关键词： 男衬衫外观平整度   图像处理   客观评价   对比度特征值   国家标准  

摘要： 为解决人工检验对服装平整度评价易产生主观性强、再现性差、效率低等问题,以GB/T 19980—2005中的评分标准为基础,构建男衬衫平整度自动评估算法。该算法基于灰度共生矩阵的方法对衬衫侧缝位置进行分部位特征提取、等级区间划分以及自动评级;同时,自动赋予衬衫特征部位客观权重比,并参考标准中的评分方法进行加权计算,构建外观平整度整体评分计算模型,实现对男衬衫外观平整度的自动评估。研究表明:相比人工评价方法,自动评估算法具有更好的再现性,且与主观评价结果对比一致性可达0.970,证明该方法可有效解决人工评价方法存在的问题。

关键词： 计算机视觉   图像处理   深度学习  

摘要： 随着数字图像技术的快速发展,计算机视觉在多个领域展现出巨大潜力.文中系统性地探讨了计算机视觉图像处理的基础理论、关键算法及深度学习应用.研究阐述了图像预处理、特征提取、边缘检测等核心技术,并深入分析了传统算法与深度学习方法的特点和优势.重点论述了卷积神经网络在图像处理中的创新应用,揭示了其在特征学习、目标识别等方面的技术机制.通过性能评估,揭示了深度学习算法在精度、效率等方面的显著优势,为计算机视觉技术的发展提供了理论参考和实践指导.

关键词： 深度学习   智能识别   全卷积神经网络   桥梁结构   裂缝检测   图像处理  

摘要： 由于桥梁结构会受到应变、温湿度等侵蚀和损毁,经常会造成桥梁结构产生裂缝病害,需要对桥梁结构的裂缝病害进行检测.设计了全卷积神经网络模型,采用裂缝图像数据集对模型进行了训练和验证,利用该全卷积神经网络模型可对3种桥梁裂缝病害的形态进行识别,并且与其他裂缝识别方法相比,具有较高的准确率和召回率.

关键词： 仔猪受压   非模态实例分割   事件推理   计算机视觉   注意力机制   特征融合  

摘要： 哺乳期母猪挤压仔猪是造成仔猪断奶前死亡的主要原因之一。母猪对仔猪的遮挡给基于计算机视觉的挤压事件检测带来较大挑战。针对这一问题,该研究提出了基于非模态实例分割(amodal instance segmentation,AIS)的仔猪受压事件检测方法。首先,提出BCNet-FF(bilayer convolutional network-focused fusion)模型,实现高精度的母猪姿态检测和抗遮挡的猪非模态实例分割。该模型将提出的FLA-DSC(focused linear attention-depthwise separable convolution)注意力模块引入骨干网络,同时在特征金字塔网络中加入FreqFusion特征融合模块,以提高被遮挡仔猪的分割精度;其次,识别处于侧卧姿态的母猪背部区域,构造回归方程以估计母猪与地面实际接触的轮廓线,从而确定母猪挤压仔猪的危险区域。然后,使用基于相邻帧目标掩膜IoU(intersection over union)的多目标跟踪方法对危险区域内的仔猪进行跟踪。最后,计算仔猪与危险区域的重叠率,判断是否发生仔猪受压事件。实例分割试验结果表明,BCNet-FF的mAP@50为98.5%,其中仔猪分割的AP@50为97.4%。相较于BCNet(bilayer convolutional network),BCNet-FF的mAP@50和AP@50分别提高了2.2和3.1个百分点。90段测试视频的试验结果表明,仔猪多目标跟踪方法的平均IDF1得分(identification F1 score)、多目标跟踪准确率(multiple object tracking accuracy,MOTA)分别为94.5%和93.8%。该研究方法检测仔猪受压事件的正确率为91.1%,灵敏度为90.6%,特异度为91.9%,模型整体推理速度为8.9帧/s,能够准确检测母猪侧卧挤压仔猪事件,为及时发现受压仔猪提供技术参考。

关键词： 云边协同   嵌入式人工智能   物联网   目标检测   实验教学  

摘要： 针对嵌入式人工智能实验教学中存在的视觉检测场景多样化、检测任务开发流程复杂、实验硬件设备选型困难、通用性不足、部署难度大,以及深度学习算法对学生入门门槛高、教学成本较高等问题,结合云端与边端深度学习算法的优势与局限性,设计并开发了一套基于云边协同的嵌入式人工智能与物联网实验教学系统。该系统由以下核心模块组成:自主研发的支持多种协议与多传感器接口的边缘端数据采集板、一站式低代码深度学习算法开发平台,以及云边协同一体化的人工智能与物联网算法实验平台。实验教学结果表明:该云边协同实验教学系统能够实时采集传感器数据,支持多种常用的轻量化深度学习网络模型的开发和部署,满足嵌入式场景下的目标检测要求,同时适应不同专业背景的专业硕士研究生在人工智能实验教学与科研中的多样化需求,有效提升了学生的工程实践与创新能力。

