关键词： 机器视觉   目标检测   脉冲神经网络   注视估计   坐标注意力   召回率   事件相机  

摘要： 针对传统相机在拍摄人眼运动时易产生动态模糊、时间分辨率低等问题,采用事件相机近眼拍摄构建Spiking-Eye数据集,并提出一种坐标注意力的脉冲神经网络模型(CA-SpikingRepVGG)。模型读取编码后的事件数据,经过带坐标注意力的主干网络进行特征提取,最后馈入检测头进行检测。实验结果显示:CA-SpikingRepVGG的平均检测精确率R_(P)达到了70.8%,与SpikingVGG-16比较,该模型的R_(P)提高了15.9%,召回率R_(r)提高了14.2%;仅需SpikingDensenet模型1/3的训练时间,比其R_(P)提高1.8%、R_(r)提高0.9%。结果表明:该模型在针对眼球运动这一场景下对人眼的检测追踪能力更强,可以很好地完成注视估计任务。

关键词： 转杯纺   数值模拟   气流场   Ω漩涡识别方法   图像处理  

摘要： 为了更为准确地识别与分析转杯纺转杯内复杂多变流场中的涡流情况,提出了一种结合Ω漩涡识别方法和图像处理的漩涡识别技术。文章对Fluent仿真得到的转杯流场进行了分析,得到了凝聚槽平面的漩涡数量与面积,并进一步探究了凝聚槽内漩涡分布对纱线质量的影响。结果表明:Ω漩涡识别方法对凝聚槽漩涡有较好的捕捉效果,经过图像处理后可以定量化分析转杯内部气流流场的涡流情况;凝聚槽内漩涡主要分布在输纤通道出口处以及背后气流交汇处;随着转速的提升,转杯凝聚槽内细小漩涡面积增加,不利于纱线聚合;较大直径转杯凝聚槽部位漩涡面积更小,有利于纤维聚合。文章通过图像识别的方式探究转杯内流场的漩涡分布特征,为优化转杯纺结构提供了一定理论支持。

关键词： 动态场景   低慢小无人机探测   动态提取   空间匹配   极小像素检测  

摘要： 为了提升动态大视角场景下对极小像素的低慢小无人机目标探测能力,本文提出了融合帧间信息与模板匹配的检测方法。首先,设计了一种动态信息提取模块,通过滤除背景信息干扰,引导算法关注动态变化的小目标区域;其次,提出多模板匹配策略对筛选出的动态区域进行相似度判断,完成无人机目标检测;最后,在天空、山地、楼宇等不同背景下,按照不同尺寸、不同模态进行了无人机目标检测实验。结果表明,本文方法可有效弥补深度学习方法对大视角极小像素目标检测的不足,对低慢小目标检测准确率达到0.81,虚警率为0.06,在像素占比不小于0.01%数据集上准确率能达到0.70。该方法适应可见光、红外多种模态数据处理,可满足后续多种智能算法组合探测应用。

关键词： 黄花菜   采摘机器人   神经网络   机器视觉   图像处理   目标检测  

摘要： 传统的目标检测算法仅能得到目标框,无法确定黄花菜的生长姿态。针对这一问题,在现有目标检测算法的基础上优化神经网络(Neural Network)结构,由检测框预测改为关节点的预测。首先,按照锚点匹配的方式确定黄花菜的生长方向及长度,统计黄花菜目标生长角度和长度,按照统计结果设置多个锚点,实际生长角度和长度与锚点进行比较,获得目标的相对长度和角度,并将其作为模型预测值进行训练;其次,在模型中加入热力图预测分支,对4个关节点进行预测;最后,利用目标长度和角度信息连接关节点得到黄花菜目标的生长姿态。设计针对线段拟合特点的评估模型方法,在计算精度的过程中引入部分亲和度字段。并据此改进非极大值抑制算法(Non-Maximum Suppression)。试验结果表明:采用热力图校准后的模型对采摘目标识别精度达91.02%,定位精度达99.8%。

关键词： 计算机视觉技术   电力系统   自动化  

摘要： 本公司电力系统构建过程中,合理利用计算机视觉技术自动完成对图像目标的采集、分类以及识别工作,在遥视系统中融入图像识别技术,并把图像识别结果和控制系统实施关联,有效提升电力系统故障检测、设备识别与安全防护作业的自动化水平,进一步强化电力系统自动化管控的安全性与稳定性,为公司实现健康发展奠定良好的基础。

关键词： 图像识别   模型   目标检测   YOLOv8n   Vanillanet   轻量化   红花采摘  

摘要： 为解决智能化采收中红花识别易受田间复杂环境、设备计算资源等限制的问题,该研究提出一种基于改进YOLOv8n的轻量化红花识别方法,以便将模型部署在移动端上进行目标检测。该研究应用Vanillanet轻量化网络结构代替YOLOv8n的骨干特征提取网络,降低了模型的复杂程度;将大型可分离核注意力模块(large separable kernel attention,LSKA)引入特征融合网络,以降低存储量和计算资源消耗;将YOLOv8n的损失函数从中心点与边界框的重叠联合(center intersection of union, CIoU)替换为动态非单调的聚焦机制(wise intersection of union, WIoU)提升检测器的总体性能;并选用随机梯度下降算法(stochastic gradient descent, SGD)进行模型训练,以提高模型鲁棒性。试验结果表明,改进后的轻量化模型每秒传输帧数(frames per second, FPS)为123.46帧/s,与原YOLOv8n模型相比提高了7.41%,而模型大小为3.00MB,仅为原来的50.17%,并且精确度(precision, P)和平均精度值(mean average precision, mAP)达到了93.10%和96.40%,与YOLOv5s与YOLOv7-tiny检测模型相比,FPS分别提高了25.93%和19.76%,模型大小为原模型的21.90%和25.86%,研究结果可为后续红花的智能化采收装备研发提供技术支持。

