关键词： 视觉SLAM   目标检测   室内动态环境   光流法  

摘要： 针对同步定位与地图构建(Simultaneous Localization and Mapping, SLAM)系统在室内动态环境中存在鲁棒性变差、定位精度降低的问题,提出了一种基于改进YOLOv8n目标检测网络的室内动态视觉SLAM算法。首先,选择YOLOv8n网络作为基线,并采用Ghost卷积替换原卷积,同时增加一个小目标检测层,减小网络模型体积,提高模型检测速度。其次,将改进的YOLOv8n目标检测网络与LK稀疏光流法结合,并引入视觉SLAM系统跟踪线程中,对场景中动态目标进行识别判断,筛选并剔除动态特征点;最后,仅使用静态特征点进行特征匹配和位姿估计。实验结果表明,在TUM数据集动态序列下相较于ORB-SLAM2,绝对轨迹均方根误差平均降低了96.62%,显著提高系统的鲁棒性和定位精度。与DS-SLAM、DynaSLAM等系统相比,该系统也能更有效平衡检测速度与定位精度。To address the issues of reduced robustness and lower localization accuracy in Simultaneous Loca- lization and Mapping (SLAM) systems within dynamic indoor environments, an indoor dynamic visual SLAM algorithm based on an improved object detection network is proposed. First, the YOLOv8n network is selected as the baseline, and Ghost convolution is employed to replace the original convolution, along with the addition of a small object detection layer to reduce the model size and improve detection speed. Second, the improved YOLOv8n object detection network is integrated with the Lucas-Kanade sparse optical flow method and is introduced into the tracking thread of the visual SLAM system to identify and filter out dynamic feature points from the scene. Finally, only static feature points are utilized for feature matching and pose estimation. Experimental results indicate that, on the dynamic sequences of the TUM dataset, the root mean square error of the absolute trajectory is reduced by an average of 96.62% compared to ORB-SLAM2, significantly enhancing system robustness and localization accuracy. Compared to systems such as DS-SLAM and DynaSLAM, this system also effectively balances detection speed and accuracy.

关键词： 电力安全带   深度学习   目标检测   检测精度   检测速度  

摘要： 针对室外电力检修场景成像干扰大、图像背景复杂、电网检修作业人员未能及时正确佩戴安全带的问题,提出了一种电力安全带的智能检测方法。首先,利用均值聚类训练目标框来调整网络的锚框,使网络获得检测目标的先验知识;然后,在主干网络中提取更加丰富的特征图,使用广义交并比损失代替原始边框的回归损失;最后,通过预测层直接回归目标类别。研究结果表明,相较常规检测方法,采用所提方法平均检测精度为83.15%,且检测速度可达到每秒62帧,兼有更高的检测精度和更快的检测速度。

关键词： 图像处理   量子形态学处理   量子图像表示   量子形态学膨胀   量子形态学腐蚀  

摘要： 为解决量子计算机上图像的形态学处理问题,研究了几种量子图像的形态学处理方法。首先,提出了一种改进的任意大小图像的量子描述方法,该方法对于像素值和像素位置均采用量子基态描述,其中描述像素位置的量子基态数量等于像素个数。随后,通过设计“膨胀、腐蚀”这两种基本操作的量子线路,设计出几种二值图像的量子形态学处理方法,包括:图像去噪、边界提取、骨架提取。最后,通过经典计算机上的仿真,验证了所设计的几种量子形态学方法的执行效果,并基于所用基本量子门数量分析了量子线路的复杂度。研究结果表明,本工作提出的方法可以实现对经典方法的加速。

关键词： 阳性细胞   目标检测   YOLOv5s   免疫组织化学   生存预测  

摘要： 目的:提出一种基于改进YOLOv5s的免疫组化阳性细胞计数方法。方法:首先,针对阳性细胞的小目标特征,增加小目标检测层细化特征提取;其次,在颈部网络中使用双向加权特征金字塔网络替换PANet结构,实现多尺度特征融合;再次,增加坐标注意力机制CA模块,使模型更加关注小目标特征;最后,用EIoU损失函数替换原有的GIoU,增强模型检测性能。结果:在自建的免疫组化图像数据集上进行训练,改进后的模型平均精确率为89.3%,较原模型提升4.0%,且优于其他主流目标检测模型。同时,基于该方法构建的5年生存预测模型平均准确率为76.8%,平均AUC为0.81,表明模型具有较好的预测能力。结论:本研究模型能够快速检测免疫组化阳性细胞数量并有效地辅助医生进行生存预测工作。

