关键词： 计算机视觉   增强现实   数字空间   虚拟现实   云计算   沉浸式   空间数据处理   空间计算  

摘要： 空间计算(Spatial Computing)是一项基于空间数据处理以及增强现实、虚拟现实和混合现实技术的前沿技术,能够通过感知、处理和理解真实世界的空间数据来构建虚实融合的数字空间。近年来,随着5G网络的普及、物联网(IOT)技术的快速发展以及硬件设备的不断进步,空间计算技术在多个行业中得到了广泛应用,包括游戏、医疗、制造等领域。这一技术还得益于计算机视觉、人工智能(AI)、云计算与边缘计算的协同发展,使得计算系统能够实时感知并理解三维空间的动态变化,为各行业提供更加沉浸式、智能化的解决方案。

关键词： 目标检测   BiFormer   注意力机制   损失函数   YOLOv5  

摘要： 针对水下生物目标检测的挑战,提出了一种基于YOLOv5改进的高效模型。通过引入BiFormer注意力机制、创新性的Focal-ShapeIoU损失函数,模型在水下生物特征提取、类别不平衡处理、细节恢复和计算效率方面均得到显著提升。实验结果显示,相较于原始YOLOv5,改进后的YOLOv5在水下生物目标检测任务上的准确率提高了4.1%,验证了改进策略的有效性。

关键词： 家畜   体尺测量   体重预估   图像处理   计算机视觉  

摘要： 家畜的体尺参数和体重数据是衡量生产繁育特性的主要参数之一,可为优良品种的选择提供主要参照数据。传统的家畜体尺、体重测量方法费时费力,且受个人等主观因素干扰较大,严重损害动物福利。随着现代科学技术水平的提高,家畜体尺及体重自动测量技术的发展取得了显著进展。作者对当下主流的体尺测量和体重预估方法进行总结,全面阐述了数据采集和处理方法、家畜体尺测量和体重预测的研究现状、方法特点及优缺点,通过了解高效的现代技术手段,准确地对家畜进行体尺测量和体重预估,进而帮助养殖者更好地管理畜群,预测生长趋势,评估畜体健康状况,提高生产效率。作者还对基础自动测量领域的研究现状和发展趋势进行了展望,旨在为家畜体尺测量技术研究提供参考。

关键词： 深度学习   3D目标检测   点云   随机采样   局部特征聚合   注意力机制   自动驾驶  

摘要： 针对当前两阶段的点云目标检测算法PointRCNN:3D object proposal generation and detection from point cloud在点云降采样阶段时间开销大以及低效性的问题,本研究基于PointRCNN网络提出RandLA-RCNN(random sampling and an effectivelocal feature aggregator with region-based convolu-tional neural networks)架构。首先,利用随机采样方法在处理庞大点云数据时的高效性,对大场景点云数据进行下采样;然后,通过对输入点云的每个近邻点的空间位置编码,有效提高从每个点的邻域提取局部特征的能力,并利用基于注意力机制的池化规则聚合局部特征向量,获取全局特征;最后使用由多个局部空间编码单元和注意力池化单元叠加形成的扩展残差模块,来进一步增强每个点的全局特征,避免关键点信息丢失。实验结果表明,该检测算法在保留PointRCNN网络对3D目标的检测优势的同时,相比PointRCNN检测速度提升近两倍,达到16 f/s的推理速度。

关键词： 合成孔径雷达   目标检测   小目标   遥感图像   深度学习   YOLO模型   计算机视觉  

摘要： 针对SAR图像上的小目标难以被检测的问题,提出一种STSAR-YOLOv5目标检测算法。在YOLOv5基础上增加一层检测头捕捉小目标;在骨干网络部分加入BoTNet模块,其具有全局信息获取能力,能够在高度密集场景下定位小目标。在自主构建的SSAD数据集上进行对比实验,实验结果表明,STSAR-YOLOv5的检测效果较YOLOv5有明显提升,该方法平均检测精度(mAP_0.5:0.95)提高了7.8%。相比YOLOv5算法,该算法对SAR图像中的小目标表现出较好的检测性能和鲁棒性。

关键词： YOLOv8   深度学习   计算机视觉   神经网络   目标检测  

摘要： 采摘机器人可以提升效率降低成本。多数采摘机器人使用YOLOv5/v7算法,但这些算法在识别成熟度上有局限,易误采。为此,基于YOLOv8算法并对其进行改进,可以提高成熟度识别准确性,通过对由西红柿制成的数据集为样本进行实验分析,实验结果采用混淆矩阵、精确置信曲线、F1置信度曲线、召回置信度曲线,及其标签图像等指标来反映实验结果。改进后识别率最高达91.4%,优于原YOLOv8的86%。同时该系统具有较高的通用性,后期可以整合到采摘机器人中。

