关键词： 颈动脉斑块   深度学习   超声图像   图像处理   分割算法   医学图像   U型架构   Swin-Transformer模块  

摘要： 评估颈动脉超声图像斑块需要大量且经验丰富的临床医生,并且超声图像具有边界模糊、噪声干扰强等特性,使得评估斑块耗时费力,因此需要一种全自动的颈动脉斑块分割方法来解决人力稀缺问题。文中提出了一种基于Swin-Transformer(Shifted-Windows Transformer)模块的深度神经网络模型用于自动分割颈动脉斑块。在U-Net(U-Convolutional Network)架构基础上,编码部分使用3个用于图像下采样的卷积块以获得不同分辨率大小的特征图像,再添加6对连续Swin-Transformer模块用于更细化的特征提取。解码部分将Swin-Transformer模块输出的细化特征逐级上采样,分别与编码部分各级分辨率的特征图进行跳跃连接。基于同仁医院数据集进行对比实验,结果显示所提网络模型Dice指标达到0.8142,高于其他对比网络,证明了所提模型可以有效地提取颈动脉超声图像斑块特征,实现自动化、高精度的斑块分割。

关键词： 雷视融合   ADB   目标检测   场景识别   智能控制  

摘要： 针对传统基于相机的ADB灯控系统单目摄像头在雨、雪、雾天气存在识别不清和检测率低的问题,文章设计一种基于雷视融合的车载ADB灯控系统。该系统可以实现夜晚自适应控制远光灯的开闭,减少交通事故的发生,并且雷达数据的引入增强了数据源的可靠性,使得该系统在雨、雪、雾等不良天气下亦可正常工作,增强了系统的鲁棒性。

关键词： 马铃薯   花粉活力   图像处理   深度学习   SegFormer   OpenCV  

摘要： 【目的】传统马铃薯花粉活力检测方法依靠肉眼计数,存在效率低、准确性差等问题。本研究基于PaddlePaddle深度学习框架,通过比较不同模型,提出一种快速检测花粉活力的方法。【方法】首先收集花粉,使用2,3,5-氯化三苯基四氮唑(2,3,5-triphenyltetrazolium chloride,TTC)染色,通过显微镜拍照获取图像;利用Photoshop(PS)进行数据标注,分别标注有活力花粉和所有花粉,并将标签图转为单通道图像;选用SegFormer、U-Net和DeepLabV3模型进行训练,分割有活力花粉和所有花粉;最后使用Python OpenCV程序计数,计算花粉活力。【结果】与其他模型相比,SegFormer在两类数据集中的各项评估指标均为最优。相比于人工识别,OpenCV程序可以实现快速、批量计数,且误差小。【结论】通过图像处理技术可以快速、准确检测马铃薯花粉活力,进一步利用该方法快速鉴定了200份F_(2)株系的花粉活力,为马铃薯花粉活力表型采集奠定了基础。

关键词： YOLOv8   Carafe   SGE注意力机制   坐标注意力机制   WIoU  

摘要： 针对在无人机图像目标检测中复杂场景下目标特征难提取且小目标容易被淹没在噪声中的问题,提出一种基于YOLOv8s的无人机目标检测算法SC-YOLO。为了能够学习到感兴趣区域的位置细节,基于CA(coordinate attention)提出了SPM(self-positionmodule)注意力。为了缓解Carafe上采样算子因为通道压缩所带来的影响,提出了CEM(Carafeenhancermodule)。通过分析梯度增益函数与数据集中目标大小的关系,使WIoU_v3能够更加关注中、小目标的普通质量锚框,并且在VisDrone2019数据集上进行验证,得到WIoU_v3能够更加关注中、小目标的普通质量锚框的参数设置范围。改进后的YOLOv8s算法在VisDrone2019验证集上的平均均值精度(mAP)提高到43.1%,在测试集上的mAP提高到34.8%,在近几年同等规模的算法中拥有较好的检测性能;改进算法相较基准算法参数量仅增加1.1×10^(6),浮点运算次数(FLOPs)增加1.5 GFLOPs,但在验证集以及测试集上检测精度分别提升了2.0和2.1个百分点;在Tinyperson数据集上的检测精度提高了1.4个百分点。

关键词： 文本识别   阴影消除   阴影检测   小样本学习   目标检测  

摘要： 阴影消除是计算机视觉领域中面对阴影场景的重要任务,旨在检测和消除图像中的阴影区域。由于图像编辑技术受到阴影图像质量的制约,现有方法利用其他任务中的知识和阴影特性来获得更加有效的特征向量,从而实现阴影消除。在带有文本内容的阴影图像中,由于文本颜色和形状等特征不同于前景和背景,因此可能将文本错误地检测为阴影的一部分进而导致错误的阴影消除结果。针对该问题,提出了一种面向文本识别的小样本阴影消除方法。在小样本目标检测基础框架模型中,利用被错误识别为阴影的文本特征生成基类数据和新类数据,增强对该类文本的特征学习;在部分检测框合并算法中,利用文本本身长宽比多样化、变化大的特性,以多个约束为前提合并结构相关性较强的检测框,实现对目标的正确框定。建立在真实数据与合成数据上的实验结果验证了所提方法的有效性。

