关键词： 计算机视觉   工业安全   行为分析   人体关键点检测  

摘要： 该文面向本科生与研究生实践教学,利用计算机视觉技术开发了工业人员行为分析实验平台。依托工程实训中心,通过多通道数据采集装置收集人员工作环境、作业行为以及劳保用品等数据。基于PyQt5构建工业人员行为分析实验平台,该平台将计算机视觉技术与工业安全管控标准深度融合,以实现工业人员流程类与非流程类作业的行为分析。为验证实验平台的有效性,使用工业人员行为测试数据对所研发的实验平台进行了实验验证。实验结果表明,该实验平台能对工人多种作业进行有效评判。该实验平台有助于提升本科生和研究生在智能图像处理领域的实践能力。

关键词： 人工智能   竞技体育   数据挖掘   计算机视觉   可穿戴设备  

摘要： 竞技体育是体育的重要组成部分,对于推动全民健身、提升国际影响力、促进国家经济发展等具有重要意义。随着人工智能技术的发展,竞技体育不断融入人工智能技术来提升体育训练的科学性和竞赛的公平性。该文梳理与总结了近年来人工智能领域中的数据挖掘、计算机视觉和可穿戴设备在竞技体育中的研究现状,指出当前人工智能应用于竞技体育在数据采集、数据安全性、数据公开性等方面存在的问题,并对未来研究方向进行了展望。

关键词： 道路工程   路面病害   图像处理   算法优化   CBAM-YOLOv8  

摘要： 为解决基于机器视觉检测路面病害的速度与精度不高、算法优化效果不显著的问题,在YOLOv8算法中引入CBAM模块,并开展消融试验分别引入SE模块和ECA模块,使用开源的RDD 2020数据集训练模型,经图像预处理得到二进制图像。与YOLOv8算法相比,CBAM-YOLOv8算法的精确率、召回率、mAP@0.5、mAP@0.5:0.95均有所提高,而SE-YOLOv8算法和ECA-YOLOv8算法的检测精度较YOLOv8有所降低。进一步通过RDD 2022数据集验证了CBAM-YOLOv8算法在路面病害检测中的优越性。CBAM-YOLOv8算法的应用可以进一步提高路面病害检测的速度和精度,具有显著的优化效果。

关键词： 图像处理   hough变换   掩膜   边缘检测   分割效应  

摘要： 针对当前人工目检在药片缺陷检测中效果不理想的情况,提出了一种在准确率、速率和成本上更优的药片缺陷检测方法。该方法基于机器视觉检测技术,使用图像处理、边缘检测、缺陷识别等算法,包含原始图像中值滤波和均值滤波两种噪声消减预处理、hough变换对药品和基于掩膜的背景消除的定位、分析比较canny, prewitt, sobel, roberts等四种不同边缘检测算子对图像的分割效应、标记缺陷所在的同时对缺陷的类型进行识别。最后实验结果表明,该方法的准确率可高达96.67%,效果较好。

关键词： MVP   高职   数字图像处理   项目化教学  

摘要： 针对高职院校中数字图像处理课程教学难度大的问题,提出一种基于MVP(Machine Vision Platform)平台的数字图像处理课程教学方案,阐述如何组织和重构课程内容,构建以项目为核心的应用型课程框架,以“工件计数”项目为例,介绍基于MVP平台的“三三三”课程教学实施过程,最后通过教学评价说明教学效果。

关键词： 电力巡检   目标检测   联邦学习   激励机制   公平性  

摘要： 基于深度学习的目标检测算法能够高效处理电力巡检图像,及时发现故障隐患。然而,由于数据整合困难及数据隐私保护等原因,单个电力公司或第三方机构可能不足以训练出高性能模型。为解决这一问题并激励更多参与方加入面向电力巡检图像目标检测的联邦学习,该文构建了基于模型公平和基于收益公平的电力巡检图像目标检测联邦激励机制。基于模型公平的激励机制适用于所有参与方都是数据拥有方的情况,通过贡献评估分配不同性能的模型;基于收益公平的激励机制针对同时存在数据拥有方和数据需求方的模式,数据拥有方获得相应的收益,而数据需求方获得高性能模型。实验结果显示,在这两种激励机制中,公平性相关系数分别可达到0.96和1。这表明所提出的激励机制可有效地提升公平性,并能够激励更多的参与方加入到面向电力巡检图像目标检测的联邦学习中。

