关键词： 目标检测   声呐图像   注意力   渐进式感知   损失函数  

摘要： 针对侧扫声呐图像分辨率低、轮廓模糊且存在目标形状畸变严重导致检测精度低的问题,提出一种渐进式动态锚点距离调控侧扫声呐图像检测网络。设计渐进式感知主干网络利用卷积核感受野渐进扩张策略促进声呐图像稀疏目标由局部特征感知过渡到整体感知。针对侧扫声呐图像中实例尺度动态范围较大且轮廓模糊易导致预测边界框定位不准确问题,提出动态锚点距离定位损失函数以动态最小化预测边界框与真实值边界框点距。构建空间定位分组聚合注意力模块,将分组聚合自注意力建立长距离依赖与通道位置注意力建立上下文相关性结合,进一步挖掘水下稀疏目标特征信息。实验结果表明,提出的声呐图像检测算法较基准网络在平均检测精度方面提升6.3个百分点,达到88.2%,检测速度达到149帧/s,从而验证了该算法对侧扫声呐图像检测的有效性。

关键词： 动态称重   计算机视觉   轴重   影响线   影响因素  

摘要： 桥梁动态称重系统(BWIM)具有易安装、高精度且不需要中断交通等优点,近年来受到广泛关注。然而该系统往往假定车辆匀速过桥,可能与实际不符,使用的应变传感器精度易受环境影响且耐久性不足。本文将深度学习方法与计算机视觉技术相融合,提出基于位移影响线的非接触式动态称重系统,仅需两台相机即可实现对车辆实时速度、轴距、轴重等信息的识别。一台相机用来记录车辆通过时桥梁的位移响应,另一台相机实现对轮轨位置的实时追踪。针对桥梁位移监测目标固定、振动幅度小、测量精度要求高的特点,采用连通域分割匹配法以识别桥梁位移;鉴于车辆追踪目标运动范围大、对环境敏感、实时性强而精度要求相对较低的特点,将基于深度学习的YOLOv5s算法作为检测器,结合DeepSort算法共同构成目标追踪系统以实现车辆轮迹的实时追踪。为验证该方法,开展了模型试验和现场实测,最后讨论了轴重识别精度的主要影响因素。结果表明:非接触式动态称重系统能较好地应用于非匀速工况并能有效克服目标遮挡问题,具有较好的应用前景。

关键词： 无人机技术   输电线路   智能监测   图像处理   故障诊断  

摘要： 本文针对传统输电线路人工巡检效率低、安全风险高等问题,提出了一种基于无人机技术的输电线路智能监测与诊断方法。以六旋翼无人机为核心的监测平台,采用RTK-GPS和IMU组合导航方案实现高精度定位,基于改进RRT*算法进行路径规划。在图像处理方面,提出了多尺度特征融合的预处理方法和基于深度学习的目标检测与分割算法。针对故障诊断,构建了多维故障特征描述模型和基于图神经网络的诊断框架。实验结果表明,该方法在实际输电线路监测中取得了良好效果,目标检测准确率达95.30%,故障诊断准确率超过90%,显著提升了输电线路智能化运维水平。

关键词： 小肠病变   胶囊内镜   人工智能   深度学习   图像分割   YOLO   计算机视觉  

摘要： 目的 构建人工智能辅助系统,实现小肠胶囊内镜(SBCE)图像中8类病变的自动检测与分割。方法 整合3个数据集的SBCE图像,使用LabeMe工具多边形标注病变,并转换为YOLO模型兼容的格式,用于神经网络模型的训练、验证与测试,包含13 983张图像和17 911个注释标签。模型性能评估指标包括精确率、灵敏度、50%交并比阈值下的平均精度(mAP^(50))、50%~95%交并比阈值下的平均精度均值(mAP^(50~95))、推理速度等指标。结果 共开发出5种不同规模的YOLO v11分割模型(v11n、v11s、v11m、v11l、v11x)。其中,YOLO v11m在保持最高mAP^(50)(0.908)的同时,实现了较快的推理速度(208.3帧/s),因此被选为最佳模型。在外部测试集中,YOLO v11m对8类小肠病变的分割任务取得了0.892的总体mAP^(50),其中息肉和淋巴管扩张的分割精度最高,mAP^(50~95)分别为0.723和0.707,而出血类别的mAP^(50~95)最低,仅为0.409。结论 基于YOLO v11神经网络开发的SBCE图像分割模型YOLO v11m具有良好的识别性能,能够自动实现多类别小肠病变的精准定位、分类,并准确勾勒病变的像素级轮廓。

