关键词： 深度学习   YOLO   目标检测   运动特征   跌倒检测  

摘要： 针对传统跌倒检测算法局限于单帧图像判断而未充分利用行人时序运动特征的问题,提出了一种融合运动特征的行人跌倒检测算法;在YOLOv8n的主干网络中引入ECA注意力机制,在Neck中用GSConv代替常规卷积提高行人检测的精度;为了避免多行人之间的特征发生混淆,使用DeepSort目标跟踪算法进行行人跟踪,独立提取行人的运动特征;分类阶段设置一个固定长度的队列来存储行人运动特征值,利用提前训练好的1DCNN进行跌倒识别;实验证明,在VOC2007测试集上,改进后的YOLOv8n模型比改进前的mAP增加1.5%,参数量减少2.97%;跌倒检测算法在UR Fall数据集上实现了97.8%的准确率;在自建的多行人数据集上实现92.91%准确率。

关键词： 粒子滤波   检测前跟踪   扩展卡尔曼滤波   目标跟踪   非局部均值滤波  

摘要： 无人机的迅速发展催生出许多非法飞行现象,及时发现和实时跟踪无人机尤为重要。无人机在远距离或低信噪比环境下难以被传统雷达系统有效探测。红外成像技术由于其高精度和强抗干扰能力,加上拥有出色非线性非高斯处理能力的粒子滤波算法,成为理想的无人机检测跟踪手段。针对复杂背景和低信噪比环境下无人机弱小目标的实时在线检测跟踪问题,提出一种改进粒子滤波的无人机实时在线检测前跟踪算法。在图像预处理阶段,通过结合非局部均值滤波改进了基于形态学滤波的背景抑制算法。针对粒子重采样,融合3种传统重采样算法的思想改进得出一种混合重采样算法。经过一系列的实验测试与分析,验证了改进算法在应对低信噪比及动态多变背景下的无人机目标追踪难题时显著提升了跟踪精度和稳定性。

关键词： 裂缝检测   图像增强   小波阈值处理   图像处理   Faster-RCNN全卷积神经网络  

摘要： 针对船舶裂缝检修行业存在的效率低下、维修周期长等问题,介绍了一种基于图像处理和机器学习技术的船体表面裂缝检测方法。该方法通过船体表面图像采集设备进行拍摄,并采用灰度变换、直方图均衡化和小波阈值方法进行预处理,提升图像对比度和纹理特征,同时抑制噪声干扰。随后,引入Faster-RCNN全卷积神经网络机器学习算法,实现裂缝区域的特征提取和分类识别。实验结果表明,该方法在裂缝识别准确率方面达到89.36%,具备自动化、高效率和准确性等优势,可有效提高船体维护和检修效率,为表面裂缝检测领域提供借鉴。

关键词： YOLOv5   FasterNet   MHSA   目标检测   水管破裂  

摘要： 矿井供排水管的破裂,会对井下及时的供水和排水产生不利的影响。针对矿井供排水管破裂处人工无法快速准确定位检测的问题,提出了一种基于改进YOLOv5的矿井供排水管破裂检测方法。使用FasterNet替换YOLOv5原有的骨干网络(Backbone),以减少YOLOv5的模型体量,加快运算速度,并提高检测精度;将YOLOv5颈部(Neck)的C3模块引入MHSA(多头自注意力机制)结构,以增强水管破裂处的特征提取能力。试验结果表明,与原始的YOLOv5模型相比,改进后YOLOv5的mAP提升了4.9个百分点,达到了92.3%,Precision提升了2.3个百分点,达到了97.1%,而运行速度加快了27.52%;在模型体量方面,YOLOv5的参数量减少了18.67%,计算量减少了43.03%,模型减小了19.52%。可为实现对矿井供排水管破裂的快速准确检测提供借鉴。

关键词： 非法采砂   图像去雾   生成对抗网络   目标检测   YOLOv8算法。  

摘要： 为解决长江流域非法采砂船只试别困难、监测效率低、精度差等问题,提出一种基于深度学习的雾天非法采砂船只辨识方法。首先,提出改进的生成对抗网络对采集图像进行去雾处理,得到清晰水域图像。其中,利用融合特征注意力机制的生成器提取雾天环境下船只的复杂纹理特征;在判别器中加入谱归一化操作,解决网络训练梯度消失的问题;改进损失函数,引入循环一致性损失保证生成图像与原始图像间的结构一致性。其次,提出融合注意力机制的YOLOv8算法,有效增强网络对图像重要特征的提取能力,实现对清晰水域图像中非法采砂船只的精准定位与辨识。实验结果表明,本研究提出的改进生成对抗网络对图像的去雾效果较好,峰值信噪比(PSNR)与结构相似性(SSIM)分别为31.86和0.64,较Cycle GAN和GC-GAN算法分别提升了3.6%~13.1%、4.9%~56.1%。去雾后的图像经过融合注意力机制的YOLOv8算法处理,可实现对非法采砂船只的准确识别与准确定位,其mAP@0.5:0.95和帧率可达到89.6%、36 FPS,满足公安实战对精度与速度的要求,可有效提高长江流域非法采砂信息化、智能化监管与执法水平。

