关键词： 荔枝识别   深度学习   卷积神经网络   目标检测   图像分割   研究进展  

摘要： 从荔枝目标检测任务和荔枝目标分割模型两方面进行综述,总结了荔枝识别技术在开花率估算与产量预估、采摘识别与定位、果实与主茎分割3个方面的相关研究成果,归纳了基于深度学习的荔枝目标检测技术和分割技术的常见方法和应用,同时指出深度学习方法在实际应用中所面临的问题和挑战,并展望了基于深度学习的荔枝识别技术未来的发展趋势,即加大复杂环境下精准识别技术研究、提高轻量化模型检测速度、利用小规模数据集模型和弱监督模型进行训练,以实现实时准确识别。

关键词： 目标检测   跌倒   FasterNext   DDConv   WIoU  

摘要： 针对室内场景中由于光照变化、人体形态被遮挡以及在特殊视角下人体姿态变化等因素导致行人跌倒检测精度低、实时性差的问题,提出了一种基于YOLOv8改进的轻量级跌倒检测算法FDW-YOLO。将骨干网络中的C2f模块替换成FasterNext模块,增强有效特征复用的同时降低计算复杂度。根据人体跌倒姿势变化大的特点,设计了3种在颈部层不同位置添加动态可变形卷积模块的网络结构,并在自制的跌倒行为目标检测数据集上进行实验比较,最终根据网络性能选择YOLOv8-C方案。在改进后的网络中引入边界框回归损失函数WIoU取代原有的CIoU。实验结果表明,FDW-YOLO跌倒检测算法较YOLOv8n在mAP@0.5指标上从96.5%提升到97.9%,在mAP@0.5:0.95指标上从72.5%提升到74.3%,同时参数量和计算量只有4.1×10^(6)和7.3×10^(9),符合在低算力工业场景中部署的要求。

关键词： 视觉传达   舰船图像   多目标检测   显著区域   模糊C均值聚类   候选区域  

摘要： 针对海洋环境的复杂性以及舰船目标的多样性,研究基于视觉传达的舰船航行图像中多目标检测方法,及时发现潜在的安全隐患。将舰船航行图像从RGB颜色空间转换到CIE Lab模式空间,应用改进HFT(超复数傅里叶变换)模型有效提取舰船多目标显著区域。利用加权处理和Otsu算法划分多层显著区域,并基于先验信息确定舰船多目标候选区域。采用模糊C均值聚类算法对候选区域进行分割,实现舰船多目标的精准检测。实验结果表明,该方法可在云雾覆盖、海洋杂波、船舶尾迹等多种复杂环境下准确检测舰船多目标,具有较高的鲁棒性和实用性。

关键词： 图像处理与机器视觉   创新人才   实验课程  

摘要： 针对现阶段普通高校工科专业在数字《图像处理与机器视觉》实验教学中实践教学和培养学生创新意识、能力的力度不足的问题。提出以新工科为背景的大学生创新教学、科研和实践相融合的组织模式,重点探讨《图像处理与机器视觉》实验课程的体系建设。从分层式实验教学体系、探究型实验平台搭建、任务驱动型科研创新、开放性实验项目和多元考核评价等方面,提出面向创新能力培养的数字图像处理和机器视觉课程实验教学体系。通过这些方法提高学生的创新与实践能力,实现教学、科研和实践的一体化,培养未来多元化、创新型的卓越工程人才。

关键词： 缺陷检测   裂缝分割   双层卷积   多特征融合   图像处理   深度学习  

摘要： 针对复杂背景下道路裂缝分割方法存在的边缘细节易缺失、目标误判问题,提出双层卷积和多特征融合的路面裂缝分割网络。首先,采用U-Net网络为基础架构,设计双层卷积网络改进编码部分,增大感受野,提取丰富的上下文信息.其次,引入坐标注意力模块优化解码部分,进一步加强网络对裂缝边缘细节的学习.最后,将产生的多级特征反馈至特征融合模块,堆叠通道有效融合深层和浅层特征。此外,损失函数采用二值交叉熵损失和Dice损失函数相结合的方式,有效解决了背景大于裂缝像素点导致的样本不均衡问题。通过在CRACK500、CFD、Cracktree200公开数据集上的实验结果表明:该方法实现MIoU分别为76.8%、65.3%、53.0%,比现有方法MIoU平均提高3.5%,可以实现优异的道路裂缝自动分割效果.