关键词： 深度学习   视觉跟踪   Siamese网络   批量归一化   注意力机制   改进ResNet网络  

摘要： 为了增强利用残差网络提取的目标特征,在ATOM50算法基础上提出了一种基于改进的ResNet网络和特征融合的目标跟踪算法。在ResNet-50骨干网络中使用结合无批处理归一化和位置感知循环卷积的增强瓶颈块,有效增强了全局信息的捕获能力,并减缓了跟踪过程中的偏移累积;对提取的特征采用注意力特征融合模块,通过融合浅层特征的细节和深层特征的语义信息,进一步增强特征对目标的表达能力。利用OTB2015、VOT2018和LaSOT数据集对所提算法进行验证,在OTB2015上成功率和精确度分别达到了70.2%和91.1%,与基准算法ATOM50相比,成功率和精确度分别提升了1.2%和1.5%;在VOT2018数据集上,期望平均重叠率提升了4.4%;在LaSOT数据集上,成功率和精确度分别提升了2.4%和2.9%;在OTB2015数据集上的平均跟踪速度达到34.3 f/s,确保了实时跟踪。

关键词： 计算机视觉   产业生态   数字经济   人工智能  

摘要： 作为全球数字经济的核心驱动力,人工智能正在重塑世界科技发展格局。我国人工智能产业市场规模大、应用场景丰富多元、政策体系持续完善,且已形成涵盖基础层、技术层和应用层的完整产业生态,展现出独特的发展优势。特别是在计算机视觉、语音识别等应用技术领域,我国企业已跻身世界第一梯队。然而,在高端芯片、基础算法等关键技术环节,我国仍面临“卡脖子”挑战,国际技术合作也遭遇地缘政治因素的制约。当前,我国正通过“自主创新+开放合作”双轮驱动,着力突破核心瓶颈,优化产业规制,构建安全可控的人工智能创新体系。这一发展路径不仅关乎我国在全球科技竞争中的地位,也将为新兴经济体探索技术突围提供重要借鉴。

关键词： 多移动机器人   深度学习   目标检测   能耗均衡   虚拟现实验证  

摘要： 多移动机器人在工业场景中面临动态障碍物环境下的路径规划与能耗均衡挑战,研究提升其作业效率与系统稳定性。本文分析了传统路径规划算法在动态障碍物适应性及能耗均衡性上的不足,结合深度学习目标检测算法提出一种多移动机器人路径规划框架,构建基于YOLOv5的动态障碍物实时检测模型与栅格地图更新机制,设计融合深度强化学习的任务分配策略并引入惩罚能耗优化能耗均衡性,开发Unity3D与ROS集成的虚拟现实验证平台。研究成果为动态复杂环境下多机器人协同作业提供高效路径规划方法,增强系统鲁棒性并降低运维成本,推动智能算法与机器人系统集成的工程应用发展。

关键词： Transformer   图像处理   语义分割   卷积神经网络   特征提取  

摘要： 为提高图像处理任务的完成质量和实时性,研究设计了一种结合Transformer技术的图像语义分割技术。过程中利用深度特征的空间和通道权重提升图像分割精度,通过子区域划分确定特征图的关键部分;加入通道敏感性权重进行信息优化,将不同尺度的特征图融合为一个统一的特征表示。在Visual Object Classes Challenge 2012数据集和Pascal-Person-Part数据集上,实验结果表明,该方法在高对比度图像中训练迭代次数达到29次时,损失值下降到接近0的位置并基本保持稳定;在公开视频数据集上的实验结果表明,研究方法在1 080 p分辨率和30 FPS的视频数据上,实现了每帧约9 ms的处理速度,整体处理延迟控制在0.3 s以内。实验表明,研究方法具有更强的图像特征实时提取性能,能够更准确合理地进行图像语义分割。

关键词： 计算机视觉   印染助剂   质量控制  

摘要： 印染助剂作为纺织品加工的关键辅料,化学稳定性与工艺适配性直接影响染色均匀度、色牢度等级及环境排放指标。传统质量控制体系依赖理化分析设备与人工目检,存在检测周期长、标准主观性强、缺陷溯源困难等瓶颈,难以满足高速连续化生产需求。近年来,高光谱成像技术与深度神经网络的发展,为建立非接触式、高通量质量检测体系提供了新范式。系统梳理计算机视觉技术在分散效率评估、组分异质识别、工艺参数反演等质量控制环节的创新应用,对比分析卷积神经网络、三维重建等算法在复杂工业场景下的适应性改进策略,建立跨模态数据融合与关键质量指标可视化之间的理论关联。

关键词： 深度学习   无人机遥感   目标检测   多尺度特征融合   YOLOv5算法  

摘要： 随着无人机技术和深度学习的快速发展,基于深度学习的无人机遥感影像目标检测技术取得了显著进展。研究分析了YOLOv5、FasterR-CNN等主流深度学习目标检测算法在无人机遥感影像中的应用特点,针对遥感影像中目标尺度多变、背景复杂等问题,提出了一种改进的多尺度特征融合检测框架。通过在典型场景数据集上的对比实验,验证了所提方法在检测精度和实时性上的优势,平均精度达到91.2%,相比基准模型提升3.4个百分点,为无人机遥感影像目标检测任务提供了新的技术方案。