关键词： 面向就业   图像处理   人工智能   联合培养   项目驱动   校企双导师  

摘要： 为国家经济转型升级和可持续发展培养高质量的人工智能技术人才,成为高校人工智能学科建设的重要任务。针对当前以项目为导向的图像处理及人工智能领域的校企联合培养研究生模式中存在的重理论实践、轻职业技能问题,该文提出了一种校企联合培养的改革创新思路,根据企业对图像处理及人工智能方向人才的需求,以就业为导向,以项目为依托,引入企业文化、校企双导师责任制,联合对电子信息专业硕士研究生进行图像处理及人工智能方向的定制培养。实践案例表明:该模式能够为企业培养符合其需求的专业人才,为该领域研究生就业起到了积极作用。

关键词： 水下目标检测   通道空间深度感知   注意力机制   模型轻量化   特征融合   YOLO  

摘要： 提出了一种通道空间深度感知的轻量化水下目标检测网络CSDP-L-YOLO;该网络基于YOLOv5网络进行改进,由特征感知模块和双注意门控策略组成;特征感知模块旨在将解码器中的多级特征自适应抑制或增强,优化类内学习的一致性,解决水下场景复杂导致的误检和漏检问题;通过线性操作和混洗结构生成特征映射,减少冗余特征的融合和计算,以减少模型的参数量和计算量;双注意门控策略是在编码器中同时引入并发通道空间挤压-激励机制模块和卷积注意力模块,进一步关注强相关性特征,增强模型对特征的敏感度;实验结果表明,与基线模型YOLOv5-s相比,mAP提高了2.4%,节省了20%参数量和15.8%计算量,检测速度提升了8.2 ms;此外,与目前较为先进的YOLOv8模型相比,mAP提高了1.9%。

关键词： 数字化技术   实验室抽样   人工智能   机器学习   图像处理  

摘要： 随着科技的快速发展,数字化技术已经深入到各行各业,尤其是在科学实验和检测领域,其影响日益加强。本文探讨了数字化技术在检测实验室抽样中的应用,并分析该技术在优化抽样流程、提升数据质量以及预测未来等方面发展趋势。

关键词： 葡萄簇检测   目标检测   YOLOv8n   注意力机制  

摘要： 葡萄簇目标的精准检测是实现估产、采摘等作业的前提,现有方法难以实现多品种葡萄簇的轻量化精准检测。为提高复杂自然场景下多品种葡萄簇检测准确性、鲁棒性与泛化性,提出一种基于改进YOLOv8n模型的多品种葡萄簇检测模型ESIC-YOLOv8n,该模型在YOLOv8n的Backbone和Neck网络中分别添加EMA和SA注意力模块,以加强网络的特征提取和多尺度特征融合能力,降低因遮挡或重叠对葡萄簇检测的干扰,提高检测精度和召回率;在Head把CIoU替换成Inner-CIoU,利用辅助框提高重叠目标检测的准确性,从而提升模型整体的检测准确性和泛化性。ESIC-YOLOv8n模型的检测精度为87.00%,召回率为81.60%,mAP为88.90%,F1值为84.21%,较原YOLOv8n模型分别提高1.05%、2.90%、1.48%和2.00%。结果表明,ESIC-YOLOv8n模型具有准确率高、泛化性好、轻量化等优点,可为葡萄产量估计、采摘等研究提供技术支持。

关键词： 无人机影像   目标检测   YOLOv5模型   位置注意力模块   旋转框  

摘要： 针对无人机影像背景复杂、地面目标尺寸跨度较大且角度各异等问题,本文提出了一种基于YOLOv5模型与带有旋转角度的目标框(OBB)损失函数的无人机影像目标检测方法。首先,在主干网络中加入位置注意力模块(PAM),让模型更专注于学习正样本的纹理特征;其次,在特征增强网络中输出更大尺寸特征图,进一步增强对小目标的检测能力;再次,为更精准检出多角度目标,在输出端引入旋转框定位损失函数;最后,为增加样本数量并扩充训练集多样性,对训练集进行了增广处理。试验结果表明,基于旋转框与位置注意力模型(PAM-OBB-YOLOv5)在平均精度均值(mAP)上较YOLOv5模型提高了8.3%,在多种复杂环境中表现出良好的泛化能力,且该模型每秒检测影像帧数(FPS)达到32帧,能进行实时级检测结果输出。

关键词： 计算机视觉技术   网页检索系统   图像特征提取   相似度计算  

摘要： 传统的文本检索技术已逐渐不能满足用户对于视觉内容的检索需求。针对这一问题,提出了一种基于计算机视觉技术的网页检索系统的设计与实现方法。实验结果表明,提出的网页检索系统具有较高的检索准确性和效率,能够为用户提供更加准确、高效的网页图像检索服务。

