关键词： 目标检测   注意力机制   特征融合   点采样   多尺度  

摘要： 道路损坏对道路的使用寿命和安全性构成极大威胁,及早发现道路损坏有利于进行维护和修理.传统的道路缺陷检测技术通常依赖于手动视觉检测和车载道路路面监控系统,然而这些方法在很大程度上受道路维护人员经验的影响.随着深度学习的发展,越来越多的研究者将其应用于道路缺陷检测领域,其中最常见的当属YOLO系列目标检测方法及其各种变体.但这类方法大多需要进行后处理操作,这会阻碍模型优化、损害鲁棒性并导致检测器延迟推理.针对这些问题以及道路缺陷检测中存在的多尺度问题,本文提出了改进后的RT-DETR模型,对主干网络的结构进行了微调,并提出了MSaE注意力机制.在编码器部分,使用GhostConv卷积和DySample模块优化了上采样,使用ADown模块优化了下采样.本文在公开数据集SVRDD中进行了对比实验.实验结果表明,本文提出的改进方法在SVRDD数据集中的mAP@50指标达到了72.5%,相较于基准的RT-DETR-R18提高了3.8个百分点,有效提升了道路缺陷检测能力.

关键词： 报纸印刷   版式设计   图像处理  

摘要： 报纸版面包含大量图片,图片的视觉效果是影响版面主题表达和审美体验的重要因素。为弥补摄影、印刷等环节对图片质量的影响,需要在版式设计环节对图片进行处理。本文提出彩色图片需根据印刷工艺特点进行层次、色彩调整和锐化处理,并根据报纸印刷特性进行色彩模式转换,这不仅有利于主题表达,还具有良好的印刷适应性。

关键词： 水下目标检测   YOLOv8   可变大核卷积   特征金字塔   自适应  

摘要： 水下目标检测常面临复杂环境干扰、检测系统不稳定以及检测精度低等问题。为此,本文提出了一种基于自适应特征提取与跨尺度特征融合策略的轻量化目标检测算法WAD-YOLOv8。首先,在主干网络中引入基于上下文信息的残差特征提取模块(CCRF),增强模型对全局和局部信息的综合能力。其次,采用可变大核卷积注意力机制引导的轻量化模块(ADFE),使网络在下采样阶段能够自适应调整采样特征,提高目标特征提取的精准性。最后,重构颈部网络特征融合策略,增加新的跨尺度特征融合连接,增强模型的抗干扰能力和多尺度目标检测性能。试验结果表明,WAD-YOLOv8在模型参数量和计算量均低于基准模型的情况下,检测精度提升了3.0%,平均检测精度mAP50提高了2.6%,推理速度达到64 FPS。与经典算法相比,WAD-YOLOv8在复杂水下场景中表现出更优的检测效果和更高的稳定性,为水下移动检测平台提供了一种高效、轻量化的目标检测解决方案。

关键词： 开放世界目标检测   反向传播梯度   图分割算法   特征范数   卷积神经网络  

摘要： 开放世界目标检测(OWOD)将目标检测任务拓展至真实多变的环境中,要求模型能准确识别已知和未知对象,并逐步学习新知识。针对现有OWOD网络模型中未知类的召回率偏低和误识别的问题,提出一种梯度区分与特征范数驱动的开放世界目标检测(GDFN-OWOD)网络模型。针对未知类召回率偏低的问题,提出梯度区分性表征模块(GDRM),即利用反向传播的梯度差异区分未知类别和背景,以提高未知类召回率;此外,引入基于图分割的框聚类(GSBC)算法将物体边界框的确定建模为图分解问题,从而减少冗余的边界框,进而降低模型的计算量;针对未知类误识别的问题,采用基于特征范数的分类器(FN-BC)选择性能最优的卷积层识别已知和未知类别,以达到更高的识别准确率。在M-OWODB数据集上的实验结果表明,与最优对比模型相比在T1、T2、T3任务中GDFN-OWOD的未知类召回率分别提升了1.1、2.1、0.9个百分点,而绝对开集误差(A-OSE)分别降低了35.1%、28.7%和12.2%。可见,与现有的OWOD网络模型相比,所提网络模型有效缓解了未知类的召回率偏低和误识别的问题。

