关键词： 无标记动作捕捉   图像处理   机器学习   立定跳远   体育测量  

摘要： 目的:旨在探究无标记动作捕捉技术在立定跳远距离测量中的应用。方法:采用RGB-D深度相机进行动作捕捉,运用关键帧提取、图像分割和边缘检测等图像处理技术,结合机器学习算法,实现无标记精准测量立定跳远距离,并通过信效度分析检证其精准性和可靠性。结果:通过51个标准距离重复测量,重测信度检验得到克隆巴赫系数α=0.999和组内相关系数ICC=0.998,重测精准性达到99.64%;通过306次立定跳远试跳实测,标准效度检验的Pearson相关系数r=0.999,稳定可靠性达到99.69%。结论:本研究成功开发并验证了一种基于无标记动作捕捉技术的立定跳远距离测量方法,极高的精准性和可靠性展示了该方法的创新性和实用价值。

关键词： 计算机技术   图形图像处理   应用研究  

摘要： 计算机技术的发展在各个领域都带来了深远的影响,特别是在图形图像处理方面。它通过高效的算法和强大的计算能力,不仅提高了图形图像处理的速度和质量,还扩展了应用范围。本文从图形图像处理的基本概念出发,分析了计算机技术在图形图像识别、复原和增强、编辑与操作等方面的应用,为相关领域的研究和实践提供参考。

关键词： 遥感图像   定向目标检测   注意力特征融合   特征金字塔网络  

摘要： 遥感目标检测往往具有图像尺度变化大、目标微小、密集排列和宽高比过大的特性,给高精度定向目标检测造成困难.本文提出了一种全局上下文注意力特征融合金字塔网络.首先,本文设计了一种三重注意力特征融合模块,它能够更好地融合语义和尺度不一致的特征.然后引入层内调节方法改进并提出了一个全局上下文信息增强网络,对含有高级语义信息的深层特征的进行细化,提升表征能力.在此基础上,以全局集中调节的思想设计了全局上下文注意力特征融合金字塔网络,利用注意力调制特征自上而下地调节浅层多尺度特征.在几个公开数据集中进行了广泛实验,实验结果的高精度评价指标均优于目前先进的模型.

关键词： 遥感   高分辨率遥感影像   神经网络架构搜索   目标检测   逐路径采样  

摘要： 针对传统遥感影像目标检测的深度学习网络需要人工设计、过度依赖专家经验、费力耗时等问题,提出了一种基于神经网络架构搜索的遥感影像目标检测方法,通过逐路径采样和进化搜索策略自动构建高效的目标检测网络,完成遥感影像目标检测任务。在DIOR数据集和RSOD数据集上进行了实验,目标检测平均精度达到67.8%和85.5%,FLOPs为208.47 G和201.67 G,在检测精度和计算效率方面均优于Faster R-CNN、RetinaNet、NAS-FCOS、ResNet Strikes Back、HRNet和GRoIE等现有网络模型。实验结果表明,本方法能自动搜索出高分辨率遥感影像目标检测的网络架构,具有比人工设计的经典网络更优越的性能。

关键词： 多目标跟踪   DeepSORT   YOLOv5   轨迹评分机制   特征柔性融合机制   抗遮挡  

摘要： 多目标跟踪方法旨在对多个运动目标进行检测、识别和轨迹跟踪,被广泛应用于智能交通系统、视频监控领域。针对多目标跟踪中因遮挡目标导致的跟踪不连续、失败和错误等问题,提出了融合运动信息的双机制多目标跟踪算法。在已有的DeepSORT框架中,引入一种基于类别检测置信度和运动轨迹置信度相结合的轨迹评分机制,解决因遮挡导致的目标漏检问题。在目标跟踪阶段,根据多目标间的遮挡关系引入了特征柔性融合机制,可有效地融合目标的外观特征和运动特征,解决因遮挡导致的目标跟踪错误问题。采用交通场景数据集UA-DETRAC进行对比实验和消融实验,结果证明所提出的轨迹评分机制和特征柔性融合机制能够有效提升目标跟踪性能,在多目标跟踪准确度和精确度方面分别提升了0.6%~1.1%和1.9%~6.3%,在对象标识变换方面下降了27%~30%,所提出的方法有效地提高了DeepSORT的整体性能,具有较好的抗遮挡能力。

