关键词： 板形检测   平直度   投影光条法   图像处理   智能矫直系统  

摘要： 针对多样化板材零件矫直,采用投影光条法对板形平直度检测进行了研究,旨在解决单件板材零件在矫直前、后的板形识别问题。通过研究光条图像的滤波去噪、边缘检测算法和中心线提取方法,并对条纹图像处理算法进行了大量的计算机仿真实验对比,选取了适合本系统的光条图像处理方法,实现了对板材零件的平直度计算和板形重构。研究结果表明,该系统的检测误差小于±0.5 mm,对于规则形状板材零件的板形识别,系统响应时间为1.5 s;对于有孔的不规则形状板材零件的板形识别,其系统响应时间为1.8 s。该方法可有效用于矫直系统中各类金属板材零件的平直度检测,并能显著提高矫直系统的自动化和智能化水平,是一种非接触式全局测量方法,能有效克服传统测量方式对板材表面的损伤。

关键词： 深度学习   遥感图像   小目标检测   类别不均衡   焦点损失  

摘要： 针对遥感图像目标检测因目标尺寸小和类别不均衡而导致的误检、漏检和置信度低的问题,提出了一种基于深度学习的目标检测方法。该方法的核心在于提出细粒度上下文模块构建主干网络,设计特征分化结构以增强对应尺寸目标的特征表达,定义自适应双重焦点损失函数替换交叉熵损失函数。提出的方法命名为细粒度特征分化网络。通过在RSOD、DOTA-1.0和VisDrone-2019三个公开的遥感图像数据集上进行实验,发现细粒度特征分化网络的mAP@0.5比基准模型YOLOv5s的相应指标分别提高了3.9百分点、4.2百分点和4.8百分点。实验结果表明,所提方法能够进行高效的遥感图像目标检测。

关键词： YOLOv8   深度学习   水下目标检测   注意力机制   PIoU  

摘要： 针对由于水下环境背景复杂、能见度较低、光照分布不均匀等因素导致网络特征提取不充分的问题,提出了一种基于YOLOv8n改进的YOLOv8n-DSP水下生物目标检测方法。首先,在YOLOv8n的特征提取主干网络中添加DBB(Diverse Branch Block)模块,将其与C2f模块进行融合,使其组合不同尺度和复杂度的多个分支,丰富特征空间,强化网络的特征提取能力;然后在空间金字塔池化前加入加权注意力机制(SimAM),使模型的关注点自适应调节,增强在复杂场景下的表征能力;最后为进一步提高目标检测框定位精度,将已有的CIoU更换为PIoU(Powerful-IoU),使得目标检测框更好地回归。结果表明:YOLOv8n-DSP网络相较于原来的YOLOv8n网络在mAP@0.5和mAP@0.5:0.95分别提升了2%和2.2%。

关键词： 计算机视觉   人工智能   深度学习   微创外科   术中导航  

摘要： 计算机视觉技术作为人工智能的一个重要分支,近年来在微创外科领域得到了广泛关注。在具体应用中,计算机视觉技术能够实时分析术中视频,自动识别各种手术器械,确保医生在手术过程中能够准确无误地使用工具,降低因操作失误引发的风险。同时,动作识别技术能够实时监控手术步骤,判断操作是否符合规范。这一过程不仅为外科医生提供了即时反馈,也为手术团队的协作提供了支持,提升了整体手术效率。此外,计算机视觉技术还可用于手术持续时间的预测,优化手术室安排和资源配置,而在手术过程中,具备纱布实时检测功能,能够有效识别是否有物品遗留在患者体内,及时发出预警,从而避免潜在的医疗错误。这种智能监控机制为手术的安全性提供了更为可靠的保障。当前计算机视觉技术在微创外科应用中仍面临一些挑战,例如在不同手术环境下的适应性和算法的准确性等方面仍需要进一步完善,仍存在一定的伦理和隐私问题,在政策和法规方面也尚在完善中,但该技术的引入无疑为微创腹部外科手术带来了新的机遇。本研究在梳理计算机视觉技术在微创腹部外科手术中的工具器械检测应用、解剖结构检测应用、手术操作动作识别与阶段识别、安全监控预警等方面应用实践的基础上,探讨该技术的发展现状,从不同角度展示计算机视觉技术的发展潜力,并提出问题和应用挑战,以期为计算机视觉技术在微创腹部外科手术中的应用研究提供参考。

关键词： 目标跟踪   雷达观测器轨迹规划   策略梯度   奖励函数  

摘要： 在目标跟踪过程的雷达观测器轨迹规划(OTP)中,针对马尔可夫步进规划智能决策问题,在离散动作空间上,提出了一种基于蒙特卡罗策略梯度(MCPG)算法的雷达轨迹规划方法.首先,联合目标跟踪状态、奖励机制、动作方案和雷达观测器位置,将OTP过程建模为一个连续的马尔可夫决策过程(MDP),提出基于MCPG的全局智能规划方法.其次,将跟踪幕长内的每个时间步作为单独一幕来进行策略更新,提出基于MCPG目标跟踪中观测器轨迹的步进智能规划方法,并深入研究目标的跟踪估计特性,构造以跟踪性能优化为目的的奖励函数.最后,对最优非线性目标跟踪过程中基于强化学习的智能OTP决策仿真实验,表明了所提方法的有效性.

