关键词： 深度学习   图像处理   STM32F103   多传感器融合   边缘计算   YOLO模型  

摘要： 为了解决传统基于超声波或者红外传感器技术设计的导盲杖难以应用于复杂多变的环境、实用性不强的问题,设计了基于视觉感知技术的智能导盲杖。考虑到使用场景的复杂性,通过采集大量真实场景中各种形态的盲道、红绿灯、斑马线、马路边缘和路面障碍物等图像制作了道路信息图像数据集,并将训练好的YOLO模型部署到边缘计算平台Jetson Xavier NX上,实现多传感器数据融合。实验结果表明:该系统识别精度高,稳定性好,平均实时检测处理速度达到了20.61FPS,能够及时有效地反馈信息,引导盲人正常出行。

关键词： 苹果采摘   目标检测   YOLOv8   MFIC   可变形注意力  

摘要： 针对现有检测方法存在遮挡苹果检测困难以及易错检、漏检的问题,提出一种基于改进YOLOv8的苹果检测算法。使用树枝、树叶对苹果数据集进行前景加强,加强遮挡特征;采用多特征信息融合模块C2f-MFIC组合独立细节信息,以丰富特征图内容,提升特征响应;通过引入可变形注意力机制DAttention强化感兴趣区域并且抑制冗余环境的干扰;为了提升边界框预测的准确性,引入Shape-IoU,考虑位置框的形状与尺寸,加强回归定位;采用曼哈顿距离加权对图像进行后处理,结合置信分数与边框阈值综合评优。在苹果检测数据集上进行消融实验,结果表明,改进的YOLOv8n算法和base算法相比,mAP@0.5提高了3.4%,mAP@[0.5∶0.95]提高了6.2%,recall提高了4.1%,参数量和计算量分别减少了0.73%、3.7%,与当前流行的识别网络相比,对苹果具有更好的识别效果。

关键词： 医学图像   息肉检测   注意力机制   多尺度特征   特征融合  

摘要： 一些息肉目标检测方法难以充分提取全局及长距离语义信息,导致在具有环境噪声的情况下对尺寸差异较大的息肉目标检测精度低.为了解决该问题,提出了一种基于多尺度偏移感知的息肉检测网络.首先,设计了多尺度偏移感知注意力模块,通过在不同尺度上对图像特征进行注意力加权和偏移感知,提高了图像特征的提取和融合能力.其次,设计了渐近特征融合模块,对不同尺度的特征图进行自适应空间加权融合,从而捕捉了更丰富的上下文信息.通过大量实验证明,该方法在三个不同类型的息肉数据集上分别达到了94.8%、94.6%和95.8%的检测精度,相比于当前主流的目标检测方法取得了更好的检测结果.

关键词： 深度学习   卷积神经网络   注意力机制   组卷积   膨胀卷积   图像分类   目标检测  

摘要： 为解决目前的注意力模块中参数量大、通道压缩导致信息丢失、空间信息学习不充分的缺点,提出一种基于组卷积、通道清洗和膨胀卷积的轻量注意力模块。采取组卷积和通道清洗的方式学习通道权重,能够在不压缩通道的前提下减少大量参数,使不同组之间产生交互,充分学习通道信息。采取连续的膨胀卷积,合理设置膨胀率充分且均衡的学习空间信息。通过CIFAR100和VOC 2007+2012数据集对所提模块在图像分类和目标检测中进行实验,验证其能够在较少的花费下带来较大的提升。

关键词： 原油乳状液   粒径检测   连通域标记   图像处理   检测系统  

摘要： 观测原油乳状液液滴粒径大小及分布是分析乳状液稳定性的前提条件,对掌握乳状液微观特性、指导溶液乳化和破乳过程非常重要。首先,设计了基于连通域标记的乳状液液滴粒径检测算法,对W/O型原油乳状液显微图像分别采取中值滤波、Otsu二值化、连通域标记、粒径计算、液滴统计等处理方法,获得乳状液液滴数量、液滴面积、液滴粒径和液滴分布;其次,开发了基于3层结构的乳状液液滴粒径检测系统,顶层界面导入乳状液显微图像,中间业务层采用乳状液液滴粒径检测算法,计算液滴粒径大小、统计液滴分布,底层数据库保存检测结果。系统应用结果表明:乳状液液滴粒径检测系统运行简单便捷,具备可行性、高效性和扩展性,能满足乳状液液滴粒径检测实际需要。

关键词： 航空安保平台   飞行区   视频监控   风险报警   滑行轮廓冲突  

摘要： 飞行区内存在多种类型的目标,如飞机、行李牵引车、摆渡车、地勤人员等。这些目标大小、形状各异,运动速度和轨迹也不尽相同,相互之间的距离和相对位置关系时刻变化,使得准确监测和分析每个目标的状态以及它们之间的潜在碰撞风险变得极为复杂。运动目标跟踪定位技术可以通过对目标的运动特征的分析,更准确地识别和区分飞行区内的不同目标,为准确分析碰撞风险打下基础。因此,研究基于运动目标跟踪定位的航空安保飞行区碰撞风险报警方法。利用视频监控子系统全方位实时捕捉飞行区内的视频图像;风险监测子系统利用Mean Shift算法,结合视频监控子系统实时捕捉的飞行区视频图像,进行飞行区运动目标跟踪定位;利用滑行轮廓冲突风险判定方法,结合运动目标定位信息,实时监测飞行区是否存在碰撞风险,若存在碰撞风险,则发出风险报警提醒;通过传输网络子系统传输风险报警提醒至航空安保集成子系统;利用航空安保集成子系统综合分析各风险监测子系统的风险报警提醒,确定是否触发报警;当航空安保集成子系统确定触发报警时,联动控制子系统利用音频解码设备与控制器启动声光报警与扬声器,并向相关人员发出警示。实验结果证明:所提方法在复杂场景下运动目标跟踪定位的重叠度高达95.7%,风险报警相对误差在±0.04之间,说明所提方法可有效跟踪定位飞行区的运动目标,判定飞行区的碰撞风险,实现飞行区视频监控风险报警。