关键词： 钢轨表面缺陷   目标检测   YOLOv8  

摘要： 钢轨是铁路轨道组成的主要部件,钢轨的表面缺陷问题严重影响了铁路系统的运行质量和安全。针对实际运用中铁轨表面损伤检测精度和检测效率较低的问题,提出了一种基于改进YOLOv8算法的铁轨表面损伤检测算法。将SE注意力机制添加在主干网络的末端,建立卷积特征通道之间的相互依赖性,提高网络的表示能力;引入空间深度卷积(SPD-Conv)替换YOLOv8网络中的传统卷积模块,通过对每个特征映射进行卷积操作,并保留通道维度中的全部信息,从而提高模型在低分辨率图像和小物体检测方面的性能。结果表明,与YOLOv8m模型相比,改进模型的mAP@0.5和mAP@0.5:0.95分别提高了约6.2%和10.8%,召回率上升了约6.8%,准确率提高了约4.4%,有效提高了检测精度和速度。

关键词： 太阳电池   计算机视觉   表面缺陷   卷积神经网络  

摘要： 提出并设计名为OD-YOLO缺陷检测模型来改善多晶硅太阳电池电致发光成像中复杂背景干扰缺陷检测效果的问题。使用二次卷积模块(TwiceConv-OD)过滤掉复杂晶粒背景干扰,增强模型对缺陷本身的关注力;提出anchor-plus1分配策略来增加模型在面对复杂背景时获取更多的缺陷正样本数量,提升模型的准确率与召回率,减少漏检误检;使用K-means++算法初始化锚框尺寸,聚类后的锚框更能代表检测样本中所有缺陷的几何形貌,能更好适应多晶硅太阳电池的缺陷尺度差异。经公开缺陷检测数据集PVEL-AD-2021的实验验证:OD-YOLO模型的均值平均精度(mAP)达到89.4%,相比YOLOV5s缺陷检测模型提升3%,准确率提升4.8%,召回率提升1.9%,参数减少4.5%,检测速度为104帧/s。

关键词： MPCM技术   红外弱小目标检测   装置设计   设计优化  

摘要： MPCM技术是一种基于对多尺度局部块内一致性的对比度检测算法,以实现对红外弱小目标的检测。本文从红外弱小目标检测技术特点、MPCM算法以及装置组成出发,探讨基于MPCM技术的红外弱小目标检测装置设计与优化策略,并从噪声处理、图像预处理以及检测算法层面进行阐述。

关键词： 行人重识别   神经网络   专利分析  

摘要： 随着监控视频的急剧增加,如何更加高效智能地使用行人重识别技术对海量数据进行分析和使用是一个亟待解决的问题。文章梳理了行人重识别技术领域的专利现状,介绍当前行人重识别技术的主要分支,统计分析该技术在全球范围内的时域分布,结合关键技术点,对主要申请人、关键专利申请进行分析,最后对行人重识别技术未来可发展方向进行了探究。

关键词： 扰动柑橘   预测定位   在线目标检测   目标跟踪   YOLOv5   DeepSORT  

摘要： 柑橘采摘机器人连续采摘过程中因各种因素会引起其他待采柑橘无规则扰动,扰动状态下的柑橘无法在线快速准确检测与定位,影响机器人采摘效率。针对此问题,该研究提出一种基于改进YOLOv5s+DeepSORT算法的扰动柑橘在线目标检测与快速定位方法。首先在YOLOv5骨干网络中融入卷积注意力机制(convolutional block attention module,CBAM),提升模型对复杂目标的检测能力;用SIoU(scalable intersection over union)损失函数增强预测框与标定框之间的方向匹配,提升回归收敛速度。其次在DeepSORT算法中改进目标重识别网络(re-identification,ReID),增强网络特征提取能力,提升目标跟踪准确度与精度;在算法中融入Count计数机制,实时反馈每个扰动柑橘跟踪帧数,并改进算法实现对预测坐标值进行实时更新,提升预测准确率。最后结合深度相机排除背景柑橘影响并限制每次跟踪目标数目为3个,提升扰动柑橘预测定位速度。试验结果表明,与原算法相比,改进YOLOv5s算法的准确度、平均检测精度分别提升3.9、1.1个百分点,检测速率69.3帧/s。改进DeepSORT算法的跟踪准确度、跟踪精度分别提升9.2、5.4个百分点,ID(identity)切换次数减少32次。当预测定位时间为3 s时,定位平均准确度为81.9%,在试验室进行模拟试验,将盆栽柑橘果实沿不同方位随机摆动,摆幅约10 cm,单个柑橘平均抓取时间为12.8 s,比未使用改进算法缩短5.6 s,效率提升30.4%。该研究可为扰动状态下的柑橘快速采摘提供技术支持。