关键词： 卷积神经网络   目标检测   特征点定位   下肢力线  

摘要： 提出一种基于卷积神经网络的X线片下肢关节角度识别算法,首先在X线片中使用Yolov5目标检测模型来识别特定类别的感兴趣区域,并使用U-Net模型进行热图回归来识别关键特征点,最后进行下肢关节角度的计算。研究结果表明,本文提出的算法相比于之前的算法精度更高,结果准确可靠,为临床研究和实践提供参考。

关键词： 机器视觉   包装缺陷检测   图像处理   深度学习  

摘要： 根据近年文献资料,介绍了机器视觉技术在食品瓶罐包装缺陷检测上的应用和发展,概述瓶罐包装缺陷检测系统的硬件结构和检测流程;梳理并分析基于图像处理技术和基于深度学习方法在食品瓶罐包装缺陷检测领域取得的研究成果,探讨分类网络模型和目标检测网络模型两种技术在该领域的优势和不足,并对未来的发展进行了展望,为智能瓶罐包装检测的创新和发展提供参考。

关键词： 时间节点联合估计   多平台   纯方位   目标机动检测  

摘要： 针对水面及水下纯方位变速、变向目标机动检测跟踪问题,提出一种基于时间节点联合估计的多平台纯方位机动目标跟踪算法,该算法将目标的机动时刻等价于“时间未知节点”,基于Taylor级数运动要素估计方法直接对目标机动时刻、目标机动前后运动要素进行估计。机动检测特征是估计机动时刻以及估计机动时刻迭代分量的迭代过程,当迭代过程震荡发散,或机动时刻估计值不在观测时间范围内时,目标未发生机动。仿真结果表明,该算法在跟踪中远距离海上变向变速目标时,具有较低的机动检测虚警率和较高的跟踪精度。

关键词： 计算机图像处理技术   环境艺术设计   应用路径  

摘要： 随着科技的飞速发展,计算机图像处理技术已成为现代设计领域的关键工具。本文深入探讨了计算机图像处理技术的基本原理和多种应用方法,并重点关注其在环境艺术设计中的创新应用。环境艺术设计作为融合了艺术与环境的创造性形态,在传达设计理念和营造独特情感体验方面均发挥着关键作用。然而,如何高效传达设计意图、实现复杂视觉效果成为环境艺术设计面临的挑战。本文对计算机图像处理技术进行了概述,分析了环境艺术设计中存在的问题与挑战,并提出了一些计算机图像处理技术在环境艺术设计中的应用路径,以供相关设计人员提供参考。

关键词： 点云聚类   目标检测   双目视觉定位  

摘要： 针对移动机器人对周围环境障碍物感知的需求,特别是针对激光雷达点云数据的的语义检测和尺寸识别问题,提出基于图像处理和点云数据处理相融合的方法。首先,对3D激光雷达和双目相机进行外参标定;然后,使用YOLOv4深度神经网络将检测出的二维图像实例通过双目相机恢复像素深度,将其检测目标定位到激光点云中;在对点云进行滤波、几何约束后,采取基于KD树的搜索方法对点云欧式聚类分割,最终将识别出的语义信息输出到点云聚类结果中。实验结果表明,设计的方法可以准确、快速地识别并分割聚类出点云,可以应用于移动机器人导航避障。

关键词： 隧道表观病害检测   隧道衬砌无损检测系统   YOLOV5   目标检测  

摘要： 随着投入运营的铁路里程不断增加,我国已经成为世界隧道工程规模最大、发展速度最快、运营里程最长的国家。运营期隧道逐渐出现衬砌裂缝、掉块和渗水等病害,定期检查和健康评估是确保隧道等地下基础设施安全建设和运行的必要条件。传统的人工巡检劳动强度大,耗时长,难以满足及时检测的要求。本项目利用自研隧道衬砌无损检测系统实现隧道衬砌表观图像的快速采集,通过深度学习中常用的目标检测算法YOLO V5加以人工复核的方式实现了对隧道衬砌表观病害的快速检测。检测后共发现病害679处,其中衬砌掉块病害216处;渗水病害28处;裂缝病害435处。综合考虑衬砌表观病害的分布规律,衬砌掉块和渗水病害,在K60+500~K61+800区段内呈现数量和程度上的增加,推断在该区段内隧道衬砌结构状态的出现明显变化。