关键词： 目标检测   无人机   双目视觉   深度学习   入侵检测  

摘要： 针对现有的基于深度学习的目标检测方法在面对现实场景的无人机目标时,存在鲁棒性差、准确率低、模型复杂度高的问题,提出一种基于动态卷积的YOLO目标检测方法——OD-YOLO。该算法针对无人机目标低、慢、小的特点,采取了以下改进措施:首先针对下采样过程可能导致学习信息丢失和目标信息不突出的问题,提出空间到深度卷积来实现下采样过程,不丢失学习信息的同时突出无人机目标的特征;其次为了进一步提高目标检测的精度和对不同背景的泛化性,采用全维度动态卷积进一步提高目标检测的精度和对不同背景的泛化性;最后对模型骨干网络进行改进,增强无人机目标的语义特征,并缩减骨架大小,减少参数量,既提高模型的计算效率,又保持对无人机目标的有效表示能力。通过实验仿真,对比了OD-YOLO和当前先进的目标检测算法。结果表明,OD-YOLO在精度和轻量化方面都有显著提升。mAP和Recall分别相比原模型提高了3.4%和5.1%。

关键词： CTA   冠状动脉CTA   人体质量指数   辐射剂量   图像处理   管电压  

摘要： 目的本研究旨在探讨低管电压扫描在冠脉CTA成像技术中KV值与体质量的关系。方法选取疑似为冠状动脉疾病患者120例为研究对象,所有患者均行冠状动脉CTA检查。根据KV值不同分为三组:A组120 KV(45例);B组100 KV(45例);C组80 KV(30例)。并将各组患者按体质量不同分为分为<70 kg、70~85kg、>85kg三个级别,C组不设>85kg级别。所有患者使用的对比剂为碘普罗胺(370 mgI/m1)。比较各组各个体质量级别的图像质量和有效辐射剂量。结果除80KV组70~85kg级别出现2分外,其余各组各级别患者图像质量主观评分均≥3分,A、B组中>85kg级别和C组70~85kg级别评分较低,与其他组评分差别明显。同样是≤70 kg体质量患者在不同KV组其血管CT值差异明显,均有统计学意义(均P<0.001)。同样是70~85kg体质量级别患者在不同KV组其血管CT值差异明显,差异均有统计学意义(均P<0.001)。同样是>85kg体质量级别患者在不同KV组其血管CT值差异明显,差异均有统计学意义(均P<0.001)。B组>85kg级别和C组70~85kg级别的SNR和CNR均较其他组降低,图像质量较差。同样<70 kg级别在100KV组比120KV组ED减少42.4%,80KV组比120KV组减少68.3%(P<0.001);同样是70~85kg级别在100KV组比在120KV组的ED减少40.4%,在80KV组比在120组ED减少68.3%(P<0.001);同样是>85kg级别在100KV组的ED比在120KV组减少40.8%(P<0.001)。结论在冠状动脉CTA成像,体质量≤70 kg的患者应用80 KV剂量、体质量70~85kg的患者应用100 KV剂量可获得与120 KV剂量相当的图像质量,而且可有效减少辐射剂量。

关键词： 遥感图像   深度学习   目标检测   检测头   自适应融合   锚框  

摘要： 针对遥感图像背景噪声多,小目标多且密集排列,以及目标尺度分布广导致的遥感图像小目标难以检测的问题,该文提出一种根据不同尺度的特征信息自适应融合的混合锚检测器AEM-YOLO。首先,提出了一种结合目标宽高信息以及尺度宽高比信息的二坐标系k-means聚类算法,生成与遥感图像数据集匹配度较高的锚框。其次,设计了自适应增强模块,用于解决不同尺度特征之间的直接融合导致的信息冲突,并引入更低特征层沿自底向上的路径传播小目标细节信息。通过混合解耦检测头的多任务学习以及引入尺度引导因子,可以有效提高对宽高比大的目标召回率。最后,在DIOR数据集上进行实验表明,相较于原始模型,AEM-YOLO的AP提高了7.8%,在小中大目标的检测中分别提高了5.4%,7.2%,8.6%。

关键词： 压印字符   字符识别   无锚框   小样本   目标检测  

摘要： 工件表面的压印字符存在凹凸不平、锈蚀、风化等问题,导致传统的字符识别算法难以取得满意的效果。针对这一问题,将工件表面压印字符的识别视为一类特殊的目标检测问题,并针对其特性设计了一种两阶段识别网络:定位-分类网络。定位网络使用无锚框的方法提取字符感兴趣区域,有效解决了字符区域提取困难的问题。分类网络采用特征解耦的卷积模块和结构重参数化技术,能够在不增加额外参数的情况下提升分类的准确率。此外,分类网络采用跨域迁移学习的训练策略,能够有效解决实际应用中的小样本和类别不平衡问题。在自建螺栓数据集和SynthText数据集上的实验结果表明,该算法的整体精度能够达到98%和92%,优于对比算法。