关键词： YOLOv8   动态卷积   注意机制   尺度内特征交互   多尺度目标检测  

摘要： 针对无人机数据集图像中目标尺度小、特征弱、背景干扰多等不利因素造成的目标检测算法总体精度不高,漏检误检严重的问题,提出了一种用于复杂场景下无人机图像多尺度目标检测的新算法。该算法通过DConv、AIFI和Dyhead等模块的引入,改进了原网络在多尺度目标检测能力上的不足;同时,通过采用DIoU损失函数,提高了模型的收敛能力。在公开数据集VisDrone-DET2019上对多尺度目标进行检测识别,与原网络相比,精确率提升了3.7%;召回率提升了1.2%;平均精度提升了2.3%。同时,通过大量的实验验证,结果显示本文算法具有较强的鲁棒性,综合性能优秀,具有一定的工业应用价值。

关键词： 目标检测   金属表面缺陷   深度学习   损失函数   注意力机制  

摘要： 金属表面缺陷在飞机和航天器制造等领域易致结构失效,带来巨大的事故风险;针对传统YOLOv5s算法检测金属表面冲孔、丝状斑点、月牙形缺口等性能差的问题,现提出一种改进的YOLOv5s算法;该算法将Ghost网络加入到Backbone部分;在Neck网络中增加了MHSA注意力机制;将原损失函数替换为DIOU;经实验验证,改进后的网络与原网络相比,mAP@0.5提升了3.2%;提高了模型的检测精度并且误检、漏检率较低,证实了该方法在金属表面缺陷检测上的有效性。

关键词： STM32   健康饮食   OpenMV   图像处理   语音提醒  

摘要： 在快节奏的时代背景下,健康生活日益成为人们关注的重点。为了解决日常生活中的商品管理和健康饮食规划问题,文中开发了“无忧生活助手”这款基于机器视觉与生成式人工智能的智能设备。通过先进的摄像头来扫描食品条码或直接识别商品本身,从而收集其详细信息。该设备结合用户的健康数据,如过敏信息、营养需求和饮食目标,通过云端的AI模型来分析这些数据,并提供科学的食材搭配和饮食计划,助力用户实现健康饮食。此外,该设备还能够根据保质期提前给出消费建议,有效减少资源浪费。

关键词： 智慧港口   自动驾驶   目标检测   YOLOX-S算法   大核注意力机制   ACE-IOU损失   深度可分离卷积  

摘要： 针对单目摄像头在港口场景下面临目标检测算法识别不稳定的问题,提出一种改进YOLOX-S目标检测算法。引入大核注意力机制改进主干提取网络的特征输出与BottleNeck模块,提高算法特征提取的能力;引入中心点余弦距离损失改进目标框损失函数,解决训练损失虽收敛但目标框仍抖动的问题;引入深度可分离卷积模块优化检测头模块,提高检测精度同时减少模型大小;实车录制智慧港口不同场景20 906张图片进行实验,其结果表明,改进算法与YOLOX-S相比,mAP@0.5:0.95提高5.1%,模型权重大小降低8.8%,TensorRT部署检测帧率为25.0 FPS。改进方法与实验结果可为智慧港口场景下的视觉感知算法开发提供参考。

关键词： 桑葚   遥感技术   种植区域   图像处理  

摘要： 桑葚作为常见的经济作物,果实口感佳且富含多种营养物质,深受人们喜爱。准确掌握桑葚种植区域,是做好田间管理和产量预估工作的基础。但由于桑葚树与周围植被差异较小,直接通过单一图像进行分类的精度较低,因此采用多时相高分一号卫星数据,层层排除干扰植被的影响,可显著提高分类精度。研究区域为山东省德州市夏津县黄河故道桑树种植区,通过分析桑葚与周边植被生长周期的差异,选取最合适时段的监督分类结果作为基础,结合其他植被特征时段的数据排除干扰因素,建立分类决策树,最终完成种植区域提取。经地面真实感兴趣区检验,桑葚分类精度由基础分类的86.15%最终提升至92.68%。

关键词： 计算机视觉   开关状态   图像配准   椭圆拟合   包络谱熵  

摘要： 传统开关状态监测方法的监测结果准确率不高、鲁棒性较低,导致双电源自动切换开关在日常应用中,其性能不能充分发挥,应用效果较差,对此提出了基于计算机视觉的双电源自动切换开关状态实时监测方法。通过计算机视觉技术,根据相应的采样频率和采样间隔时间对双电源自动切换开关状态进行监测图像采集;对采集后的图像进行振动振幅和图像特征的提取;根据特征提取结果,通过图像融合、数值对比等过程对开关状态图像进行配准。对监测图像结合上述特征和配准机制,进行椭圆拟合处理,从而完成双电源自动切换开关状态的实时监测。实验结果证明,基于计算机视觉的双电源自动切换开关状态实时监测方法,其监测结果准确率达到100%;在增加各种异常的状况下,其监测准确率依旧可达到100%,该方法的鲁棒性较强。