关键词： 小麦种子   旋耕播种机   图像处理   破损率   机器学习  

摘要： 旋耕播种机推广鉴定时,需要人工检测种子的破损率。为提高检测效率,以小麦种子为例,对种子破损率快速检测方法进行研究。设计种子破损率自动检测平台,可一次性采集50 g小麦种子图像,基于图像处理技术和机器学习方法,提取小麦种子图像13个形状特征和8个纹理特征,建立基于特征的种子破损识别模型;识别的破损种子图像与种子质量的关系,建立基于图像的破损种子质量预测模型,按照鉴定大纲要求实现小麦种子破损率的快速检测。对江苏省“丹阳001”“A888”“泰州014”“无锡004”4个品种的小麦种子破损率进行试验测试,每个品种3次取样测定。结果表明:4个品种小麦种子破损率自动检测的平均相对误差分别为0.08%、0.07%、0.06%、0.08%,检测的相对均方根误差为0.08%,检测平均时长为5.216 s。该研究实现小麦种子破损率自动、快速检测,节省农机鉴定时间,推动农机鉴定过程的标准化和智能化。

关键词： 合成孔径雷达   舰船目标检测   动态卷积   显示视觉中心  

摘要： 合成孔径雷达(Synthetic Aperture Radar,SAR)舰船目标检测是微波遥感的重要应用,然而随着海面尤其是近海背景越来越复杂,同时舰船尺寸大小不一,导致检测算法性能下降,出现漏检、错检等问题,严重影响目标的检测效果。针对上述问题,本文提出一种复杂场景下的融合自适应卷积神经网络的SAR图像舰船检测方法。首先,为了提高主干网络的特征提取能力,设计了一种用于特征提取的自适应全方位动态高效聚合网络(Omni-Dimensional Dynamic and Efficient Layer Attention Network,OD-ELAN)模块。该模块是在高效注意网络(Efficient Layer Attention Network,ELAN)中融合了动态卷积,使得自适应OD-ELAN模块能够输入特征的不同动态调整卷积核的权重。其次,为了提高网络对目标的定位能力,在头部网络中使用显示视觉中心机制(Explicit Visual Center,EVC)来加强网络在空间上对不同区域的感知能力,使网络能够更加灵活地适应不同尺寸、比例和位置的特征。然后对头部网络结构进行设计,在降低网络的计算量的同时保持网络检测的准确性。最后,使用平滑交并集(Smoothde Intersection over Union,SIOU)损失函数衡量预测边界框与真实边界框之间的重叠程度,提升网络对检测目标的定位能力。为了验证自适应卷积神经网络的有效性,使用SAR船舶检测数据集(SAR Ship Detection Dataset,SSDD)和高分辨率SAR图像数据集(High Resolution SAR Images Dataset,HRSID)进行消融实验和对比实验。消融实验结果中显示本文网络每次改进后的检测效果都有所提升。改进后的网络对SSDD数据集舰船目标检测的平均精度提升了7.81%,准确率提升了4.95%,召回率提升了11.8%。对HRSID数据集舰船目标检测的平均精度提升了10.6%,准确率提升了10.03%,召回率提升了11.84%。实验结果表明,在对小目标和复杂背景下的舰船目标检测时,改进后的算法显著减少了误检和漏检的情况。

关键词： 技术生命周期   Logistics模型   LDA主题模型   PCA+K-means模型   演化分析  

摘要： [目的/意义]专利技术主题演化分析可以深刻揭示主题领域的技术发展脉络,如何对其进行准确挖掘对企业提高技术创新能力至关重要。[方法/过程]沿着“技术演化理论构架”→“技术生命周期划分”→“技术主题提取”→“技术主题演化分析”这一研究主线,以自建数据库为数据来源,首先,基于Logistics模型进行技术生命周期划分;然后,分别利用LDA主题模型和PCA+K-means模型进行技术主题提取,并从技术主题强度和技术主题内容两个维度进行技术主题演化分析;最后,以视频图形处理技术领域为例,验证模型的有效性和适用性。[结果/结论]研究结果表明,文章构建的智能模型可以挖掘出主题领域的热门和新兴主题,该分析方法对于认识和追溯技术主题演化规律进而厘清关键技术的发展脉络具有实际应用价值。

关键词： 三维目标检测   YOLOv5   Complex-YOLO   小目标检测   注意力机制  

摘要： 针对三维目标检测点云数据量大且对小目标物体检测识别效果较差的问题,基于Complex-YOLO算法思想,提出了一种改进YOLOv5网络的点云三维目标检测方法。首先,针对点云数据量大导致后续网络运行时间过长的问题,采用Complex-YOLO算法,将点云数据转化为RGB-Map格式,易于YOLOv5网络处理,同时给YOLOv5增加了角度预测分支和旋转框回归损失计算方法,用于实现对RGB-Map中旋转目标的精确定位。其次,为了提升网络对小目标的感知能力,对YOLOv5网络结构进行改进,引入了小目标特征融合层和预测头用于增强算法对小目标物体的检测能力。最后,在neck网络中增设卷积块注意力模块(CBAM),提升网络对小目标的敏感程度。在KITTI数据集上进行验证,实验结果表明,本文提出的基于改进YOLOv5网络的三维目标检测方法相较于Complex-YOLO算法,Car类型的平均精度均值(mAP)提高了7.48百分点,Pedestrian类型的mAP提高了12.54百分点,Cyclist类型的mAP提高了1.2百分点,所有类型的mAP提高了7.08百分点,证明了本文算法的有效性。