关键词： 缺陷检测   CARAFE   C2XT   特征自适应融合   目标检测  

摘要： 针对PCB板表面缺陷检测中存在的检测精度低和微小目标漏检率高的问题,提出一种改进YOLOv8n的PCB板缺陷检测算法。首先对C2f模块进行了改进,通过引入ConvNeXt,设计了新的C2XT模块,以提高特征提取能力;然后在主干网络中引入GAM注意力机制,颈部网络采用CARAFE上采样技术,以增强关键特征表达;此外,在头部检测模块中引入一个针对微小目标的检测头,并融入能对特征进行自适应融合的ASFF模块,提高模型对小目标的检测能力;最后,通过DFL和μ-IoU的组合优化损失函数中边界框回归的计算。实验结果表明,改进的算法在各项指标上都有显著提升,相比原始YOLOv8n算法提升了3%,精确度提升了1.6%。

关键词： 水稻秸秆量识别   改进YOLOv5s   注意力机制   图像处理   非极大值抑制  

摘要： 水稻秸秆腐解周期是衡量秸秆还田效果的重要指标。为提升水稻秸秆腐解效果，准确测量留于田间的秸秆量，将水稻收割后的田间秸秆状态分为铺放于田间的堆叠秸秆和根茎留于原位的留茬秸秆两种，并提出了一种基于改进YOLOv5s的水稻秸秆量识别算法。采用色彩追踪算法结合HSV模型，对堆叠秸秆量进行检测；通过深度学习算法、OpenCV算法结合HSV模型和注意力模块，对留茬秸秆进行检测；引入CBAM注意力模块，同时通过非极大值抑制去除重叠锚定框，以消除重复计数的影响，从而实现对秸秆量的精准检测。通过训练模块对2 174张水稻秸秆图片进行深度学习，识别精确率可达92.092%,召回率为96.144%,目标检测损失值为2.397%。实际田间秸秆检测时，正确检出率可达85.85%。改进后的算法可有效检出留茬秸秆并通过串口返回秸秆数量，为秸秆腐解剂的精量施放和还田模式的建立提供更为精确的数据支持。

关键词： 甜菜苗间除草   作物识别   目标检测   深度学习   YOLOv8   注意力机制  

摘要： 针对甜菜苗间除草中杂草种类多、杂草识别率低，以及农田复杂场景下检测难度高、杂草与作物形态相似导致的误检率高等问题，提出了一种改进YOLOv8算法实现对甜菜苗的识别，核心思想是将识别出的甜菜苗与杂草进行区分，便于甜菜苗间除草。通过自主构建包含多生长阶段、多环境光照条件下的甜菜苗样本数据集，采用自适应图像增强策略与迁移学习方法优化模型特征提取能力。具体方法如下：在YOLOv8网络Backbone部分引入了一种新的轻量级卷积技术GSConv,以减轻模型体积并保持准确性；添加CBAM注意力机制，来提高YOLOv8对小目标、相似目标和复杂环境的适应能力；设计Slim-Neck(细颈结构)来替换传统的Neck网络结构，通过结构重设计和计算优化，在保持精度的同时显著提升推理速度；用WIoU损失函数替换传统的CIoU损失函数，提高样本关注度和模型鲁棒性。试验表明：改进后的模型与原模型相比，准确率、召回率、mAP@0.5和mAP@0.5∶0.95分别提升3.096%、1.444%、2.450%和2.743%,模型内存降低到6.00 MB。改进后的模型可以准确且快速识别出复杂背景环境下的甜菜苗，为甜菜苗间除草提供技术支撑。

关键词： 青贮饲料收获机   自动跟随抛送系统   机器视觉   激光雷达   目标检测  

摘要： 青贮饲料因具有生产成本低、收获效益高、原料易得和营养均衡等优点，逐渐成为畜牧产业的主要饲料。传统青贮收获作业中人工依赖度高、抛料均匀性不足且抛送筒控制人员存在一定的安全隐患。青贮饲料收获机自动跟随抛送系统通过信息采集设备实时获取料箱位置与环境动态信息，根据设定的青贮饲料填充模式进行抛送作业，解析填充状态，同时液压伺服控制系统根据识别定位情况动态调节抛送筒旋转角度与出料高度，实现青贮饲料落料点的控制。本文系统综述了当前国内外青贮饲料收获机自动跟随抛送系统的研究现状；分析了机器视觉、激光雷达与传感器在自动抛送系统中的工作原理与具体应用方法；针对我国青贮饲料收获机自动跟随抛送系统发展存在的问题，提出了研发多模态感知架构、开发高动态液压伺服系统与低惯量抛送筒材料、构建“青贮机-伴随车”群体协同作业模式的建议；同时，对青贮饲料收获机自动跟随抛送系统的发展方向进行预测，以期为我国青贮饲料收获机自动跟随抛送系统的研究提供参考。