关键词： X射线   计算机视觉   霉变核桃   特征优选   机器学习  

摘要： 针对霉变核桃检测难、效率低的问题,提出一种融合X射线和视觉图像的霉变核桃无损检测方法,以准确判别核桃内外皆霉变、内霉外正常、内正常外霉变和内外皆正常4类情况。首先采用灰度共生矩阵提取X射线和视觉图像的纹理特征,并在不同颜色空间下分别计算视觉图像的一阶矩和二阶矩,以全面捕捉核桃内外部霉变特征,从而构建原始霉变核桃特征集。随后,基于竞争自适应重加权算法和连续投影算法对提取的特征进行优选,构建对不同霉变情况敏感的核桃特征集。在此基础上,分别构建极限学习机和K-最近邻霉变核桃分类模型,并通过实验对比不同特征集下分类模型的性能,验证了融合X射线和视觉图像特征检测霉变核桃的可行性。结果表明,使用连续投影算法优选特征集构建的极限学习机模型性能最优,测试集准确率、召回率、模型精确率和召回率的调和平均值(F1)分别达到90.32%、92.58%和91.29%,平均特异性和Kappa系数分别达到97.02%和88.44%,对多数类和少数类的霉变核桃均有较高的判别能力。本研究可为核桃内外部霉变情况的综合、准备识别以及在线无损检测系统的研发提供理论参考。

关键词： 图像处理   轨面缺陷   马尔可夫随机场   概率图模型   实例分割  

摘要： 针对轨面缺陷样本数量少、种类多的特点,以及在真实场景下存在迁移学习效果不稳定、阈值分割易受环境因素影响的问题,提出一种零样本的改进马尔可夫随机场轨面缺陷分割方法。对采集的数据使用Gabor函数进行处理,突出缺陷特征,降低数据维度,得到降维特征图;对处理后的特征图进行Kmeans聚类,缩减数据分布,降低反光和阴影的影响,并将聚类结果作为预分类矩阵;通过降维特征图和预分类矩阵构建改进马尔可夫随机场(MRF)双层图模型,并进行推理;根据模型推理出的预分类矩阵特征值来分析缺陷部分的局部几何结构;标记出缺陷区域,并完成缺陷分割。使用自采样数据集进行对比实验和消融实验,结果表明:所提方法在自采样数据集上的像素准确率、平均像素准确率、加权交并比、均交并比分别达到93.6%、80.7%、89.4%、68.2%,超过对比检测方法精度。

关键词： Mamba-ConvMLP   PCB缺陷检测   深度学习   计算机视觉  

摘要： 针对印刷电路板(PCB)表面缺陷检测中存在的全局与局部特征融合不足及计算复杂度高等挑战,设计并实现了一种基于Mamba-ConvMLP的高效检测系统。该系统融合了Mamba模块,构建像素特征间的远距离依赖关系,有效降低了自注意力机制在处理超高清图像时的计算复杂度。结合ConvMLP的特征提取能力,引入Faster-RCNN作为检测头,实现了对PCB表面缺陷的快速、准确检测。实验结果表明,系统在完成PCB缺陷检测任务中表现出色,精确率达到90.8%,处理速度为每张图像25.4 ms,为PCB生产的质量监控提供了参考价值。

关键词： 无人机影像   大型食草动物   目标检测   YOLOv5   轻量化   低算力部署   黄河源  

摘要： 针对利用无人机影像开展大型食草动物检测中面临的模型轻量化程度不够、模型在有限算力环境下实时检测性能不佳等问题,本研究在保证检测精度的前提下,对YOLOv5模型进行了轻量化改进。以黄河源区的玛多县大型食草动物检测为例,改进后的算法在保持基本精度的同时,大幅提高了轻量化程度。模型在IoU从0.5到0.95的平均精度均值(mAP@0.5:0.95)达到了0.501,在IoU为0.5时的平均精度均值(mAP@0.5)达到了0.96,超过了原有模型。参数量降低了91.56%,计算量降低了89.87%,模型大小降低了88.19%。相较于主流的YOLOv5及其他目标检测模型,改进后的模型在计算复杂度和参数量上均有所降低,经过验证改进后的模型可应用于低算力平台及移动端进行轻量化部署。本研究提供的轻量化模型和工具可应用于草地食草动物调查和草畜平衡监测,能为草地管理和畜牧业规划提供一定技术支持。

关键词： YOLOv8   智慧民航   目标检测   行李分类  

摘要： 为了满足机场旅客自助托运行李系统存在的行李识别效率提升需求,本文提出一种改进的YOLOv8目标检测算法,旨在提升机场托运行李自动化分类与精确定位能力,从而实现更高效的行李托运处理。本文算法通过引入上采样算子CARAFE,修改UIoU损失函数提高边界框定位准确度,添加注意力机制SCSA和Soft-NMS以提升模型精度和鲁棒性。实验结果表明,经过改进的YOLOv8模型在precision、recall、mAP@0.5和mAP@0.5:0.95等检测指标上均有显著提升,有效改善了模型在实际应用场景中的表现.