关键词： Yolov8-Pose   感兴趣区域   体尺估计   关键点   目标检测框   猪  

摘要： 【目的】减少猪场人工测量猪只体尺的工作量,提高测量精度和工作效率。【方法】本研究提出基于关键点检测和多目标跟踪的猪只体尺自动估计方法,该方法使用Yolov8-Pose模型识别各猪只关键点和目标检测框,利用ByteTrack算法对猪群实时跟踪,引入感兴趣区域规避图像畸变,提高识别速度,同时设计姿态和异常检测过滤算法减少因运动模糊、姿态不正等因素造成的误差。【结果】5个猪栏中24头猪只体长、肩宽、臀宽的平均绝对误差均小于3 cm,平均绝对百分比误差分别维持在4%、6%和7%以内。数据处理速度提升为19.3帧/s。【结论】本研究提出的基于关键点检测和多目标跟踪的猪只体尺估计方法为猪场生产场景提供了一个轻量化、易部署的自动体尺测量解决方案。

关键词： 中后期玉米   行间导航   导航线检测   语义分割   图像处理  

摘要： 中后期玉米行间路径存在光照不足、遮挡等因素的干扰,不利于农业机器人自主作业时导航线的检测。针对此问题,本文提出一种基于改进Fast-SCNN语义分割模型的中后期玉米行间路径导航线检测算法。首先,针对目前路径语义分割模型在中后期玉米环境下边缘分割不够准确的问题,提出一种Edge-FastSCNN模型,在模型分支中引入本文提出的边缘提取模块(Edge extraction module,EEM)以获取准确的路径边界信息,并在模型中引入空间金字塔池化(Atrous spatial pyramid pooling,ASPP)模块以融合图像边界信息和深层特征。然后,基于模型预测的行间路径掩码,通过像素扫描法检测路径掩码左右边界点,通过加权平均法求得路径掩码中点。最终利用最小二乘法拟合导航线,实现中后期玉米行间路径导航线的检测。为验证所提出方法的性能,基于中后期玉米正常光照无遮挡、光照不足、阴影、杂草遮挡、叶片遮挡等5种环境,进行了模型性能对比实验和导航线检测实验。实验结果表明,模型平均交并比为97.90%,平均像素准确率为98.84%,准确率为99.39%,推理速度为63.0 f/s;模型在上述5种环境下的平均交并比为96.93%~98.01%,平均像素准确率为98.33%~99.03%,准确率为98.53%~99.12%;预测导航线与真实导航线在上述5种环境下的航向角偏差平均值为1.15°~3.16°,平均像素横向距离为1.89~3.41像素;导航线检测算法的单帧图像平均处理时间为90.04 ms。因此,本文提出的导航线检测算法满足中后期玉米行间路径导航任务的准确性和实时性要求。

关键词： 图像处理   轮廓提取   轮廓平滑方法   轮廓曲线重采样   工件图像配准   轮廓曲率   全仿射模型   动态时间规整  

摘要： 随着机器视觉技术的发展,工件图像配准在机器抓取、缺陷检测方面应用广泛,然而工件拍摄视点不同易造成图像匹配困难,这也成为工件图像匹配亟待解决和研究的问题。鉴于工件的独特轮廓形状,针对多视点造成的匹配问题,提出了一种基于轮廓曲率的工件图像配准方法。首先,在轮廓平滑处理中,针对多边形拟合道格拉斯-普克(DP)算法效果不佳的问题,利用滑动窗口平均方法对轮廓做了进一步处理,有效提高了轮廓平滑度;然后,在轮廓曲线重采样中,对采样点集进行了时间序列化,利用采样间隔设计了一种有效的重采样方法,实现了对重采样点的任意取值,并保持了轮廓点的密集情况;在建立全仿射曲率库中,设计了两步匹配策略,有效提高了匹配精度和效率;最后,针对曲率曲线匹配算法,将形状上下文(SC)引入动态时间规整(DTW)距离计算,解决了DTW算法存在的问题。研究结果表明:该方法能有效地对模板工件图像进行仿射转换,实现与目标工件图像的匹配目的;同时在匹配算法的三对比较实验中,利用SC-DTW匹配算法得到的转换图像与目标工件图像的差异只有4.8%、2.65%和3.92%,相较DTW的6.83%、4.03%和6.34%,以及归一化相关性匹配算法(NCC)的7.45%、6.39%和7.31%,其差异较小,表明该算法配准效果更好,能更有效地计算两条曲线的相似度,从而获得最佳曲率曲线样本,完成工件图像精准配准的任务。

关键词： 目标检测   茶叶叶部病害   FPN网络   Rank and Sort Loss   区域建议网络  

摘要： 针对茶园复杂背景下茶叶叶部病害识别较为困难的问题,提出一种基于改进Faster RCNN算法的茶叶叶部病害识别方法。通过对优化区域建议框的特征提取网络VGG-16、MobileNetV2和ResNet50进行比较,选择识别效果较好的ResNet50作为骨干网络,增加模型在茶园复杂背景下对茶叶叶部病害特征的提取能力;融入特征金字塔网络(feature pyramid network,FPN)改善小目标漏检问题和病斑的多尺度问题;采用Rank&Sort(RS)Loss函数代替原Faster RCNN中的损失函数,缓解样本分布不均给模型带来的性能影响,进一步提高检测精度。结果显示:改进模型平均精度均值PmA为88.06%,检测速度为19.1帧/s,对藻斑病、白星病、炭疽病、煤烟病识别平均精度分别为75.54%、86.84%、90.42%、99.45%,比Faster RCNN算法分别提高40.98、44.16、13.9和2.43百分点。以上结果表明,基于改进Faster RCNN算法的茶叶叶部病害识别方法能够弱化茶园复杂背景的干扰,准确识别茶园复杂背景下茶叶叶部病害目标。

