化学生课堂行为识别算法。从整体上采用了GhostNet轻量化结构,旨在保证检测性能的同时,精简网络结构,从而大幅降低模型复杂度;BiFPN取代原模型的PANet,以增强模型对课堂行为特征的提取和融合能力;在一些C3模块中引入CA注意力机制,使网络能够更好地关注特征层的空间和通道信息;采用Wise-IoU损失函数以提升模型性能。实验结果表明,这些方法有效简化了模型复杂度,并保持了较高的检测精度。