关键词： 深度学习   Faster R-CNN   气象观测场   图像处理  

摘要： 为确保气象站点实况观测数据的准确性,观测场地需要有良好的环境。该研究利用深度学习技术中的Faster R-CNN模型,自动检测气象观测站场景中可能干扰仪器读数的视觉障碍物。通过收集并详细标注实际观测场景的图像数据,建立一个包含环境对观测设备产生影响情况的数据集,涵盖正常与异常环境情况的百叶箱和雨量筒图像及其标注信息。对Faster R-CNN模型进行微调和超参数优化,以适应该特定识别任务。实验结果验证了模型在识别和定位障碍物方面的高效性,准确率为97.1%,展现出了较好的鲁棒性。该项研究将图像识别处理用于自动站探测环境,不仅证明了深度学习在改善气象观测条件中的有效性,也为相似领域的应用提供了方法论上的指导。

关键词： 甲骨文   深度学习   目标检测   数据集   YOLOv8算法  

摘要： 甲骨文目标检测是甲骨文数字化研究中重要一环,主要依靠深度学习模型实现对甲骨文图像中位置信息和分类信息的识别。为了避免模型过拟合,深度学习模型的训练一般需要依赖大规模的数据集,而在甲骨文目标检测领域,目前可用于深度学习的大规模数据集较少,很多研究所用的数据集均依靠专家人工标注和整理,这使得甲骨文目标检测数据集存在整理成本较高、数据量较小、数据质量不高、类别间均衡性差等问题。提出了动态两阶段Mosaic算法及甲骨文大规模数据集生成技术,解决传统Mosaic算法在处理甲骨文图像中存在的拼接图数量有限、图像的多样性和差异性不足、空白背景较大、信息缺失等问题,并设计了完整的数据集生成流程,实现了从甲骨文单字符图片到大规模数据集生成的流程化、智能化处理,从根本上解决了甲骨文目标检测领域的数据困境。通过此研究方法,生成了标注位置信息和类别信息且规模庞大的甲骨文数据集,共生成57万张甲骨文图像和57万份对应的标注文件,包含甲骨文类别416类,样本数量最少的类别包含了516个甲骨文字符,且数据集规模和各类别样本数量可动态调整以避免类别间样本不均衡。采用YOLOv8模型对生成后的大规模数据集进行训练,在经过200批次训练后,模型精度(Precision)达到96.45%,mAP50值为97.75%,mAP50-95值为96.96%,从模型训练曲线看,训练过程表现出较好的稳定性和高效性,模型训练结果表明,研究的数据集生成技术可应用于甲骨文目标检测。

关键词： 机载平台   YOLOH   小目标检测   轻量级   多感受野  

摘要： 无人机载平台中的目标检测在军事和民用领域具有重要的应用价值.然而,现有的检测方法通常侧重于多尺度目标检测,缺乏对小目标的优化,且模型复杂度过高,难以在资源受限的机载平台中应用.为此,本文提出了一种面向无人机载平台的轻量级小目标检测算法YOLOH(You Only Look One Head).首先,针对小目标对基准网络优化,移除深层特征以减少模型参数量,增加浅层特征以获取小目标信息.其次,在特征融合部分加入NAM注意力,增强对小目标的感知能力.接着,设计了多感受野聚焦模块MRFF,以挖掘特征图的感受野信息,增强模型的多尺度检测能力.最后,使用LAMP算法对模型剪枝,去除冗余神经元以压缩模型.实验结果表明,与YOLOv8s相比,YOLOH的模型参数量和计算量分别减少了92%和35%,FPS提高了57%.在VisDrone2019和CARPK数据集上AP_(S)分别提高了3.3%和3.7%.与其他轻量级模型相比,所提YOLOH具有最佳的整体性能,同时平衡了模型大小、精度和推理速度,为无人机载平台的目标检测提供了有效的解决方案.

关键词： 水果采摘   目标检测算法   深度学习   卷积神经网络   计算机视觉  

摘要： 中国在水果产量方面处于全球领先地位,但因人力资源减少和老龄化问题,传统的人工采摘方式已经无法满足快速高效的采摘需求,研发集成计算机视觉的自动化水果采摘设备成为解决劳动力短缺难题的关键。水果大多呈类球状,相关的识别算法研究居多,探讨了柑橘、蜜桃等类球状水果的识别算法。根据应用场景的不同,分析了传统类球状水果识别算法与基于深度学习的类球状水果识别算法在网络结构方面的差异与改进,对水果采摘识别算法进行总结并提出算法的未来发展趋势。传统算法在简单场景下表现有效,但在复杂环境中往往会受到设计特征的限制,基于深度学习的算法因其高效性和准确性更适合自动化水果采摘的需求。总结了类球状水果识别算法的研究进展,在处理复杂环境时深度学习算法具有良好的有效性和适应性,更适合部署在自动化采摘设备;也提出了未来的研究方向,即通过优化算法性能、数据集构建及扩增,以及结合多模态数据提升算法的精度和适应性。