关键词： BOPPPS   雨课堂   医学图像处理   教学改革  

摘要： “互联网+”时代下,手机、平板电脑等电子设备已经成为学生必备的工具。为了因势利导,变负面因素为学习工具,激发学生学习的主动性和积极性,将雨课堂与改进的BOPPPS教学模式相结合,开展医学图像处理教学方法改革,可以真正打造以学生为中心的闭环教学模式,提高教与学的效率,为“互联网+”时代背景下的课堂教学改革提供借鉴和参考。

关键词： 轻量化   改进YOLOv5   雨滴目标检测   RepVGG模块  

摘要： 在现有的基于视觉的智能雨刮系统中,雨滴目标检测模型的参数量多,计算规模大,不利于部署到车载嵌入式设备中。针对上述问题,提出一种改进的轻量级雨滴目标检测模型YOLOv5-RGA。使用轻量化网络RepVGG模块和GhostBottleneck模块替代主干网络的卷积模块和C3模块,改善网络的特征提取能力,降低网络的参数量和计算量。使用Adam优化器代替SGD优化器,加快收敛速度,提高网络模型的平均精度。通过试验验证,与YOLOv5s模型相比,基于YOLOv5-RGA的雨滴目标检测模型的平均精度提高了0.8%,同时模型参数量降低了48.5%,计算量降低了35.2%,模型大小降低了44.4%。轻量级雨滴目标检测模型的应用能大大降低硬件开销,同时也有利于模型的部署。

关键词： 图像处理   图像去模糊   深度学习   对抗生成网络   移动应用开发  

摘要： 随着深度学习算法的发展,人们开始研究使用深度学习模型来解决图像模糊的问题。性能优异的DeblurGANv2在图像去模糊应用领域取得了不错的效果,但由于算法的复杂性,对模型运行设备的性能要求也会更高。为了能够将DeblurGANv2模型移植到Android终端上应用,在研究了基于DeblurGANv2模型图像去模糊技术在电脑端应用基础上,用Pytorch对DeblurGANv2模型进行转化,缩小了模型的体积和运算时间,将模型大小由233MB压缩为13.2MB,使模型最终可以在Android系统上运行,运行时间较电脑端模型也有所下降,为其他深度学习算法向移动端或者低性能设备上的部署提供了思路和解决方案。

关键词： FPGA   动态目标检测   自适应快速中值滤波   三帧间差分法   防御躲避  

摘要： 针对传统动态目标检测实时性差、功耗高及精度低等问题,提出了一种基于FPGA芯片的高精度、低功耗动态目标检测与防御躲避系统。该系统采集OV5640摄像头像素信息,经DDR4高速缓存后,依次对图像进行多步预处理,包括灰度化、自适应快速中值滤波、改进型三帧间差分、形态学运算及包围盒检测等,在HDMI液晶屏上实时显示目标检测结果。系统根据计算出的动态目标中心坐标,驱动电机控制摄像头进行精准的对角躲避。硬件测试结果表明,该系统在50 MHz的时钟频率下,视频帧率达到60 FPS,具有较高的实时性和鲁棒性,能够清晰并准确检测出动态目标,且防御躲避设计可行,功耗仅为0.969 W。

关键词： 地震波动   人工边界条件   透射边界   人工波速   图像处理  

摘要： 人工边界处理是近场地震波动数值模拟的关键问题,其中透射边界(multi-transmitting formula,MTF)是一种应用较为广泛的人工边界方法,但它也存在计算精度与稳定性相互冲突的问题.为提高稳定性较好的低阶边界的模拟精度,发展出一种动态人工波速透射边界,能够适应复杂波动中外行波透射角随时间大幅度变化的情形,并探讨了动态人工波速识别这一关键问题.通过在当前时刻波场中沿人工边界附近划定观察窗口,并在一段时间之前某时刻波场中构建出一组与边界法线夹角在-90°~90°范围变化的筛选窗口,设计出一种对这两个时刻局部窗口中的波场进行比对的图像处理方法来识别外行波的透射角度.将识别得到的透射角度用于动态更新透射边界的人工波速,实现基于动态人工波速透射边界的波动模拟.在SH波动数值模拟中分别以单一脉冲波的简单波动和多个平面波叠加的复杂波动为例,证明所发展的动态人工波速透射边界对于不同透射角的波动成分均具有较好的适应性,模拟精度显著优于采用经验固定人工波速的传统透射边界.该方法为发展和完善高精度且计算稳定的人工边界提供了一个全新的研究思路.

关键词： 奶牛   智能监测技术   目标检测   深度学习   机器视觉   畜牧养殖  

摘要： 奶牛智能监测是规模化奶牛养殖的重要环节,视频分析技术具备无接触、低成本及智能分析优势,已成为当前规模化奶牛智能监测技术研究的热点。奶牛目标检测、目标跟踪以及个体和行为识别技术对规模化奶牛监管具有重要意义,复杂养殖环境中的光照、昼夜交替变化、围栏遮挡以及牛群数量繁多导致的相互遮挡是影响规模化奶牛智能监测的重要因素。本文对基于视频分析的奶牛智能监测技术研究中常用的深度模型及应用情况进行综述,提出了当前研究中面临的问题与挑战。分析发现,注意力机制、混合卷积等技术是提高模型识别准确率的有效方法,轻量化模块有利于减少模型的复杂度与计算量;计算复杂度、普适性、准确性等是影响该技术推广应用的因素;具体应用时,需要针对奶牛养殖环境、奶牛状况等进行具体分析以不断满足规模化养殖的需求。