关键词： 马   体尺   Kinect   图像处理   目标检测  

摘要： 为了解决运动马体尺测量传统方法存在主观性强、准确性差、人马安全隐患多等问题,试验采用融合Kinect v4传感器采集的多源图像,包括彩色图像和深度图像,无接触测量马的体尺数据。先在彩色图像中利用YOLOV5S目标检测模型检测体尺特征区域;之后将体尺特征区域映射到深度图像中,采用Canny轮廓提取算法在局部区域深度图像上提取轮廓;最后在轮廓上采用3点圆弧曲率极值搜索算法提取体尺测点,融合深度信息计算马的体高、体斜长和腹围体尺参数,并对3个不同品种、30匹马进行了现场测试。结果表明:利用多源图像融合的体尺测量方法测得的体高、体斜长、腹围测量值与真值的最大相对误差分别为1.76%、2.86%、7.96%,最小相对误差分别为0.59%、0.56%、1.16%,体高、体斜长及腹围的测量平均相对误差分别为0.96%、1.49%和4.25%。说明本试验建立的基于多源图像融合的运动马体尺测量方法可有效完成运动马体尺非接触式测量任务。

关键词： 车辆与行人检测   自动驾驶   深度学习   目标检测   坐标卷积   注意力机制   损失函数  

摘要： 为解决目标检测算法在自动驾驶领域检测精度不佳、实时性差、适应性不足等问题,提出一种改进的YOLOv7算法。在算法网络中添加坐标卷积,加强算法对目标位置信息的捕获能力;增加通道和空间注意力机制CBAM到神经网络中,增强算法的特征捕获能力;使用EIoU作为算法的损失函数,增加损失收敛速度。在智能交通BDD100K数据集上进行分析实验,与基准算法YOLOv7对比,平均精度均值(mAP)增长了3.48%,达到了77.55%,各个类别的平均精度(AP)有所提高。实验结果表明,改进后算法能够有效实现不同环境下车辆与行人的目标检测。

关键词： 目标跟踪   Transformer   轻量级   特征增强   边界框细化  

摘要： 针对复杂背景下目标跟踪算法成功率低等问题,提出了基于Transformer的轻量级单目标跟踪算法.算法采用在线时序自适应卷积提取目标局部特征,同时引入轻量级全局上下文模块提取全局特征,共同构建高效的目标模型.为了应对相似图细化中目标信息丢失的问题,构建了轻量特征增强模块,在不增加整体网络参数量的同时增强模型对目标的表达能力,从而提升模型的精确度.最后,算法增加了边界框细化模块,能够更好地保留目标的边界和尺度信息,提高跟踪的准确性.实验结果表明:在UAV123数据集上,相较于基准算法,本文方法的跟踪精确度和成功率分别提高了2.5%和6.9%;在LaSOT数据集上,跟踪精确度和成功率分别提高了8.8%和5.9%;在OTB100数据集上,跟踪精确度和成功率均提高了2.4%.

关键词： 水稻   稻穗表型   穗粒数   计算机视觉   可变形卷积  

摘要： 水稻穗粒数快速获取对筛选高产、优质品种具有重要意义,针对脱粒计数破坏稻穗拓扑结构,无法用于其他表型参数测量等问题,提出一种稻粒在穗计数方法。将稻粒在穗计数视为密度预测问题,基于可变形卷积,设计稻穗图像特征提取骨干网络,用少量选取的范本稻粒和稻穗图像的特征相关性,通过特征相关层生成特征相关图,在特征相关图基础上,重用并级联图像特征,预测稻粒密度分布,进而通过密度图求和,获取计数结果。试验结果表明,本文方法具有较高的计数精度,测试样本稻粒计数平均绝对误差(Mean absolute error,MAE)、均方根误差(Root mean squared error,RMSE)和平均相对误差(Mean relative error,MRE)分别为4.71、6.92和2.9%,MRE仅比人工走查高0.7个百分点,与现有基准方法(FamNet、CSRNet和ICACount)相比,MRE分别降低9.9、8.6、11.6个百分点;用可变形卷积设计的稻穗图像特征提取网络能有效提高稻粒计数精度,在参数量接近的前提下,基于该网络的模型MAE和RMSE比ResNet-50分别低19.3%和12.9%,模型具有良好的拟合能力,决定系数R^(2)达0.9405;相同网络架构下,可变形卷积比常规卷积在稻粒计数MAE和RMSE上分别降低28.9%和22.0%,MRE下降1.6个百分点;图像特征重用对提高稻粒计数精度具有重要作用,使模型在测试集上的MAE和RMSE下降27.6%和22.1%,MRE下降2.2个百分点。该方法单幅稻穗图像处理时间为0.92 s,有效提高了工作效率,可为稻穗表型检测和平台设计提供技术参考。