关键词： 喷雾   锥角   OpenCV   图像处理  

摘要： 喷嘴作为船用内燃机的核心部件,其喷雾锥角直接影响了内燃机的雾化效果和燃烧效率。常规喷雾锥角测量采用人工观察锥角投影面,具有操作要求高和测量精度低的问题。为避免这一问题,采用视觉摄像头捕捉喷雾形态,基于OpenCV视觉开发包,结合Python编程平台,采用感兴趣区域(ROI)提取、腐蚀、膨胀、边缘检测、直线检测和锥角计算等系列算法对图像特征进行处理,实现喷嘴喷雾锥角自动计算,获得了较好的自动锥角计算效果。该算法可拓展应用于各类喷嘴的性能试验。

关键词： 目标检测   半监督   稠密伪标签   阈值   软伪标签  

摘要： 为了解决当前半监督三维目标检测算法中,传统的固定阈值方法在过滤伪标签时不够灵活,舍弃了大量有价值的伪标签,没有充分利用潜在有价值样本的问题,提出了一种基于潜在有价值样本挖掘的半监督三维目标检测方法。首先,不再使用固定阈值过滤伪标签,采用基于得分聚类的自适应阈值生成方法,分别为不同的类别生成过滤伪标签时需要的阈值,保留更多有价值的伪标签;其次,由于标签由类别和边界框信息组成,提出了一种联合置信度过滤伪标签的方法,使用对象置信度、分类置信度和IoU置信度的乘积来过滤伪标签,改善伪标签的质量;最后,对样本数量较少的类别生成稠密伪标签,筛选未通过联合置信度过滤的部分数据,以软伪标签的形式保留伪标签,更充分地利用潜在有价值的样本。在KITTI数据集上,与PV-RCNN方法相比,所提方法在仅1%标记数据的情况下,汽车类提高了6.5百分点,行人类提高了9百分点,自行车类提高了25百分点,实验结果证明了所提方法的有效性。

关键词： YOLOv8   深度学习   烟草植株   计数   目标检测  

摘要： 【目的】实现不同生长时期烟草植株的快速检测与精准计数,针对烟草生长过程中存在的叶片交叉以及植株之间不同程度的重叠遮挡等情况,提出一种基于改进YOLOv8的不同生长期烟草植株检测与计数方法。【方法】以YOLOv8网络框架为基础,将特征融合模块改进为渐近特征金字塔网络(Asymptotic Feature Pyramid Network,AFPN),避免跨层融合时非相邻层之间的较大语义差异,提高了烟叶交叉情况下的检测精度;采用空间金字塔池化快速跨阶段部分通道模块(Spatial Pyramid Pooling Fast Cross-Stage Partial Channel,SPPFCSPC)替换原空间金字塔池化结构,极大程度地解决重复特征提取的问题,降低模型复杂度;将损失函数优化为边界框回归损失函数MPDIoU(Minimum Point Distance Intersection over Union),有效减少遮挡导致的烟叶漏检情况;通过搭载DeepSORT(Deep Simple Online and Realtine Tracking)目标跟踪算法实现植株计数功能。【结果】本研究建立的模型在目标检测中的平均精确率达到了95.9%,相比于原模型提高3.6%,与Faster R-CNN、SSD、CenterNet、YOLOv5n、YOLOv7等模型相比分别提高22.6%、4.8%、18.8%、7.1%、4.2%;在计数任务中,MOTA最高达到93.41%。【结论】本研究建立的模型能够实现对不同生长时期烟草植株的快速检测与精准计数,为烟草种植业的智能化管理提供了新的思路和方法,有助于推动烟草产业的现代化进程。

关键词： YOLOv8   航拍图像   目标检测   注意力机制  

摘要： 针对无人机航拍图像小目标检测精度低的问题,提出一种改进YOLOv8s的小目标检测算法。算法网络中,通过增加协调注意力机制(Coordinate Attention,CA)来提升目标特征提取能力;改进C2f模块并在颈部网络中引入CARAFE上采样算子,从而降低模型参数,增强多尺度特征融合能力。同时,添加一个160×160尺度的小目标检测层去替换大目标检测层,减少网络深度,提高模型对小目标的敏感度,解决误检漏检问题。实验结果表明:在VisDrone2019数据集上,相较于原YOLOv8s,改进算法的精确率P提升了6.95%,召回率R提升了8.36%,平均精度mAP50提升了13.06%,并且参数量降低了73.02%。改进算法在小目标检测方面展现出良好性能,在多项指标上优于其他YOLO系列算法,体现了其在小目标检测领域的竞争力。