关键词： 焊缝缺陷   X射线检测   传统检测方法   目标检测   封装过程   可靠性   芯片  

摘要： 芯片的封装过程极其复杂且对精度要求极高,在焊接过程中保证金属焊料填满基板和保护封盖之间的缝隙较为困难,容易出现焊缝缺陷,对芯片的质量产生严重影响,因此,对封装完成的芯片进行焊缝缺陷检测以保证芯片的可靠性极为重要。然而,陶封芯片的焊缝缺陷大小不一、形状多变,导致传统检测方法的精度和效率不高。

关键词： 无人机航拍图像   全景特征细化分类   自适应双维特征采样   多路径信息整合   多尺度目标   动态聚焦  

摘要： 针对无人机航拍图像前景目标尺度差异大、样本空间分布不均衡、背景冗余占比高所导致的漏检和误检问题,本文提出一种自适应前景聚焦无人机航拍图像目标检测算法。首先,构建全景特征细化分类层,通过重参数空间像素方差法及混洗操作,增强算法聚焦能力,提高前景样本特征的表示质量。其次,采用分离-学习-融合策略设计自适应双维特征采样单元,加强对前景焦点特征提取能力和背景细节信息保留能力,改善误检情况,加快推理速度。然后,结合多分支结构和广播自注意力机制构造多路径信息整合模块,解决下采样引起的歧义映射问题,优化特征的交互与整合,提高算法对多尺度目标的识别、定位能力,降低模型计算量。最终,引入自适应前景聚焦检测头,运用动态聚焦机制,增强前景目标检测精度,抑制背景干扰。在公开数据集Vis Drone2019和Vis Drone2021上进行相关实验,实验结果表明,该方法m AP@0.5数值达到了45.1%和43.1%,较基线模型分别提升6.6%和5.7%,且优于其他对比算法,表明该算法显著提升了检测精度,具备良好的普适性与实时性。

关键词： 目标检测   深度学习   玉米雄穗   复杂田间环境  

摘要： 玉米雄穗对于玉米产量以及优良育种有着重要作用,为提升复杂田间环境下对抽雄期玉米雄穗的检测精度和速度,提出一种融合高效多尺度注意力机制的轻量级目标检测模型YOLOv5-EMM。通过嵌入高效多尺度注意力机制(EMA)模块、替换MobileNetV3轻量级骨干网络、优化MPDIoU损失函数及采用BiFPN优化颈部网络改进YOLOv5基础模型。试验结果表明,YOLOv5-EMM网络平均精确度达到97.8%,比改进前提高了2.7%,模型参数量低至3.31M,计算量也降低了51%。改进模型对复杂田间环境玉米雄穗有着较好的检测效果,可为玉米生长状态监测提供技术支持。

关键词： 图像处理   脑肿瘤分割   卷积神经网络   磁共振成像(MRI)   多任务学习  

摘要： 针对脑肿瘤磁共振成像(magnetic resonance imaging,MRI)分割中样本缺少、类不平衡、小区域分割精度低等问题,本文提出了基于3D No-New U-Net的多尺度多任务深度学习算法TDDU-Net。首先,采用了一个编码器和三个不完全相同解码器的结构;其次,采用逆瓶颈结构设计的ConvXt模块作为解码器的前置处理,克服在部分核心区域解码时高层语义未被充分利用的不足;再次,在最底层编码器和解码器连接处增加广义特征处理模块InConvXt,保证全局特征的准确性,增强网络的稳定性;最后,在保证准确率的情况下,使用深度可分离卷积在适当位置减少网络的参数计算量。实验表明,预测分割结果在整体肿瘤区域(whole tumor,WT)、肿瘤核心区域(turmor core,TC)、增强肿瘤区域(enhancing tumor,ET)的Dice相似系数(Dice similarity coefficient,DSC)在BraTS18数据集中分别达到了0.907,0.847,0.807。本文方法较其他方法表现出色,能准确分割出MRI中较小的肿瘤区域。