关键词： 堆叠工件   工件识别   目标检测   YOLOv7  

摘要： 针对实际生产场景中堆叠遮挡的工件存在漏检率较高与实时性较差的问题,提出了一种改进的YOLOv7轻量化的目标检测方法。在主干网络中获取的3个特征层分别融入ECA注意力机制,能更好地注意到被遮挡的工件信息,降低漏检率;将主干网络和头部网络的普通卷积替换成深度可分离卷积,减少网络模型的参数量,提高检测速度;提出了一种联系周边特征信息的ELAN-DE模块,引入深度可分离卷积并在后面加入ECA注意力机制,提高了系统的稳定性。试验结果表明改进的YOLOv7算法相较于原始算法,在提高了近5.52%的平均精度(mAP)的情况下,模型大小减小了近21%,检测速度提升了18.7 f/s,检测效果也优于其他经典目标检测网络算法,满足了实际场景中的工件识别需求。

关键词： 交通调查   九型车识别   交通量统计   目标检测   目标跟踪   边缘计算   YOLOv8   Jetson NX  

摘要： 为解决低等级普通道路交通观测站在开展自动化交通量统计时面临的车型间识别混淆、边端计算资源和大规模数据传输受限等问题,在YOLOv8和DeepSORT模型的基础上设计了一种类别标签重匹配策略,可以在目标遮挡、远距离、视角不佳等场景下实现高质量的九型车识别与统计。其次,设计一种基于Jetson NX嵌入式平台的边缘端模型部署和一种基于TensorRT模型优化加速方法,用于九型车流量统计模型的现场部署和边端推理。实验证明所提方法在实际道路下可达到97.9%的统计精度和17.27 f/s的推理帧率,可实现在边端推理模式下速度和精度的良好平衡,能为道路交通调查提供精准、实时的车流量信息。

关键词： 多模态   YOLOv5   行人检测算法   特征融合   注意力机制   空间金字塔   目标检测  

摘要： 针对红外图像清晰度和分辨率较低,可见光图像光照不足等问题,通过融合可见光和红外光图像的特征,设计一种基于YOLOv5改进的多模态行人检测算法IMV5(improved multimodal YOLOv5)。对传统的级联融合方法进行改进,结合注意力机制,设计一种多模态特征融合模块PMWM(pedestrian modal adaptive weight fusion module),将可见光和红外光图像融合,提高特征融合后的检测效果。加入优化过的空间金字塔池化结构,在保持感受野不变的情况下提升检测效果。在特征层上进行目标检测,预测出行人的概率和位置,实现行人检测功能。实验结果表明,IMV5算法在KAIST行人检测据集上的检测效果得到了明显提升。

关键词： 图像处理   图像去雾   暗通道   多尺度   融合方法   透视率图   图像增强   图像恢复  

摘要： 图像去雾能够使视觉系统适应不同的天气状况.为克服传统暗通道先验方法会在物体边界区域形成光晕效应的问题,提出一种用于估计有雾图像透射率的多尺度融合算法.应用不同大小的最小值半径得到多尺度的透射率估计值,再根据局部区域像素具有类似的透射率值这一现象,对透射率图进行多尺度融合,选择小透射图区域中最亮的像素来计算大气光值,最后使用大气散射模型恢复清晰图像.分别从视觉效果和量化指标两个方面,对比所提方法与传统的基于先验和基于深度学习的去雾方法在进行图像去雾后的效果.结果发现,针对4种典型场景,采用本研究算法去雾后的重构图像能够保留更多的结构、细节和颜色信息,避免了过分增强和边缘部分的雾残留问题,视觉效果均优于对比方法;量化指标峰值信噪比和结构相似性均高于对比方法,分别为15.65和0.78.

关键词： 采摘机器人   YOLOv8算法   注意力机制   Mosaic数据增强算法  

摘要： 针对农业领域中草莓采摘机器人在复杂环境下识别草莓果实准确率不高的问题,提出了一种基于改进后的YOLOv8算法的解决方案,该方法能够实现对草莓果实的精确、快速识别.首先,使用Mosaic数据增强算法进行目标检测数据预处理,该方法显著提高了模型的泛化能力,并帮助模型在复杂背景中更好地识别草莓;其次,引入了通道优先卷积注意力机制,该机制通过重点关注图像中的信息丰富通道,提高了对小目标草莓的检测能力,显著提升了特征提取的效率,使得模型能够更加集中地学习和提取与草莓识别相关的特征,从而提高了小目标检测的精度.通过一系列的实验验证,改进后的YOLOv8算法在草莓采摘目标检测中的表现显著优于原始YOLOv8算法,其平均精度均值达到89.35%,相较于原YOLOv8算法,平均精度均值提升了5.83%.综上所述,所提出方法在识别草莓果实时具有显著的优势,特别是在处理小目标和复杂背景方面.改进后的YOLOv8-ECPCA网络模型达到了可在草莓采摘机器人中应用的水平,可为采摘机器人在实际农业环境中的实时小目标检测提供强有力的支持.