关键词： 游戏化教学   人工智能技术   动物图案   益智游戏   专注力   目标检测   对对碰   互动体验  

摘要： “超级对对碰”游戏是一款融合趣味与挑战的益智游戏。其核心玩法在于迅速而准确地从两张卡片中识别出相同的动物图案(图1),这一过程不仅锻炼了学生的观察力和反应速度,更在无形中提升了专注力与记忆力。随着人工智能技术的飞速发展,我们有机会将这种日常游戏转化为一种全新的互动体验。借助人工智能的目标检测技术,让机器参与到游戏过程中,为学生带来更加丰富和智能化的游戏体验,启发他们运用人工智能技术解决身边的问题。

关键词： 目标跟踪   量测转换   学生t分布   变分贝叶斯方法   自适应噪声估计  

摘要： 针对量测含未知野值的非高斯极坐标−笛卡尔坐标水下目标跟踪问题,提出了基于变分贝叶斯方法的迭代量测转换学生t滤波(VBICMSTF)算法。将有源声呐目标距离及方位估计结果作为基于极坐标的非线性量测,使用无偏量测转换对其进行基于学生t分布近似的先验线性化建模,然后通过变分贝叶斯方法迭代地更新伪线性量测尺度阵及目标状态的后验分布,并在迭代过程中利用目标位置的更新结果对量测转换二阶矩的计算进行校正,由此形成先验−后验循环更新。仿真及湖上试验结果表明,VBICMSTF在含未知非高斯量测噪声的强非线性跟踪场景下,相比伪线性学生t分布变分贝叶斯方法跟踪误差降低25%以上,且维持了滤波的一致性。

关键词： 目标检测   YOLOv5s   特征融合   注意力机制   食用玫瑰花  

摘要： 为了在田间环境下准确检测食用玫瑰花及其成熟度,实现花期玫瑰花的自动化采摘,针对田间光照、遮挡等因素造成识别精度较差的问题,提出了一种基于YOLOv5s的改进模型,对花蕾期、采摘期、败花期食用玫瑰花的生长状态进行检测。首先,为了增强多尺度特征融合能力,对特征融合结构进行改进。其次,采用多分支结构训练提高精度,在颈部网络C3模块进行改进。最后,为了提升特征信息的提取能力,在颈部网络中添加融合注意力模块,使模型关注检测目标,减少玫瑰花的误检及漏检现象。改进后的模型检测总体类别平均精度较原始模型提升了3.6个百分点,达到90.4%,对3个花期玫瑰花的检测精度均有提升。本研究结果为非结构环境下的不同花期食用玫瑰花检测提供了更加准确的方法。

关键词： 深度学习   图像处理   语音识别  

摘要： 阐述基于深度学习的电子技术在通信、图像处理、语音识别中的应用。分析深度学习模型在目标检测、自然语言处理、自动控制方面的优势与挑战。提出模型剪枝、硬件加速的优化方法。

关键词： 目标检测   飞机检测   YOLOv5   注意力机制   损失函数  

摘要： 针对现有目标检测算法在遥感影像飞机目标检测上存在检测速度慢、精度低、影像背景复杂、不易区分背景和目标,以及预测过程的收敛速度较慢、效率低等问题,本文在YOLOv5算法模型的基础上,采用引入注意力机制和更换损失函数两种优化策略,提升了算法对飞机目标的检测性能。在DOTA数据集上的训练结果显示,通过在YOLOv5网络结构主干部分的C3模块中引入CBAM注意力机制,算法检测性能得到显著提升。其中,模型训练结果的精确度(P)提升6%,召回率(R)提升2%,平均精度(mAP)提升2.8%;在YOLOv5预测过程中分别采用Focal EIoU和SIoU损失函数对原有CIoU损失函数进行替换,试验结果表明,改进后的算法模型回归精度显著提高,其中采用SIoU损失函数的模型优化效果最好,模型训练结果的精确度(P)提升4.3%,召回率(R)提升2%,平均精度值(mAP)提升2.7%。改进后的YOLOv5算法为实现对飞机目标的高精度实时检测提供参考。

