关键词： RT-DETR   自动驾驶   道路环境   目标检测   多尺度特征融合  

摘要： 目标检测技术作为自动驾驶技术的关键环节,对于车辆实现自主导航和决策功能至关重要。现有算法在同时满足检测精度和检测速度上仍有困难。对此,文中提出一种基于RT-DETR的实时目标检测算法FSSD-DETR。该算法在主干网络中引入FADC模块,对特征提取过程进行优化;通过引入小目标检测层提升对远处车辆行人小目标的检测性能;基于SSFF模块和TFE模块对颈部网络进行了重新设计,进而提升检测的准确性;采用DySample上采样算子改善最近邻插值法可能出现的细节丢失、锯齿状边缘和图像失真等问题。实验结果表明,相比原始的RTDETR模型,改进算法在SODA10M和BDD100K数据集上mAP分别提升了3.6%和2.1%。实验说明,FSSD-DETR在保证实时性的同时显著提升了检测精度,具有应用价值。

关键词： 机器视觉   亚像素边缘检测   图像处理   计算机视觉  

摘要： 详细综述了基于机器视觉的亚像素边缘检测算法,旨在全面总结该领域的研究现状和进展。首先,介绍了亚像素边缘检测的重要性及其在图像处理和计算机视觉领域中的广泛应用;其次,归纳了不同亚像素边缘检测方法,包括基于梯度信息、基于模型拟合和基于最小二乘法等;然后,分析了各种方法的优缺点,并对其比较和评价;再次,提出了当前亚像素边缘检测算法面临的挑战和研究方向,如提高算法的鲁棒性、适应性和效率等;最后,强调了该算法的研究意义和价值,提出了未来研究的发展方向。

关键词： 计算机视觉   表型数据   体重预测   黄颡鱼  

摘要： 为提高黄颡鱼表型数据的获取效率,研究开发出一种简易表型获取装置,通过YOLOv8网络模型快速、高效、精确地测量所采集图像中的黄颡鱼表型特征参数。研究共采集1752张黄颡鱼图像数据,基于YOLOv8网络对图像集训练和验证后,完成对584尾黄颡鱼的体面积、头面积、全长、体长、头长、体高、头高、体宽、头宽、腹部面积、胸鳍长度共11种表型特征数据的测量。结果表明,利用该系统测量长度相关的表型性状的平均相对误差均在1%左右,在测量面积相关的表型性状的平均相对误差在3%左右,且所有表型性状的测量时间均在1s之内。进而,将获得的表型数据与鱼体重进行相关性分析、通径分析、回归分析。结果显示,头高对黄颡鱼体重的直接作用最大,其次为头宽、体面积、体长、腹部面积、胸鳍长度,并以这6个性状建立多元回归模型对体重拟合,得到最大的相关指数(0.948),表明这些性状是影响黄颡鱼体重的重要性状。研究提供了一种快速测量黄颡鱼表型数据的技术,为黄颡鱼的良种创制提供基础。

关键词： 显著性目标检测   分层解码   渐进融合   邻间聚合   边界细化  

摘要： 现有显著性目标检测方法大多只关心模型的检测精度,容易忽略模型的编解码效率,导致网络运行速度较慢.针对上述问题,本文提出一种基于分层解码和渐进融合的快速显著性目标检测网络,并分别设计语义提取模块、空间增强模块和边界提取模块,对编码器提取到的多尺度特征进行分层筛选和高效解码.其中,语义提取模块可准确定位显著性目标的整体区域,空间增强模块可完整保留显著性目标的空域信息,边界提取模块可增强显著性目标的边界轮廓.由于不同层级特征的感受野和分辨率不同,本文设计了邻间聚合模块和边界细化模块,对筛选后的特征进行渐进式融合并逐步细化得到最后的显著性预测图.实验结果表明,所提方法不仅能够得到边界清晰、区域完整的显著性预测图,还能显著提升模型的编解码效率,快速检测显著性目标,在ECSSD和HKU-IS数据集上的最大值F max分别为0.947和0.936,优于其他方法.

关键词： 人工智能   计算机视觉   自然语言处理   大模型  

摘要： 人工智能技术的发展和产业化应用正推动着各行各业的变革。基础技术如机器学习、深度学习、自然语言处理、计算机视觉,以及云计算等,是人工智能产业化的核心,我国在图像识别、语音识别等技术领域达到了国际领先水平。随着人工智能技术的不断发展,政府、企业和研究机构正在共同努力,将人工智能与其他领域结合起来,以实现更大的整体效益。中国已准备好释放“人工智能+”领域的巨大潜力。人工智能在制造业、医疗保健、金融和教育等行业发挥的作用越来越深入广泛,正在形成新质生产力,并改变未来的商业模式和创造新的产业链。

