关键词： 医学图像处理   肌肉分割   图像分割   目标检测   分割一切模型  

摘要： 肌少症对患者的身体健康有诸多不利影响,而肌量的测量是诊断肌少症的重要手段之一。然而,现有的手动测量方法效率较低,限制了其在临床中的广泛应用。文章旨在提出一种适用于肌少症临床诊断和医学研究的自动分割方法,该方法能够在少量训练数据的情况下实现高精度的骨骼肌分割。我们的方法首先使用少量数据对YOLOv10和SAM2模型进行微调。然后,通过YOLOv10获取每个样本的矩形框坐标,并将其作为SAM2的提示词进行骨骼肌分割。实验结果显示,我们的方法在分割任务中的DSC评分达到了0.9025,优于传统U-Net架构的0.8763和使用固定矩形区域作为提示词的0.8887。此外,在测试数据集上的验证结果表明,85%的分割结果在临床应用的可接受范围内。综上所述,文章提出的方法在骨骼肌的少样本自动分割任务中表现出较高的精度和可靠性,具有潜在的临床应用价值。Sarcopenia has numerous adverse effects on patients’ health, and muscle mass measurement is one of the important methods for diagnosing sarcopenia. However, the current manual measurement methods are inefficient, limiting their widespread clinical application. This study aims to propose an automatic segmentation method suitable for both clinical diagnosis and medical research of sarcopenia, which can achieve high-precision skeletal muscle segmentation with a small amount of training data. Our method first fine-tunes the YOLOv10 and SAM2 models using a small amount of data. Then, the rectangular box coordinates of each sample are obtained through YOLOv10 and used as prompts for SAM2 to perform skeletal muscle segmentation. Experimental results show that our method achieves a DSC score of 0.9025 in the segmentation task, outperforming the traditional U-Net architecture’s score of 0.8763 and the fixed rectangular region prompt’s score of 0.8887. Additionally, validation on the test dataset indicates that 85% of the segmentation results fall within the clinically acceptable range. In conclusion, the method proposed in the article demonstrates high accuracy and reliability in the task of few-shot automatic segmentation of skeletal muscle, showing potential clinical application value.

关键词： 高温合金钢   金相评级   深度学习   图像处理  

摘要： 高温合金钢广泛应用于锅炉、压力容器、压力管道特种设备,其金相定期检验是设备安全运行的重要保障。针对传统基于阈值分割算法的金相珠光体特征提取方法适用性较弱的问题,制定球化等级评定流程,研究基于深度学习的金相珠光体特征提取方法,并从标准定义评级图谱中研究不同球化等级的球化量化指标,并以高温合金钢金相图像为实验对象进行验证。结果表明,Segformer网络+再分割方法的背景、珠光体特征的IoU、Acc均较高,且量化指标较好地反映了球化等级。

关键词： 目标检测   YOLOv8   船舶检测   注意力机制  

摘要： 船舶目标检测是计算机视觉的应用领域之一,对船舶行业的发展可以起到一定的推进作用。为了改善检测过程中出现的误检、漏检等现象,本文提出了一种改进的YOLOv8算法。首先对空间金字塔池化结构进行改进以提升不同尺度目标的特征提取效果;其次在检测层中加入注意力机制,将它与原有模块进行组合以提高算法对小目标的检测能力;最后使用Seaships7000数据集进行训练和测试。实验结果表明改进后的模型mAP@.5和mAP@.5:.95分别为98.6%和82.7%,相较于原始算法有所提升,在与其他经典算法的比较中也有一定优势。检测速度为70帧/秒,能够实现实时的高精度检测。

关键词： 目标检测   夜间行车   图像识别   YOLOv8n   轻量化  

摘要： 夜间驾驶时,光线条件不佳,目标容易被遮蔽,这使得检测算法难以精确地识别目标的轮廓和形状.此外,车辆行驶中拍摄到的物体易产生模糊感,这导致目标特征提取困难.为解决上述问题,提出了一种基于YOLOv8n改进的夜间行车目标检测算法.首先,将DCN模型引入C2f模块,改进成DCN_CSP2模块,并替换主干网络中的C2f模块,从而更加精准地捕捉目标物体的形状和边缘信息,提升特征提取能力,降低模型计算力需求.然后,在颈部网络中针对性地引入深度可分离卷积(depthwise separable convolution,DWConv)模块,在保持模型性能的同时,减少模型参数量,从而提高模型计算效率,使模型轻量化.最后,针对原始非极大值抑制(non-maximum suppression,NMS)算法在目标部分遮挡时可能导致重要目标丢失的问题,引入基于候选检测框与基准框重叠部分大小的衰减函数,使重要目标更有可能被保留下来,并参与后续的NMS算法过程,从而提高模型的检测性能.实验结果表明,相较于YOLOv8n,所提算法在rmsw_5k_night数据集上的mAP@50提高了6.2个百分点,mAP@50:95提高了5.7个百分点,降低了计算力需求,减少了模型参数量,实现了模型轻量化与高性能的平衡.该算法有效地提高了对夜间目标的检测能力,为其移植到终端设备中打下了坚实的基础.

