关键词： 目标检测   YOLOv5   空洞卷积   路径聚合金字塔  

摘要： 随着目标检测任务由单一对象向多目标物体检测的方向发展,由于物体种类之间存在颜色、形状和体积之间的差异,所以多物体目标检测的性能不高.针对这一问题,该文基于YOLOv5算法提出一种改进的多物体目标检测算法和具有多层空洞卷积级联结构的CSPDarknet模型.在CSPDarkNet网络中使用多层空洞卷积级联操作,提升了整体网络模型对全局特征提取的能力和加强网络上下文信息之间的联系.在路径聚合金字塔中使用双三次上采样方法和目标区域像素点周围的相邻像素,计算得到目标区域像素,提高了特征图的分辨率和表达能力.第1组实验的检测精度为96.9%和94.8%,第2组实验的检测精度为96.2%、96.4%和98.1%,这2组实验的检测精度均优于YOLOv3和YOLOv5的检测精度.

关键词： 粮仓害虫   智慧化   目标检测   无线传输  

摘要： 害虫是造成粮仓粮食损失的主要原因之一,研究有效的粮仓害虫检测技术具有重要意义。本文论述粮仓害虫的智慧化检测现状,探究检测智慧化发展的技术方向,提出粮仓害虫智慧化系统建设构想。例如通过传感器采集粮仓参数、利用物联网技术传输信息、在云平台存储信息、通过深度学习算法挖掘数据、引入数字孪生技术保证设备调控的实时性。智慧化技术的引进能实现粮仓害虫的实时精准检测,为粮食安全储藏提供保障。

关键词： 工业机器人视觉系统   图像处理   3D视觉  

摘要： 工业机器人视觉系统模仿人的视觉功能让机器人对图像信息进行识别、处理与分析、以达到准确组装、检测和质量控制。关键技术主要有图像采集、图像处理和分析、模式识别和机器学习、3D视觉、传感器融合和照明和光学技术等。在装配与检测、质量控制、定位与导航、分拣与包装、焊接与切割以及其他方面都有大量技术应用实例,大大提高了生产效率及产品质量。伴随着科技的进步,工业机器人视觉系统必将在更多的领域中扮演重要角色。

关键词： 核燃料芯块   机器视觉   图像处理   尺寸测量  

摘要： 本文设计了芯块几何参数检测系统,该系统通过机器视觉对芯块进行投影,采用图像算法进行处理,能够实现芯块直径、高度、倒角高度、倒角宽度和垂直度等项目的自动检测,并集成了称重模块和粗糙度测量仪,通过机械手实现待检芯块在各检测工位间的传递,进而完成了待检芯块几何尺寸参数、粗糙度和密度的自动连续测量。通过对标准块测试分析,本文评定了其不确定度,并进行了验证。

关键词： 人工智能   深度学习   Transformer   大型语言模型   智慧医疗   数据分析   图像处理   计算机视觉  

摘要： 深度学习是人工智能领域的热门研究方向之一,它通过构建多层人工神经网络模仿人脑对数据的处理机制。大型语言模型(large language model,LLM)基于深度学习的架构,在无需编程指令的情况下,能通过分析大量数据以获得理解和生成人类语言的能力,被广泛应用于自然语言处理、计算机视觉、智慧医疗、智慧交通等诸多领域。文章总结了LLM在医疗领域的应用,涵盖了LLM针对医疗任务的基本训练流程、特殊策略以及在具体医疗场景中的应用。同时,进一步讨论了LLM在应用中面临的挑战,包括决策过程缺乏透明度、输出准确性以及隐私、伦理问题等,随后列举了相应的改进策略。最后,文章展望了LLM在医疗领域的未来发展趋势,及其对人类健康事业发展的潜在影响。

关键词： 激光雷达   降雪气候   点云补全   三维目标检测   自动驾驶  

摘要： 在降雪气候条件下,雪花颗粒对激光雷达的干扰会导致点云特征缺失,严重影响LiDAR三维目标检测模型的准确性。本文提出一种基于Transformer架构的雪天点云特征补全检测算法:首先设计点云损失补全模块,通过多头注意力机制与混合密度网络联合提取原始点云缺失特征;其次构建编码器-解码器结构实现缺失特征生成,并开发融合重定义模块通过通道注意力机制实现特征对齐;最后优化预测框输出策略提升检测可靠性。在CADC数据集上,汽车与行人检测精度分别提升2.06%和2.73%;在KITTI数据集上3类目标平均精度提升1.51%。通过量化分析降雪强度与点云生成数量的影响规律,验证了本文所提方法的鲁棒性和工程适用性。

关键词： 人工智能   体操动作识别   计算机视觉   姿态估计   技术分析  

摘要： 人工智能技术在体操动作识别领域实现了从主观评判向客观分析的重要转变,AI体操动作识别系统基于计算机视觉和深度学习算法,通过多角度高速摄像设备采集运动员三维动作数据,结合姿态估计与关键点识别技术,构建高精度的动作分析模型。系统实时识别体操技术动作,量化评估执行质量,为训练指导和竞技评分提供客观依据。应用拓展涵盖精英运动员训练优化与技术缺陷检测以及实时评分辅助和大众健身指导等维度,推动体操运动智能化发展。

关键词： 伪装   迷彩伪装士兵   目标检测   YOLOv8n算法   轻量化  

摘要： 军事伪装在战争中发挥着至关重要的作用。针对迷彩伪装检测难度大、实时性要求高以及现有的迷彩伪装检测算法计算量大、参数量多等问题,本文提出了一种改进YOLOv8n的轻量化检测算法YOLO-FCL。通过改进主干网络,在原始的C2f网络中融合轻量化结构PConv,设计出FC2f网络,显著降低了模型的参数和计算量;此外,为强化模型的特征提取能力,引入LSK注意力机制,根据不同的目标对背景环境的需求不同动态调整感受野大小。实验结果表明,在参数量减少23%的前提下,YOLO-FCL算法在公开的迷彩伪装数据集上取得了95.6%的平均精度(mAP)和91.5%的召回率(Recall),相较于当前研究成果有显著的提升。

关键词： Transformer模型   遥感图像   目标检测  

摘要： 深入探讨Transformer模型在遥感图像目标检测中的应用,提出一种结合多尺度特征提取和改进注意力机制的新型检测框架。通过对比实验,证实所提方法在提升检测精度和效率方面的有效性。

关键词： 自动驾驶   目标检测   YOLOv8n  

摘要： 自动驾驶中的感知系统主要使用目标检测算法来获取障道路上目标的分布,以便进行识别和分析。当前的目标检测算法发展迅速,但在实际应用场景中平衡实时检测和高检测精度的要求具有挑战性。为了解决上述问题,本文使用YOLOv8n作为原始模型,并提出了一个名为YOLOv8n-CSS的目标检测网络。首先,引入CBAM混合注意力机制增强关键特征提取并去除冗余,从而提高网络对物体和背景的识别能力。然后,使用SPPCSPC模块替换原始模型骨干网络中的SPPF模块,能够更好地融合来自不同层次和尺度的特征信息,可以有效地捕捉不同尺度物体的特征,提高模型识别物体的准确性。最后,引入SPD-Conv模块替换原始的交错卷积层,进行下采样操作,保留了更多的特征信息,从而提高了不同尺度目标的检测能力。在KITTI数据集和BDD100K数据集上的实验结果表明,改进的网络模型的平均准确率分别达到96.1%和48.0%,比基线模型分别高出3.9%和7.9%,明显优于基线模型。该模型在保证高检测精度的基础上,可以实现一般场景中的实时图像处理。