关键词： UHD 液晶显示屏   驱动软件   优化策略   算法   图像处理  

摘要： 随着科技的不断进步,UHD(超高清)液晶显示屏的应用已经成为当今数字世界中不可或缺的一部分。然而,为了实现其最佳性能,需要经过良好设计和优化的驱动软件。本研究旨在探讨 UHD 液晶显示屏驱动软件设计的优化策略。通过分析当前的设计挑战和技术难点,提出了一系列解决方案,包括优化算法、提高图像处理效率以及降低能源消耗等。本研究将为 UHD 液晶显示屏驱动软件的设计和优化提供有益的参考。

摘要： 以高职院校广告艺术设计专业核心课程Photoshop图形图像处理为例,探讨其项目化教学改革的实践路径与成效。课程以职业岗位能力培养为主线,打破传统以软件命令为核心的教学模式,重构为六个由易到难、前后衔接的真实项目,涵盖标识设计、广告文字、UI界面、包装设计、商业海报及品牌视觉识别(visualidentity,VI)手册等内容。通过“目标-项目-评价”一体化的系统设计,强化学生的专业知识、实操能力与职业素养。实践表明,项目化教学显著提升了学生的综合设计能力、团队协作与创新思维,有效促进了人才培养与行业需求的高质量对接。

关键词： 计算机视觉   人工智能技术   智能监控  

摘要： 探究基于计算机视觉的人工智能技术在智能监控场景中的应用。研究过程中聚焦计算机视觉的目标检测、图像识别及视频理解等核心能力展开分析,结合深度学习、模式匹配与自适应算法等人工智能技术形成多层协同机制,进而构建起具备精准识别、自主学习与快速响应能力的监控体系。经案例验证,该系统能够在低光照、目标遮挡及高密度人群等复杂场景中保持性能稳定,体现出广阔的应用前景,为智慧城市建设、安全生产管理与公共安全治理提供高效且可靠的技术支撑。

关键词： YOLOv8   图像增强   低光照目标检测   多模态融合   边缘部署  

摘要： 夜间及复杂光照条件下,图像质量受限问题严重制约了目标检测系统在智能安防、自动驾驶等场景中的应用效果。针对传统检测模型在低光照环境下识别精度下降、图像增强与检测模块割裂等问题,文章提出一种融合 YOLOv8 架构的图像增强与目标检测协同优化算法。该算法通过多模态输入方式整合可见光与红外图像信息,并引入感知一致性约束机制,实现图像细节恢复与检测精度的双重提升。实验结果表明,该算法在多个公开夜间数据集上达成 mAP@0.5 ≥ 75%、结构相似性 SSIM ≥ 0.85、推理帧率 ≥ 25 FPS 等关键指标,具有良好的精度稳定性与平台适应性。

关键词： 番茄枝条分杈点   机器视觉   Shi-Tomasi角点检测算法   图像处理  

摘要： 针对番茄枝条分杈点的识别问题,本文提出一种基于机器视觉的识别方法。通过对番茄植株进行紫光染色并拍摄图像,将融合图像中的红色、蓝色及其灰度通道,利用阈值分割技术将融合后的灰度图转换为黑白二值图,以凸显植株特征;采用中值滤波处理以减少背景干扰,使枝条边缘更加平滑;运用形态学腐蚀法进行骨架细化,并通过Shi-Tomasi角点检测算法精准定位分杈点。试验结果表明,该机器视觉算法在识别番茄枝条分杈点上表现出色。其单个目标识别时间仅为0.107 s,识别准确率高达84.7%,识别精度达到77.4%,F_(1)得分为0.808。证明该方法在低算力平台上的高效运行能力和高识别性能,此方法可以准确、快速地识别番茄枝条分杈点,且大大地降低了设备成本。

关键词： 无人驾驶方程式赛车   点云数据处理   YOLOv5   目标检测   传感器数据融合  

摘要： 为了快速准确地检测无人驾驶方程式大赛中赛道锥桶的特征信息,提出一种融合激光雷达点云数据和相机图像数据的检测方法.首先对点云数据进行感兴趣区域(region of interest, ROI)提取并对噪点进行滤波,针对目前地面欠分割和过分割问题引入自适应地面分割算法,并采用欧式聚类对锥桶空间位置信息进行提取;其次采集和标注图像数据集,并使用YOLOv5进行训练后检测,完成锥桶颜色信息的提取;然后将激光雷达检测的锥桶空间位置信息和相机检测的锥桶颜色信息进行融合;最后设计试验进行验证,结果表明:所提出的融合检测方法能够弥补单传感器检测锥桶带来的问题,快速准确地检测出赛道中的锥桶,为规划和决策提供了保障.