关键词： 目标检测   空间语义信息转换   注意力机制   边界框回归函数   动态检测头   煤矿烟火   轻量化网络  

摘要： 为解决煤矿烟火检测中速度缓慢和图像背景干扰问题,提出一种基于YOLOv7改进的检测算法。通过设计SlimNeck结构重构颈部网络实现模型轻量化;采用WIoUv3减轻低质量训练集的影响;在ELAN结构融入EMA模块,减少信息转换过程中的损失;引入具备多种感知能力的动态检测头提升模型表现力。实验结果表明,改进后的模型mAP提升了3.2%,同时模型的参数量和计算量分别减少了0.59 MB和2.2 G。检测速度达到了18.1 ms,保证了高精度,满足实时监测的需求。

关键词： 可见光与红外图像融合   YOLOv8n   目标检测   注意力机制   双池化融合  

摘要： 为了解决可见光与红外图像融合导致颜色不连续、目标分布碎片化的问题,文中提出了一种面向电力设备的多维交互注意力增强YOLOv8n多模态检测算法。针对融合图像颜色不连续、缺乏视觉一致性现象,通过增强通道、高度、宽度三个维度之间特征相互作用,设计并引入了多维交互注意力模块;为了避免过拟合,使用平滑技术对Slide Loss损失函数进行改进,替换了YOLOv8n的完全交并比(complete intersection over union,CIoU)Loss损失函数。实验结果表明,改进YOLOv8n算法在可见光和红外融合图像目标检测任务中表现优异,在精确率、召回率和交并比(intersection over union,IoU)高阈值范围内的性能上均优于多种改进的YOLO系列算法,能够有效提升目标检测的精度。

关键词： 机器视觉   质量检测   图像处理   自动识别   智能制造  

摘要： 为提升机电制造过程中产品质量的检测效率与稳定性,本文设计并实现了一套基于机器视觉的质量检测系统。该系统以图像识别技术为核心,通过工业相机采集关键零件图像,经由图像预处理、特征提取与缺陷判断算法,实现对产品表面裂纹、划痕、偏位等典型缺陷的自动识别。硬件结构包括高分辨率相机、柔性光源、定位模组与控制终端,软件平台则集成了图像处理模块与设备控制接口。系统已在某电机零部件产线上部署运行,实验结果显示检测准确率达98%以上,稳定性优于人工质检,并具备良好的可扩展性。研究表明,基于机器视觉的检测方案可显著提升制造环节的智能化水平,为复杂产品质量控制提供可靠路径。

关键词： 行人重识别   计算机视觉   深度学习   注意力机制  

摘要： 在换装行人重识别任务中,服装变化是影响识别精度的主要因素。为了寻找服装改变的不变性特征,提出了一个基于位置掩码引导(Positional Mask-Guided Model,PMGM)的换装行人重识别模型,PMGM模型通过头部、上身、下身、手臂的4个位置编码引导网络捕捉局部细粒度特征,与全局特征进行特征融合,精确提取服装改变的不变性特征。在推理实验时,添加头部特征匹配与身份特征匹配相结合后,提高了模型的识别能力。结果表明,PMGM模型在PRCC数据集上的mAP和Rank-1指标分别比基准模型提高5.7%和6.1%。

关键词： 冰裂信号   半监督学习   伪标签   目标检测   特征融合  

摘要： 冰裂声信号作为极地冰盖动力学演化的“声学特征指纹”具有重要监测价值,而传统检测方法存在低信噪比下灵敏度不足以及对标注数据依赖性过高等问题,为此提出了一种基于多分量特征融合的半监督学习冰裂声信号检测框架,旨在提升低标注数据条件下冰裂声信号的自动化检测能力。首先,提出并对比混合波形图和堆叠时频图两种三维声场特征融合方案,优化三维弹性声场信息的有效利用。随后构建教师-学生模型的双分支迭代优化架构,引入半监督学习伪标签策略,利用未标注数据增强模型泛化能力以显著降低人工标注数据依赖。通过开展高纬度冰区试验,以YOLOX为基准模型验证所提方法的有效性:相同人工标注数据量下,检测性能较基准模型提升26.2%;在标注数据减少50%的条件下,所提方法检测性能接近全标注模型(达成率94.5%)。ROC曲线分析进一步证实,堆叠时频图特征融合方案在冰裂声信号检测任务中具有明显优势。

关键词： 机械臂抓取   深度学习   目标检测   位姿估计  

摘要： 针对机械臂在传送带上运动物体检测准确率低和实时性差的问题,提出了一种融合V5CA与几何特征的目标检测及位姿估计方法。首先,将坐标注意力机制模块嵌入YOLOv5得到V5CA网络模型,提高了机械臂对目标物的检测精度;设计了一种基于几何特征的位姿估计算法,解决了机械臂在位姿估计方面实时性差的问题。在仿真和真实环境中进行实验,结果显示:基于V5CA与几何特征融合算法,目标检测的平均识别率相比于原模型提升了1.4%,位姿估计效率较传统图像处理方法提升了一个数量级,在仿真和真实环境中对运动目标物的抓取成功率分别达到了95.3%和91.8%,对所有目标物的平均检测时间分别达到了26.05 ms和29.52 ms,提升了机械臂对传送带上运动物体检测的准确率和抓取的实时性。