关键词： YOLOv5算法   EIoU   Focal Loss   CA注意力机制   目标检测  

摘要： 为了减少YOLOv5模型在复杂环境下的误检率和漏检率,提出一种基于CA(Coordinate Attention)和EIoU(Efficient Intersection over Union)的目标检测模型YOLOv5-CCE。首先向Neck网络中的部分C3_2模块中嵌入坐标注意力机制CA,增强模型对特征的提取能力;其次为提高回归精度,提出一种基于Focal EIoU Loss改进的Focal CEIoU Loss。实验结果表明,在PASCAL VOC 2007+2012数据集上,YOLOv5-CCE模型在参数量和计算量基本保持不变的情况下,相较于原模型mAP@0.5、mAP@0.5:0.95和准确率分别提升了1.4%、1.3%和3.7%,因此,YOLOv5-CCE模型可以更好地适应复杂环境下的目标检测任务。

关键词： 葡萄   目标检测   YOLOv5s   轻量化网络   特征融合  

摘要： 针对农业自动采摘机械对目标检测模型准确率、实时性及轻量化的需求,提出了一种轻量级葡萄目标检测网络YM-GDM(YOLOv5s-MobileNetV3 grape detection model)。使用MobileNetV3代替CSPDarknet53作为YOLOv5s的主干网络,以实现模型的轻量化;引入Res2Net_C2f模块和BiFPN(Bi?directional feature pyramid network)结构,以提高模型的多尺度特征融合能力;同时,改用VariFocalLoss损失函数对模型进行训练,以减少正负样本不均带来的影响。使用包含5类食用葡萄的自制数据集与包含5类酿酒葡萄的公开数据集(WGISD)作为试验数据集进行测试。结果表明,YMGDM网络对10个品种葡萄的目标检测平均精度均值(mAP50)达到90.8%,比YOLOv3-tiny、YOLOv5s分别提升6.2、2.2百分点;模型体积为9.72 MB,相比YOLOv3-tiny、YOLOv5s分别缩小44.4%、32.8%。此外,进一步减少参数量得到了轻量特化模型YM-GDM-tiny,模型体积缩小到4.73 MB,mAP50达到86.8%,以部署于算力更低的移动设备。

关键词： 无人机图像   松材线虫病   深度学习   目标检测  

摘要： 【目的】针对无人机松林图像中早期松材线虫病害特征不明显、尺度多变导致的目标漏检、误检问题,提出一种基于深度学习的早期松材线虫病害检测方法。【方法】首先,为达到在无人机机载端的模型部署需求,提出一种降低计算量和参数量的松材线虫病害检测方法;其次,为获取早期松材线虫病害更准确的特征,采用多种方式同时提取特征并融合以增强对有效特征的学习能力;然后,为进一步提高不同尺度特征的融合能力,添加注意力机制对齐相邻两级特征;最后,以辽宁抚顺大伙房试验林场无人机拍摄的早期松材线虫病害为研究对象,利用LablImg开源软件标注拍摄高度为100~240 m的图像,构建无人机早期松材线虫病害图像(EPI)数据集。【结果】在EPI数据集上的测试结果表明,本研究方法的平均精度(AP)最高达95.2%,相比YOLOv5s、YOLOX-s和YOLOv6s的AP分别提高3.1%、4%和0.9%;该模型体积仅12.8 M,分别是YOLOv5s、YOLOX-s和YOLOv6s模型体积的23.6%、17.8%和8.9%。【结论】本研究方法具有较高识别精度,同时模型体积较小,可为无人机在机载端识别早期松材线虫病害提供可能。

关键词： 多介质   教学资源   新工科教育   课程思政   数字图像处理  

摘要： 立德树人是高等教育改革的终极目标,而教学资源建设是系列教改的基础。在分析新工科教育与传统工科教育差异基础上,揭示多介质新形态教学资源建设需求,提出立德树人视域下的多介质新形态教学资源建设方法,包括以先进的学习理论为指导安排教材结构、体例;以立体化教材、公众号、小程序和抖音等新形态介质传递教学内容;以新知识新技术为牵引促进创新创业能力;以不同领域新应用实例夯实跨界综合能力;以文化自信、忧患意识等为牵引强化课程思政,实现多介质新形态教学资源建设。

关键词： YOLOv5   目标检测   MobileNetV3   AFPN特征融合结构  

摘要： 在无人机航拍领域,针对难以捕获和精确辨识小目标,以及小目标检测对系统实时处理能力要求较高,提出一种基于YOLOv5改进结构的深度学习算法。通过替换轻量级MobileNetV3作为主干网络,显著减小了模型复杂度与计算负担,同时保留了高效的特征提取能力,以及引入AFPN特征融合结构,实现了图像空间信息多尺度特征的高效融合,不仅增强了模型对小目标的敏感性,还显著提升了目标检测的精度与效率。实验验证:改进后的算法在VisDrone数据集上的整体表现较好。