关键词： 复杂背景   储藏小麦   害虫识别   图像处理   人工神经网络  

摘要： 在小麦害虫图像检测识别中,因害虫的种类繁多,形态各异,且往往受到光照、背景等环境因素的影响,增加常规神经网络的训练难度,使得常规神经网络在训练过程中出现梯度消失的问题,从而导致最终识别结果的精度偏低。为此,对常规神经网络进行优化,研究并设计一种小麦害虫图像识别方法。将采集的小麦害虫彩色图像转换为灰度图像,利用小波变换技术去除图像噪声,结合形态学操作滤除图像的冗余信息,提高图像的质量。对滤波后的小麦害虫图像进行线性变换和对比度调整,实现对数据集的离线增广,构建出一个包含大量样本、类别丰富的小麦害虫图像数据集。针对数据集中的图像提取小麦害虫特征,引入神经网络算法构建识别模型,通过增加分支数与卷积层数,对模型进行改进与优化,以降低网络的深度。将小麦害虫特征输入至改进后的模型中实现小麦害虫图像识别。实验结果表明,本研究方法能够准确输出小麦害虫的图像类型,识别准确率较高。

关键词： YOLOv8   深度学习   渔船牌号   目标检测  

摘要： 本研究旨在构建了基于YOLOv8模型的渔船牌号识别技术,针对船牌号图像存在的部分目标小、模糊、存在遮挡的特点,对YOLOv8模型改进,主要包括:删除20×20像素大目标检测层,增加160×160像素小目标检测层,提高算法对小目标检测性能并轻量化网络模型;引入GAM注意力机制模块,提高对小目标检测的精确率;用RepVGG替代C2F改进主干网络,提升召回率。实验表明,改进算法性能良好,其中准确率达到98.41%。同时,与原YOLOv8n模型进行对比,检测精确率提高1.3%,召回率提高2.1%,mAP值提高1.6%,模型体积缩减53.7%。通过本研究,文中期望为渔船牌号识别技术的发展提供有益的参考和启示。

关键词： 奶牛体况评分   目标检测   农业领域   健康监测  

摘要： 奶牛体况评分是评价奶牛产能与体态健康的重要指标。目前,随着现代化牧场的发展,智能检测技术已被应用于奶牛精准养殖中。本研究旨在创建一个奶牛体况评分目标检测数据集,以支持农业领域中奶牛健康监测的自动化。本数据集由体况评分3.25、3.5、3.75、4.0和4.25的5类图像组成,且每张图像都标注了奶牛的体况评分区域。体况评分是衡量奶牛健康状况的重要指标,对于精确而高效的评估具有重要意义。数据集的构建来自规模化养殖农场的奶牛图像,每张图像都经过专业兽医团队的体况评分,评分结果被用于生成标注信息。标注信息包括奶牛体况评分的边界框坐标和相应的评分标签。为了提高数据集的多样性和鲁棒性,在数据集中引入了一系列挑战性因素,例如不同光照条件、奶牛姿态的变化以及背景杂乱的情况。这有助于确保训练的目标检测模型在真实场景中具有良好的泛化性能。通过开发这一奶牛体况评分目标检测数据集,为农业领域的奶牛健康监测提供了一个有力的工具,有望推动相关技术的发展,提高奶牛管理的效率和精度。此外,本数据集还为研究人员提供了一个有价值的资源,用于深入研究奶牛体况与健康之间的关联,为未来的农业科技创新提供支持。

关键词： 卷烟   外观缺陷   光学视觉图像处理  

摘要： 为实现卷烟条盒、小盒和烟支外观缺陷的准确定量,避免人工判断过程中主观差异带来的误差,基于光学视觉图像处理技术建立了一种卷烟外观缺陷的准确定量方法。首先,对采集到的缺陷图片进行矫正变换,并与标准图像位置匹配划定缺陷范围;其次,对缺陷范围内的图像进行去燥和归一化处理;将处理后的缺陷图像与标准图像中该缺陷范围的图像转化为特征量,输入到神经网络中,输出为缺陷位置图像点进行模型训练;最后计算缺陷的长度和面积。结果 表明:①建立的方法可以对41种缺陷(其中包括9种条盒、17种小盒、15种烟支缺陷)进行准确定量;②用缺陷长度进行人工验证,设备测量结果和人工测量结果相对误差分别为:条盒0.03%~8.74%、小盒0%~10.61%、烟支为0.65%~10.57%。方法 可提供卷烟条盒、小盒和烟支外观缺陷的准确定量,为产品质量控制提供支撑。

