关键词： 漆面缺陷   图像处理   深度学习   缺陷检测法  

摘要： 旨在通过机器视觉技术提高汽车漆面缺陷检测的效率和准确性,提出一种基于机器视觉的改进的汽车漆面缺陷检测算法,主要通过比较深度学习方法,设计高效、稳定的检测系统,为汽车制造企业提供智能化检测解决方案,提升漆面质量和生产效率。该算法结合传统图像处理和深度学习方法,采用了多尺度图像金字塔、快速预筛选、轻量级深度网络、上下文感知模块和注意力机制等技术。在包含10000张图像的数据集上进行了试验,算法准确率达到96.8%,同时保持较低的计算复杂度。结果表明:该算法在准确性、效率和鲁棒性均优于现有方法。

关键词： 财务风险预警   人工智能   机器学习   计算机视觉   LSTM神经网络   电商企业  

摘要： 电子商务企业在激烈的竞争环境中财务风险日益增加,传统的财务管理手段已难以应对复杂的风险情境。为了提升电子商务企业财务风险预警能力,以美妆电子商务企业悠可为例,悠可通过引入机器学习、计算机视觉和深度学习等技术,构建了多维度的财务风险评估体系。机器学习模型通过挖掘历史财务数据,实现了对潜在风险的早期识别,计算机视觉技术提高了票据核验的自动化水平,而LSTM神经网络则大幅提升了现金流预测的准确性。研究表明,人工智能的应用显著提高了财务预警系统的效率和准确性,但也暴露出一些问题,如模型可解释性不足、票据识别的泛化能力有限及部分外部因素未纳入预测模型。针对这些问题,本文提出了进一步的优化建议,旨在为电商企业在数字化转型过程中有效管理财务风险提供参考。E-commerce enterprises are facing increasing financial risks in a fiercely competitive environment, and traditional financial management methods are no longer able to cope with complex risk scenarios. In order to enhance the financial risk warning capability of e-commerce enterprises, taking beauty e-commerce enterprise Youke as an example, Youke has constructed a multidimensional financial risk assessment system by introducing technologies such as machine learning, computer vision, and deep learning. Machine learning models achieve early identification of potential risks by mining historical financial data, computer vision technology improves the automation level of bill verification, and LSTM neural networks significantly enhance the accuracy of cash flow forecasting. Research has shown that the application of artificial intelligence has significantly improved the efficiency and accuracy of financial warning systems, but it has also exposed some problems, such as insufficient model interpretability, limited generalization ability of bill recognition, and some external factors not being included in the prediction model. In response to these issues, this article proposes further optimization suggestions aimed at providing reference for e-commerce enterprises to effectively manage financial risks in the process of digital transformation.

关键词： 动态卷积   自适应特征融合   损失函数   目标检测  

摘要： 针对摔倒行为检测精度不足、鲁棒性差等问题,提出一种基于动态卷积与自适应特征融合的摔倒检测算法,在YOLOv5基础上,首先采用动态卷积ODConv,多维注意力和并行策略;其次采用自适应特征融合ASFF,自主学习不同特征图的空间权重来提高特征图的交互性;最后使用了Focal-SIOU loss损失函数降低损失,结合以上改进获得摔倒目标检测系统网络为YOLOv5-OAF。仿真结果表明,改进的平均精度map达到84.30%,与原YOLOv5模型相比增加了3.6%,损失降低了0.010389,能够同时提高检测精度和小目标检测能力。

关键词： 车牌识别   图像处理   对数变换函数  

摘要： 汽车保有量持续增长促使交通管理在全球经济蓬勃发展的大背景下要求更高,需要更精准的车牌识别技术,但目前的车牌定位技术面临着诸多挑战尤其是在光照条件多变、背景环境复杂、车牌老化褪色、表面瑕疵等不利因素下,其定位精确度和效率受到了一定的限制,这是目前车牌定位技术所面临的诸多挑战。针对上述问题,通过引入分段对数变换技术,对中间亮度区域进行优化再降低整体亮度范围,通过精细化调控有效增强低光环境下的画面亮度,为车牌区域的初步识别打下坚实基础。此外为应对日间强光导致图像曝光过多的问题进一步整合自适应分段双边伽马变换增强算法,使高亮图像的视觉效果因其非线性对比度调节能力得到显著提升,车牌细节也更加清晰可辨。本文旨在通过整合上述先进的图像处理技术在一定程度上规避算法层面的亢余性,同时构建出一种更高效的车牌定位解决方案以应对现实世界中复杂多变的识别挑战。