关键词： 自卸车盲区   目标检测   YOLOv8   预警系统  

摘要： 针对自卸车外形尺寸大导致车辆右转弯时存在较大视野盲区的问题,提出一种自卸车右转盲区风险目标动态检测算法,该算法利用YOLOv8模型的C2f模块和损失计算模块,提高了模型的检测精确率。同时,在盲区中预设4条位置阈值线,增加盲区风险预警模块,建立了自卸车右转盲区辅助驾驶系统。结果表明:所提出的风险目标动态检测算法能够识别小型乘用车、载货汽车、公交车、行人和电动自行车等多种类型的目标,且所有类别目标的50%交并比阈值下的平均精度均值(mAP50)为0.87;自卸车右转盲区辅助驾驶系统能够根据图像中风险目标框的位置进行不同程度的预警。

关键词： AGV目标定位   全局视觉   目标检测  

摘要： 全局视觉通过分析输入的图像或视频以获取整个场景的信息,它是实现自动驾驶的关键技术之一。针对目前全局视觉在感知和识别自动导引车(automated guided vehicle, AGV)的能力易受环境因素影响的不足,设计了目标特征颜色条件分类算法和颜色因子稳定特征法。目标特征颜色条件分类算法以特定的颜色色块为识别目标,在图像中提取特定色块的像素颜色信息,通过计算这些特定色块的质心坐标和角度信息,实现AGV的定位及方向计算;颜色因子稳定特征法能够在不同光线干扰的环境下准确识别出颜色,提高不同光照条件下AGV识别的鲁棒性。实验结果表明,本算法加强了AGV的抗干扰性,使其在不同的环境和光照下能够精确识别目标。

关键词： 电梯安全   目标检测   卷积神经网络检测   YOLO模型   应用场景   优缺点   改进  

摘要： 指出在计算机视觉领域的目标检测技术中,卷积神经网络目标检测技术具有良好的性能,而YOLO模型检测技术属于卷积神经网络目标检测技术,在电梯领域获得广泛应用。介绍了YOLO模型检测技术在电梯轿厢内人流监测、电梯门状态检测、电梯设备故障检测中的应用,并指出应用中的优缺点。最后,根据这些优缺点提出了6点改进建议,即算法优化、网络结构优化、数据增强、将智能化与边缘计算结合、多模态信息融合、跨领域合作。

关键词： 计算机视觉   石化企业   火灾智能监测   网络结构   激活函数   损失函数   评价指标   消融实验  

摘要： 针对火灾现场干扰因素复杂、传统火灾报警方式相对滞后的问题,提出了一种基于YOLOv5改进的火灾识别算法。首先,通过改进激活函数提升模型非线性表达及泛化能力,改进损失函数,减少模型对非必要特征的学习;然后,通过引入注意力机制CBAM,增强模型在通道和空间的双向感知力;最后,设计改进YOLOv5算法与其他识别算法对比实验。通过定性及定量分析证明改进算法的有效性,与原YOLOv5算法相比,模型平均精准率AP提高了5.85%,整体网络性能有了较明显的提升,满足了火灾图像检测准确度、实时性的需求,测试结果证明其具有良好的性能以及应用价值。

关键词： 室内火情监测   YOLOv8   Ghost网络   CBAM   目标检测  

摘要： 随着城市化进程的加快,室内火灾预警变得尤为重要。基于视觉的深度学习技术已成为火灾检测的研究热点,但在性能上仍有较大的改进空间。因此,本文设计了一种改良版的YOLOv8s算法,以提高室内火灾检测的准确性和实时性。改进的YOLOv8s算法通过整合Ghost模块和卷积块注意力机制(CBAM),大幅降低了计算复杂度并增强了特征融合的作用。实验结果表明,该改进模型在模型参数量方面减少了44%,同时帧率提升了19.6%,检测精度也增加了2个百分点;在与其他主流算法进行对比时,在模型的精度、召回率和参数等均体现出均衡的优势。本文详细评估了这些改进对模型检测性能的影响,结果表明,改进后的YOLOv8s算法在检测速度和准确性上均表现出显著优势。本研究不仅为室内火灾监测提供了更高效的解决方案,也展示了深度学习在火灾检测中的广阔应用前景。