关键词： 锈蚀缺陷   目标检测   深度学习   YOLOv8  

摘要： 随着人们对电能的需求不断增加,维持电力系统的稳定运行尤为重要。锈蚀会导致电气设备发生故障,从而影响电网的正常运行,产生巨大的经济损失。本文通过机器视觉方法,有效结合图像处理技术和深度学习技术,设计并实现了基于YOLOv8算法的电气设备锈蚀缺陷检测系统。该缺陷检测系统可以检测简单和复杂情况下的电气设备锈蚀情况,具有较高的鲁棒性和准确率。

关键词： 病害识别   目标检测   图像处理   YOLOv5   深度神经网络  

摘要： 针对书画文物保护工作中人工病害调查和病害图绘制效率低的问题,探索了基于深度神经网络的目标检测技术识别书画病害的可行性。选择YOLOv5系列模型并根据本研究任务特点对其结构做了优化,包括FGSM算法、CmBN策略、Dropblock正则化和CIOU-Loss损失函数。利用博物馆馆藏书画文物素材,融合Mosaic数据增强方法进行书画文物图片的增强,设计了滑动窗口检测技术、图像逐层分析和定位裁剪技术,初步训练出了2个具备病害识别功能的模型,根据模型性能检验指标最终选择了YOLOv5x6作为本研究任务的模型。测试结果表明,该模型以较高的准确率和查全率识别出了待检测病害,用时仅为人工的千分之一。该技术的引入可极大提高文物病害识别效率,并且在病害识别过程中保持客观、稳定的标准。

关键词： 风景园林   河道景观   图像语义分割   虚拟现实   随机森林   视觉感知  

摘要： 视觉感知研究是风景园林学科的重要方向之一。城市河道是建成环境的重要组成部分,对其进行视觉感知研究有利于揭示河道景观特征与公众感知之间的关系。目前,大数据、深度学习和虚拟现实等技术的快速发展为建成环境视觉感知研究提供了技术支撑。在此背景下,提出基于计算机视觉技术和沉浸式虚拟现实技术的城市河道景观视觉特征分析方法,以实现对大尺度河道景观灵活且高效的视觉评价。以伦敦泰晤士河为例,利用计算机视觉技术对水面视角的全景图像进行像素级语义分割,实现多种景观要素的识别与量化分析。同时,通过沉浸式虚拟现实技术获取受试者对城市河道景观的主观视觉感知评价,并进行总体比较及空间分布特征分析。基于以上分析,探讨客观视觉分析与主观视觉感知结果之间的相关性,并采用随机森林算法分析影响主观视觉感知的客观环境因素。研究方法弥补了传统定性分析的不足,可为城市河道环境评价和优化提升提供依据,并为相关研究提供新思路。

关键词： 带式输送机   智能识别   计算机视觉   研究进展  

摘要： 目前,我国煤炭运输主要采用带式运输机,皮带运输是煤矿生产中重要的环节,直接影响煤矿的生产安全和生产效益。我国煤矿生产经历了从动力化、机械化、信息化到智能化的发展转变,目前煤矿生产转型升级正处于智能化阶段。智慧矿山建设要求实现安全、无人、高效、绿色生产,对智能化升级提出了新要求。研究对煤矿带式输送机运行状态智能化识别技术进行回顾与论述,提出基于计算机视觉技术识别带式输送机运行状态的实现方法,并对未来发展方向进行展望。

关键词： 数字图像处理   色彩模型   图像增强   图像分割   颜色识别   设计学科  

摘要： 随着信息技术的飞速发展,数字图像处理技术已成为现代科技领域的重要分支,广泛应用于医疗、军事、娱乐、设计等多个行业。色彩模型作为数字图像处理的核心要素之一,对图像的表示、处理和分析起着至关重要的作用。本文旨在探讨数字图像处理技术在不同色彩模型中的应用,分析各种色彩模型的特性与差异,研究色彩模型的选择与转换方法,并通过图像增强、图像分割、颜色识别与分类、图像压缩与编码等实践应用,展示数字图像处理技术在色彩模型中的实际效用。同时,本文还展望了设计学科中色彩模型的发展趋势,为相关领域的研究和应用提供参考。