关键词： 智能焊接   多层多道焊   图像处理   特征提取   路径规划  

摘要： 基于视觉的机器人多层多道焊路径规划技术可以大幅缩减人工示教时间,提高焊接效率和质量,受到了广泛关注。然而,焊接过程中受强弧光、飞溅等因素的干扰和焊缝特征提取精度低等的影响,对机器人多层多道焊路径规划技术提出了严峻挑战。通过分析多层多道焊路径规划过程的传感器开发设计、图像处理、特征提取及多层多道焊缝填充等关键技术,阐述了机器人多层多道焊路径规划技术的应用现状,并对其发展趋势进行了分析与展望。

关键词： 红外目标   检测与识别   深度学习   轻量化   YOLOv5n  

摘要： 基于深度学习算法的红外目标检测与识别技术是学术界研究的一个重要领域。基于对红外目标检测与识别的高精度和算法的轻量化两个目标的前提之下,在YOLOv5n网络模型的基础上,首先使用扩张式残差卷积(DWR)替换网络中的C3模块,实现了网络的轻量化,并且使网络可以灵活的提取不同尺度的特征。然后针对红外图像分辨率低且细节模糊的特点,用AF-FPN代替原来的FPN结构,提高了多尺度红外图像目标识别的能力。最后采用iRMB注意力机制插入到检测层,使得模型轻量化的同时检测精度仍能与原来的YOLOv5n相近。实验结果表明,改进模型较原YOLOv5n网络值提升了0.8%,模型体积下降了17%,实现了模型轻量化的同时基本不影响模型检测精度,满足体积小和轻量化需求,适合部署到嵌入式设备。

关键词： 水下射弹   高速摄像   线阵相机   弹形复原   超空泡   图像处理  

摘要： 针对水下环境恶劣、光线条件差、难以拍摄并复原高速射弹运动姿态及其超空泡演化过程等问题,采用线阵相机的交汇测量原理,设计基于线阵相机的水下射弹图像采集系统、搭建基于双线阵相机的图像采集靶面,提出一种针对水下高速超空泡目标识别与弹形复原算法。利用超空泡射弹几何关系与相机标定数据推导出射弹过靶坐标、姿态角与过靶速度公式,搭建12.7 mm滑膛枪垂直发射入水实验,对系统的可行性进行验证分析。实验结果表明:该系统能够有效地进行水下射弹图像的快速采集,较完整的对弹形及空泡形态进行分离与复原,解算出射弹水下运动速度、姿态角及超空泡形态参数;系统解算出的速度与同时部署的高速摄像所处理的速度误差在1%以内,证明该系统具有较高的可靠性与实用性。

关键词： 四轴飞行器   高速公路   动态规划   深度确定性策略梯度   目标跟踪  

摘要： 针对无人机(unmanned aerial vehicle,UAV)平台采集运动目标图像信息过程中因UAV自身的飞行状态、环境的干扰、目标的随机性等原因易产生运动目标丢失等问题,提出了一种基于运动目标识别的深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法UAV跟随方法。面向高速公路的车辆目标,分析了UAV高度、位姿与高速车辆运动之间的关系,建立了移动平台目标检测帧率的速度自适应模型,根据目标的运动状态计算能够相匹配UAV的飞行状态,实时修正飞行姿态与速度,使UAV能够保持与目标的相对位置和角度。继而基于DDPG算法价值网络估计UAV在不同状态下采取特定动作的价值,策略网络生成UAV在给定状态下采取动作的策略,给予UAV飞行高度、速度控制参数用于目标跟踪,使UAV能够根据目标的运动变化自动调节飞行状态,实现运动目标的自适应跟随。仿真实验表明:DDPG算法能够提供稳定的飞行姿态数据,为UAV的跟随任务提供了可靠的控制基础;通过在真实场景下实验验证,UAV能够实时跟踪速度范围0~33 m/s、半径为120 m的圆形面积内的地面运动目标,且在续航范围内能够实现持续稳定跟随。

关键词： 苹果叶部病害   目标检测   YOLOX   动态跨阶段局部网络(ODCSP)   Varifocal Loss  

摘要： 针对目前苹果叶片数据集的叶片病害种类不全以及图片背景单一等问题,构建了复杂背景下包括苹果叶部六种常见病害的苹果叶片病害数据集。针对目前主流苹果叶片病害检测模型检测精度不高、模型复杂和不满足实时监测等问题,提出了一种基于YOLOX-S(you only look once X-S)改进得到的复杂背景下的苹果叶片病害自适应检测模型Dynamic-YOLOX。设计并使用ECA-SPPFCSPC模块(efficient channel attention cross-stage partial fast spatial pyramid pooling module)更换YOLOX-S模型主干网络尾部Dark5中的空间金字塔池化(SPP)以及跨阶段局部网络(CSPNet)模块来增强模型关注深层语义特征、抑制无用信息的能力,并减少硬件内存开销。设计了动态跨阶段局部网络(ODCSP)模块,并用其更换YOLOX-S模型主干网络中Dark2、Dark3、Dark4部分以及颈部网络中所有的CSPNet模块,使得模型在面对不同输入特征时有更强的自适应性,在减少模型的参数量和计算量的同时提高了模型的平均检测精度。引入Varifocal Loss更换模型中分类置信度损失的BCEWithLogits Loss来提升模型对苹果叶片中密集小目标病害的检测精度。在自制数据集上Dynamic-YOLOX相对原始YOLOX-S模型的mAP提升了4.54个百分点,达到84.63%,同时模型的参数量和计算量分别下降了11.97%和13.45%,检测速度达到44.07 FPS。对比主流苹果叶片病害检测模型,Dynamic-YOLOX具有一定优越性。