关键词： 深度学习   目标检测   SSD算法  

摘要： 传统的目标检测方法在处理高分辨率图像和复杂背景时面临着准确性不足的问题。因此近年来许多研究者将深度学习技术应用于目标检测,旨在提高检测性能和处理速度,其中单次检测多框检测器(single shot multiBox detector,SSD)算法是最常用的基于深度学习技术的目标检测算法之一。本文先对深度学习的基本概念进行了简要阐述,随后对传统SSD算法进行介绍,并针对传统SSD算法的局限性提出了一种新的改进SSD算法,最后通过实验分析,证明了本研究所提出的目标检测策略的有效性。本文旨在通过深度学习技术,进一步提升目标检测算法的性能,为计算机视觉领域提供有效的解决方案。

关键词： 多目标跟踪(MOT)   最小代价流   目标作用力   目标相似性   社会力模型  

摘要： 目的多目标跟踪是计算机视觉一个重要的研究方向,为了解决多目标跟踪中错跟和漏跟导致跟踪精度低的问题,提出一种融合目标相似性和作用力的多目标跟踪算法。方法首先将多目标跟踪问题转化为一个最大后验概率问题,其次将最大后验概率问题映射到网络流中,利用最小代价流寻找最优路径,这样获得的最优路径就是目标轨迹。为了计算网络流中目标节点之间的代价,从以下两方面考虑:1)将目标的外观、运动和位置信息三者结合,计算目标间的相似度;2)考虑目标与目标的相互影响,参考社会力模型中个体之间的吸引力来计算目标节点之间的作用力。结果在MOT15、MOT16和MOT17共3个公开数据集进行实验评估并与12种方法进行比较,实验结果表明,本文算法在MOTA (multiple object tracking accuracy)、MT (mostly tracked tracklets)、ML (mostly lost tracklets)、FP (false positives)、FN (false negatives)等指标上明显优于OACDASM (online association by continuous-discrete appearance similarity measurement)、STURE (spatial-temporal mutual representation learning)、IQHMOT (identityquantity harmonic multi-object tracking)和GCNNMatch (graph convolutional neural network match)等典型算法。在MOT15数据集中选取ETH-Bahnhof、TUD-Stadtmitte与PETS09-S2L1 3个视频序列进行消融实验,验证增加目标作用力之后的数据关联结果,消融实验结果表明,增加目标作用力之后可以改善目标跟踪的精度和其他指标,尤其在遮挡不明显的视频序列中。结论本文在目标多特征的基础之上增加目标节点间作用力,加强了目标间的数据关联,减少错跟的目标数量,有效地提高了目标跟踪的精度。

关键词： 计算机视觉   场景文本图像   超分辨率   注意力机制   特征信息关联  

摘要： 场景文本图像超分辨率(Scene Text Image Super-Resolution, STISR)旨在提高文本在低分辨率图像中的分辨率和可读性.但是在空间变形或低分辨率的文本图像中,由于缺乏文本区域细节,语义线索和视觉特征信息难以与字符位置匹配对齐,文本识别效果不佳.针对该问题,本文提出多域字符距离感知的场景文本图像超高分辨率重建方法(Perceiving Multi-Domain Character distance super-resolution, PMDC),强化视觉语义特征,提高文本区域和纹理信息.首先,采用非对称卷积以及语义先验信息模块,提取文本图像的视觉和语义特征信息;其次,融合字符距离感知模块中的视觉和语义特征,得到增强位置编码感知字符间的间距变化和语义相似性;最后,结合引导线索和视觉特征对像素进行重组得到超分辨率文本图像.在公开数据集TextZoom上的实验结果,与最近TATT文本超分网络性能相比,在峰值信噪比指标上提高0.11 dB,有效提高文本清晰度和边缘纹理细节,同时提升1.5%的平均识别准确率,改进文本图像的可读性.

关键词： 移动焊接机器人   轨迹提取   点云处理   目标检测  

摘要： 为保证移动作业焊接机器人能够在建筑、石化、船舶等非结构化场景中精准高效的完成作业,提出一种基于点云重建的焊接轨迹提取方法。焊接机器人变换作业场景后,首先通过深度相机实时检测引导标志物,明确作业范围和起点并重建场景点云。然后基于点云分割和边界提取算法获取焊缝点云轨迹,并提出一种焊接机器人位姿调整策略。最后,针对点云精度不足的问题,采用激光视觉传感器对焊缝进行精度修正,提取精确焊接轨迹。通过曲线焊缝场景实验,表明机器人运动平滑,焊缝轨迹提取误差小于0.5 mm,精度满足生产要求。

关键词： 图像处理   特征识别   深度学习   注意力机制  

摘要： 为了提高对图像中微小特征的识别效果,本研究基于深度学习技术,提出了一种新的特征识别技术。首先,对采集到的原始图像进行小波分解处理,消除噪声对图像质量的影响;然后,基于图像预处理结果,利用深度学习技术中的空间注意力机制,构建图像识别注意力模型;最后,通过设定模型训练过程,实现对图像中微小特征的识别。实验结果表明:应用此技术后,对图像微小特征的识别精度始终保持在98.00%以上,且此技术降低了识别计算量。