关键词： 骨折   压缩性   腰椎   体层摄影术   X线计算机   图像处理   计算机辅助   压缩程度  

摘要： 目的探究腰椎压缩性骨折应用CT平扫及后处理图像技术的诊断价值。方法纳入73例于我院2020年7月至2023年8月就诊的腰椎压缩性骨折患者,均行CT平扫及CT后处理图像技术检查。对比不同检查方法在腰椎压缩性骨折分型中的检出率、在不同节段腰椎压缩性骨折中检出率及椎体压缩程度检出率。结果与CT平扫相比,CT后处理图像技术在腰椎压缩性骨折分型中的总检出率较高(P<0.05)。73例腰椎压缩性骨折患者中,共检出腰椎椎体变形88个。CT后处理图像技术在不同节段腰椎压缩性骨折中的检出率为98%,高于CT平扫的85%(P<0.05)。CT后处理图像技术在<1/3椎体压缩程度检出率中均高于CT平扫,差异有统计学意义(P<0.05);2种检查方法在1/3~1/2椎体、>1/2椎体压缩程度检出率比较中,差异无统计学意义(P>0.05)。结论CT平扫及CT后处理图像技术均可有效鉴别诊断腰椎压缩性骨折,但CT后处理图像技术在腰椎压缩性骨折中能够更加准确地对骨折进行分型,可明确具体的骨折节段及压缩程度,有助于为手术方案制定提供可靠的影像学参考依据,具有较高的临床应用价值,值得推广应用。

关键词： 目标检测   小目标检测   海洋垃圾检测   EMA注意力机制   Stem模块   YOLOESD  

摘要： 海洋垃圾不仅严重威胁海洋动物的健康及其栖息地,由其释放的有毒物质进入食物链后对人类身体健康同样造成消极影响。由于海洋图像受到光照投影的影响,并且垃圾的尺寸通常较小,以往的目标检测算法对海洋垃圾的检测性能并不理想,因此提出了一种基于YOLOv8网络模型的改进算法(YOLOESD),该算法共有三个改进点:首先,采用Stemblock模块替换了模型的初始卷积,在减少模型参数量的同时,提高模型检测的精确度;其次,融合高效多尺度注意力模块(EMA),有效减少了模型的漏检和误检问题;最后,在原模型的头部额外增加一个小目标检测头,提高模型对小尺度目标的敏感度。实验结果表明,改进后的YOLOv8网络模型与原网络模型相比,漏检情况得到明显改善,mAP@0.5达到90.8%,精度提高了3.6个百分点;YOLOESD网络模型的检测效果优于原网络模型及经典的网络模型。

关键词： 深度学习   图像数据增强   图像识别   泛化性能   计算机视觉  

摘要： 深度学习已经在许多计算机视觉任务中取得了显著的成果.然而,深度神经网络通常需要大量的训练数据以避免过拟合,但实际应用中标记数据可能非常有限.因此,数据增强已成为提高训练数据充分性和多样性的有效方法,也是深度学习模型成功应用于图像数据的必要环节.系统地回顾不同的图像数据增强方法,并提出一个新的分类方法,为研究图像数据增强提供了新的视角.从不同的类别出发介绍各类数据增强方法的优势和局限性,并阐述各类方法的解决思路和应用价值.此外,还介绍语义分割、图像分类和目标检测这3种典型计算机视觉任务中常用的公共数据集和性能评价指标,并在这3个任务上对数据增强方法进行实验对比分析.最后,讨论当前数据增强所面临的挑战和未来的发展趋势.

关键词： 电子纸技术   图像再现   颜色特性   误差扩散  

摘要： 四色电子纸再现彩色图像会损失细节,不同算法再现效果不同。基于色差最小和误差扩散,优化设计了两种图像再现算法,以3幅图为对象,获取了相应的黑、白、红、黄四色电子纸图像。研究结果表明,优化的误差扩散法能保留更多图像细节、呈现更好的视觉效果。

关键词： 识别   目标检测   计算机视觉   轻量化模型   青杏   自动化农业  

摘要： 为解决青杏识别易受田间复杂环境、设备计算资源等限制的问题,该研究提出一种MCBPnet轻量化青杏识别模型。该研究使用MobileNetV3轻量化网络结构代替YOLOv8的主干特征提取网络,降低了模型的复杂程度;在MobileNetV3网络中融入CBAM(convolutional block attention module),在颈部网络引入了BiFPN(bi-directional feature pyramid network)结构,提高模型对青杏图像的特征提取和融合的能力;检测头部分采用了PConv(partial convolution)结构,以提高模型的鲁棒性和检测精度。将MCBPnet模型应用于青杏检测试验,结果表明,MCBPnet模型的检测速度为109.890帧/s,与YOLOv8n模型相比提高了70.33%,模型运算量为6.1 G,为YOLOv8n模型的75.31%,并且精确度(precision,P)和平均精度值(mean average precision,mAP50)达到了0.988和0.994,模型具有较高的检测精度,同时实现了模型的轻量化。MCBPnet模型实现了对青杏果实的高效、精确的实时检测,为青杏的自动化识别和采摘提供了技术支持。

关键词： 图形增强   深度学习   海上油田   ROV   目标检测  

摘要： ROV是水下工程作业的重要工具,在海上油田开发生产中具有广泛的应用。图像是ROV获取水下设备表面信息的重要载体,受水下环境的影响,光在水中传播发生散射、折射现象,导致ROV水下目标图像存在失真模糊和分辨率低等问题。为此,开展水下图像增强处理和目标设施检测研究能够改善检测精度,提高ROV的自主能力。