关键词： 草莓目标检测   深度学习   注意力机制   轻量化模型   迁移学习  

摘要： 为实现草莓采摘时精准检测,同时考虑到嵌入式设备内存小、计算能力低下,而当下目标检测模型参数量和计算量巨大的问题,提出一种基于YOLOv5s的轻量化网络模型。首先,对YOLOv5s进行轻量化处理,利用深度卷积(DWConv)替换普通卷积,同时用C3Ghost模块替换原网络模型中的C3模块,降低模型的复杂度。然后,为增强主干网络对特征信息的提取能力,加强输入特征图通道间的信息交互,在主干网络的C3模块中融合高效通道注意力(ECA)结构,在特征融合网络添加无参数注意力模块(SimAM),使网络聚焦更多的有效特征信息,达到不增加模型的参数量,同时又提升模型识别精度的目的。最后,结合迁移学习加快模型收敛速度并进一步提升模型检测精度。结果表明,轻量化后的网络模型体积减小55.8%,计算量减少55.1%,在自制草莓数据集上的平均精度均值mAP@0.75达到74.9%,比原模型提高3.1%,单张图片平均推理时间仅6.4 ms,能够实现在草莓采摘任务中的精准快速检测,为草莓生产智能化提供支持。

关键词： YOLOv8s   局部全局自注意力   空间通道稀疏注意力   Soft-NMS  

摘要： 针对红外船舶图像检测中存在目标尺度变化大、密集堆叠目标多、小目标细节丢失等问题,提出了一种基于局部全局自注意与空间通道稀疏增强的红外船舶目标检测算法。首先,在YOLOv8s主干网络中融入局部全局自注意力模块,以获取更丰富的局部和全局特征,解决深度特征提取过程中的信息稀释丢失问题,实现细致化聚焦目标特征,增强特征间依赖关系,提高小目标的特征提取能力。其次,在颈部网络中加入空间通道稀疏注意力模块,将分块特征提取与通道稀疏策略深度融合,提升多尺度目标的空间信息捕获能力,重构通道信息,再对特征重标定,强化重要特征信息的影响,增强多尺度特征融合能力。最后,采用引入了递减置信度惩罚因子的Soft-NMS改进NMS,优化堆叠目标与小目标误检漏检的问题。实验结果表明,改进后的YOLOv8s模型相较于基准模型,在mAP0.5和mAP0.5∶0.95评价指标上分别提高了2.1%和4.4%,达到95.7%和72.8%,进一步验证了该算法在提升红外船舶目标检测精度上的有效性。同时,与其他经典模型和最新的YOLOv11模型相比,该算法在检测精度方面具有更好的性能。

关键词： 视频监控   人工智能   目标检测   行为识别  

摘要： 基于人工智能的视频安防监控智能识别与分析技术通过深度学习算法实现目标检测、行为识别和异常事件预警等功能。该技术在目标追踪、行为分析和场景理解等方面具有显著优势,可有效提升监控系统的智能化水平。通过优化神经网络模型结构,改进特征提取方法,显著提高了目标识别准确率和系统实时性。实验表明,该技术在复杂场景下仍能保持稳定可靠的识别效果,为智慧安防发展提供了新思路。

关键词： 图像处理   运行一体化   边缘检测   AGV系统   自适应检测   霍夫直线变换  

摘要： AGV系统作为一种典型的复杂产品,具有开发周期长、定制成本高、售后服务需求性高等特点。AGV系统通常在工业领域运输元器件生产的任务中表现良好,可以通过系统内部的定位导航实现运输任务的全自动进行。但是,传统AGV系统只能在固定线路上运行而且缺乏灵活性。针对这一问题,提出了一种基于边缘检测的自适应AGV系统。系统基于图像边缘检测等原理进行道路路径的自适应检测,同时结合霍夫直线变换方法,提高了AGV系统的鲁棒性和自适应性,实现了系统的高效协同与联动,有力地推动了AGV系统转型升级。

关键词： 图像处理   可见光与红外光   深度学习   图像融合   多尺度   跨阶段密集连接  

摘要： 针对目前可见光与红外光图像融合过程中的关键细节信息丢失,目标对比度较低的问题,提出一种基于多尺度跨阶段密集连接网络的图像融合算法。通过多尺度卷积与跨阶段的密集连接网络实现双模态图像的特征提取工作,结合CA注意力机制提高模型的融合效果,并以L1范数作为特征融合规则来获取融合特征图,并最终通过解码网络实现图像的重构工作。实验结果表明,在公共数据集TNO中,文中提出的算法在结构相似度、信息熵以及差异相关系数三项指标中获得了最优值,相较于次优值分别提高了4.14%、2.66%、2.59%,在边缘信息度量上取得了次优值,与最优值相差3.3%。综合主客观评价,文中提出的方法可获取高质量的融合图像,具有明显的优势。

关键词： 目标检测   激光雷达   自动驾驶   单阶段  

摘要： 激光雷达目标检测近年来开始借鉴图像目标检测的网络设计,但依然存在计算低效无法满足实时应用以及网络结构简单导致性能不足的问题.为此,提出的网络采用了单阶段无锚框的简洁设计;优化了激光点云体素化表达,在提升计算效率的同时保留了一部分点云高程特征;基于残差网络的思想,设计了更深的主干网络结构用于提取深度特征;引入特征金字塔来提升小目标的检测效果.在公开数据集KITTI上,所提网络的mAP指标在各类别目标的检测中均取得了领先的性能(提高了1%~3%).在自动驾驶计算平台上的运行时间测试表明,所提网络能够达到43 ms/帧的处理速度,满足实时性需求.