关键词： 遥感图像   行人小目标   增强特征提取   感受野增强模块   GKCLOSS损失函数  

摘要： 林业作业人员常常由于复杂地貌而面对坠落、森林火灾等威胁,卷积神经网络结合无人机巡查的方法已经成为主流防范、搜救措施,但遥感图片中的行人小目标有特征少、定位精度要求高以及极易受背景信息干扰的特点。为了能够使森林遥感图片行人小目标检测的精度达到预期,在YOLOv4方法的基础上针对上述特点设计了增强特征提取的目标检测网络(EFEN),通过构建感受野增强模块(RFBA)并结合CBAM注意力机制,在充分利用遥感图片中的丰富上下文信息之余,对相关信息进行动态选择,增强特征的表示能力;基于高斯分布思想,将归一化Wasserstein距离与CIOU结合,提出了一种新的损失函数(GKCLOSS),降低了小目标检测任务中对位置偏差的敏感性;引入一种自适应分割训练检测策略,平衡正负样本,提高目标检测的准确性,进一步提高了检测精度。以河北省张家口市崇礼区采集的无人机行人图像为研究对象,实验表明,EFEN框架在小目标检测方面优于现有的深度学习网络,在与SSD、YOLOv5、YOLOv7等算法比较中平均查准率(mAP)均有所提升,在上述数据集上,mAP高达39.10%,证明了此方法对行人小目标数据的有效性。

关键词： 交通标志检测   YOLOv5   重参数化   注意力机制   SLA  

摘要： 针对当前算法在面对交通标志时存在识别精度低、检测错误较多等问题,提出了一种基于YOLOv5优化的交通标志检测方法。在Backbone部分,为了获得不同大小的感受野,不同复杂度的特征,并增强特征图的重要特征,抑制冗余特征,使用DBB重参数模块代替Conv卷积,并加入SE注意力机制;在Neck部分,设计了新的SLA Neck,聚合来自不同层的特征图,有效防止小目标特征信息损失,对融合后的特征进行上采样,增加小目标检测层,增强浅层语义信息;在Head部分引入IoU-Aware查询选择,即将IoU分数引入分类分支的目标函数,预测框与GT的IoU作为类别预测的标签,以实现对正样本分类和定位的一致性约束;使用SIoU损失函数代替CIoU损失函数,考虑真实框与预测框之间的方向,提升收敛速度和推理能力。实验结果表明,在TT100K数据集下,方法相较于YOLOv5m,计算量减少了3.3%,参数量减少了34.8%,而mAP和mAP@50:95分别提升了13.8%和10.4%。实验说明,该模型在减少模型参数量及大小的同时提高了检测精度,具有应用价值。

关键词： 计算机视觉   图像处理   纸张   缺陷检测系统  

摘要： 随着信息技术的飞速进步,造纸行业正经历着一场革命,生产自动化与质量管理水平得到了质的飞跃。这场变革背后,基于计算机视觉的图像处理技术功不可没。它在木质纤维检测、纸浆质量分析、涂料均匀度评估、纸张成型监控及其性能评估等方面发挥着至关重要的作用。特别是在纸浆纤维与纸张缺陷诊断领域,这一技术的应用尤为广泛。通过深入研究图像去噪、增强、边缘识别、图像分割及分类等技术,利用计算机视觉对纸张缺陷进行智能检测,不仅显著减少了因人为因素带来的误差,提升了检测效率,还提高了检测的精准度。这不仅预示着造纸工艺的未来发展方向,还揭示了信息技术与传统制造业深度融合的巨大潜力,预示着其在推动产业升级、提升经济效益方面的巨大潜力。

关键词： 深度学习   卷积神经网络   目标检测   YOLO  

摘要： 目标检测是计算机视觉中的一项重要任务,其目标是从图像或视频中检测出并定位感兴趣的目标对象。这与图像分类不同,目标检测不仅需要确定图像中是否存在特定对象,还需要准确地标定对象的位置。YOLO(You Only Look Once)是将目标检测问题转化为一个回归问题,从而实现了从端到端的一种检测方法。与传统的两阶段的目标检测算法相比,单阶段的目标检测算法在速度上有很大的提升,从而实现的速度与准确性的平衡。该文主要是对YOLO系列算法的网络结构以及相关改进进行了详细的阐述。首先是对YOLO算法基本思想进行相关阐述,然后对YOLO中相关网络架构进行的相关阐述,包括YOLO V1,YOLO V2,YOLO V3,YOLO V4,YOLO V5,以及YOLOX YOLO V7,YOLO V8。