关键词： YOLOv8   特征提取   轻量化   目标检测  

摘要： 为了解决传统PCB板缺陷检测效率低下,检测精度较低的情况,文章提出了一种改进YOLOv8的轻量化PCB板缺陷检测方法。骨干网络使用改进的感受野注意力卷积(Rceptive-Filed Attention Convolution,RFAConv)代替原模型中的标准卷积,克服了卷积核参数共享的难题,提高了检测精度;头部网络使用P2和ASF进行改进,因为小目标通常在图像中占据较少的像素,所以更容易被忽略或误判,引入P2小目标检测层使YOLOv8能够更有效地检测小目标物体;注意力尺度序列融合ASF可以有效地增强网络的多尺度信息提取能力。实验结果表明,相较于基准模型,改进后的算法参数量减少了15.9%,检测精度(mAP@50-95)提高了2.4%,有效地降低了模型的参数,提高了检测精度。

关键词： 视觉跟踪器   三孪生网络   目标跟踪   图注意力  

摘要： 针对传统孪生网络视觉跟踪器,在跟踪过程当中只采用初始模板,不能适应目标变化,信息编码方式冗余效率低下,导致跟踪器出现漂移的问题,这里提出了一种基于三孪生网络特征和图注意力机制的跟踪算法。该算法首先分析了不同模板与搜索区域的特征响应,然后构建三孪生特征提取网络,将跟踪器预测的结果作为补充模板送入到三孪生特征提取网络;其次,为了使得信息编码更加有效,引入图注意力机制,加强搜索区域和模板间的信息匹配;最后,采用无锚框的方式对目标的位置进行分类预测,对边框进行回归预测。在GOT-10K,OTB100和UAV123基准数据集上进了测,并与目前主流的跟踪器进行对比实验,结果表明这里提出的算法有效地抑制了跟踪器的漂移现象,提高了跟踪器的跟踪成功率,为跟踪器的设计提供了一种新的方法。

关键词： 樱桃番茄   复杂背景   GAN网络   多目标识别   嵌入式端部署  

摘要： 为满足复杂场景下樱桃番茄采摘机器人精准识别和定位的需求,提出一种复杂背景下单果及成簇樱桃番茄果实的检测方法,采用注意力机制结合目标检测算法(Sim—YOLO)来解决番茄采摘多目标识别的难点问题。首先,结合GAN生成对抗网络和传统的图像增强如mosaic、旋转90°和Hue方法扩充数据集,提高模型的泛化能力。其次,对扩充后的番茄图像在Lab颜色空间下利用K—means聚类算法并结合Canny算子对其进行边缘检测,以初步区分复杂背景与检测目标。并在YOLOv5的骨干网络中加入SimAM注意力机制,增加算法的特征提取能力,提升果梗在相似颜色背景中的定位精度。试验结果表明,Sim—YOLO模型对不同成熟期的温室樱桃番茄的平均检测精确率及召回率分别为84.1%、98.0%,对果实及果梗多目标的平均检测精度为48.9%。果实及果梗多目标的检测精度均高于Faster R—CNN模型、YOLOv2模型和YOLOv3模型。最后,将Sim—YOLO模型通过模型转换部署到边缘计算设备,优化模型推理过程,减轻嵌入式端边缘计算压力,达到25 FPS的检测速率。

关键词： 人脸识别技术   计算机视觉   机器学习   科研人员   人工智能算法   服务行业   科技变革   数字化  

摘要： 在当今数字化飞速发展的时代,人脸识别技术正以前所未有的影响力渗透我们生活与社会的方方面面,而人脸识别技术服务商则宛如幕后的推动者,在这场科技变革中扮演着至关重要的角色。本文根据企业公开信息整理出的这30家公司,就提供有人脸识别技术服务。人脸识别技术服务商,首先承载着技术研发与创新的重任。它们汇聚了一大批专业的科研人员,涵盖计算机视觉、机器学习、人工智能算法等多个领域的专家。这些人才不断钻研,致力于提升人脸识别的准确率、速度以及应对复杂环境的能力。

关键词： 人工智能   无人机   光伏组件   裂纹检测  

摘要： 随着光伏产业的快速发展,光伏组件的健康状况对发电效率至关重要,因此提出了一种基于人工智能图像处理和无人机技术的光伏组件裂纹检测系统,该系统采用卷积神经网络进行裂纹自动检测和分类。通过实验验证,系统平均裂纹检出率达92.8%,满足大规模光伏电站的高效运维需求。研究结果表明,该系统在提高光伏组件故障检测效率和准确性方面具有显著优势,为光伏产业的智能化发展提供了可靠支持。

关键词： 点云   三维目标检测   VirConv   特征增强  

摘要： 针对当前点云三维目标检测算法存在的高误检率以及远距离和小目标检测效果不佳等问题,基于VirConv算法提出一种改进的三维目标检测方法。设计BEV特征提取网络C-ECVNet对VirConv的点云编码网络进行优化,该网络引入显式视觉中心模块增强目标特征,以更精确地提取原始点云的空间结构信息,并融合通道自注意力机制捕获通道间的层级注意力,从而提升模型的效率和泛化能力,增强特征提取能力。在KITTI测试集的实验结果表明,该算法针对复杂环境、远距离目标和小目标进行检测时表现出更强的鲁棒性和更低的误检率。