关键词： YOLOv8s   目标检测   矿井   effectiveSE   安全帽检测  

摘要： 矿井下光照缺失、环境复杂,安全帽目标尺寸较小,导致一般目标检测模型对安全帽的检测效果不佳.针对上述问题,提出了一种基于改进YOLOv8s的矿井下安全帽佩戴检测模型.首先,将effectiveSE模块和YOLOv8s Neck层中的C2f模块相结合,设计得到新的C2f-eSE模块,提高了网络结构的特征提取能力,并用Wise-EIoU损失函数替代CIoU损失函数,提高了模型的鲁棒性;其次,在检测头中引入空间和通道重建卷积模块SCConv,并根据参数共享思想设计了新的轻量化SPS检测头,降低了模型的参数量和计算复杂度;最后在模型中增加一层P2检测层,使模型的特征提取网络融入更多的浅层信息,提高了对小尺寸目标的检测能力.实验结果表明,改进后模型的mAP50指标提升了3.2%,参数量降低了1.6%,GFLOPs降低了5.6%.

关键词： 文本生成图像   扩散模型   计算机视觉   人工智能   社会伦理  

摘要： 文本生成图像技术在人工智能和计算机视觉领域取得了显著进展,能够将文字描述转化为视觉图像,为信息传达提供了全新的方式。研究文献表明,从早期的词汇与图像关联分析到当前的深度学习模型,这项技术经历了快速的发展。尤其是扩散模型,因其卓越的生成能力和图像质量,近年来备受关注。文章深入探讨了去噪扩散概率模型、基于分数的生成模型以及基于随机微分方程的生成模型的原理与优势。同时,讨论了扩散模型技术可能面临的技术风险和社会伦理问题,并提出了相应的应对策略。最后,总结了文本到图像生成技术的未来挑战和研究方向,指出了扩散模型的巨大潜力及其进一步发展的前景。

关键词： 道路工程   融合算法   高速公路收费站   目标检测   电子车牌  

摘要： 塞内加尔高速公路收费系统效率不高,尤其在节假日突发性车流井喷情况下,收费站易出现严重拥堵和延误。该文通过分析塞内加尔高速公路现有收费方式的局限性,将图像检测算法和电子车牌识别技术与现有的MTC及ETC收费方式相结合,构建了基于车辆信息识别的融合收费方式,旨在对塞内加尔高速收费系统进行优化,降低其使用成本,提升收费效益。以塞内加尔BPV Thiès收费站为例,针对不同布设方案进行试验仿真,结果表明:与现状收费方式相比,高峰时段可以分别减少34.99%和62.49%的进站延误,以及38.01%和62.44%的出站延误;当ETC渗透率提高到50%时,融合收费方案进一步降低进出站的平均延误分别达到80.57%和79.64%。由此可见,融合收费技术能够显著提高收费效率,对塞内加尔地区高速公路收费方式具有实际指导意义。

关键词： G-YOLO v7   目标检测   GhostNet   YOLO v7   无人机图像(UAV)  

摘要： 针对传统无人机(unmanned aerial vehicle,UAV)目标检测算法存在漏检率高、检测成功率低、模型体积大等问题,提出一种新的基于GhostNet和注意力机制的大检测头网络结构的目标检测方法G-YOLO v7(GhostNet YOLO v7)。该技术在YOLO v7-tiny的基础上增加一个大尺寸160×160目标检测头以提升小目标检测能力,同时对网络进行轻量化处理。删除原有20×20的小检测头及其卷积结构,新增GhostNet卷积模块,以减少网络的参数量,降低模型体积,同时修改损失函数为WIoU(wise intersection over union),增加PCBAM(parallel convolutional block attention module)注意力模块以提升检测精度。实验结果表明,基于G-YOLO v7网络结构的目标检测的mAP@0.5为42.3%,较YOLO v7-tiny提升5.2%,较YOLO v8n提升7.4%。G-YOLO v7的参数量和模型体积仅为YOLO v7-tiny的33.9%和37.9%,YOLO v 8n的64%和75.6%,能够有效地应用于无人机航拍图像目标检测。

关键词： 护目镜佩戴检测   数据增强   目标检测   SPD   坐标注意力机制  

摘要： 目的解决目前危化实验室、工厂等危险环境下护目镜佩戴情况检测存在的人工检查效率低下、无法有效保障人员眼部安全等问题。方法首先构建出护目镜佩戴检测数据集,其中包含4个真实场景图片与部分网络爬取数据集,并通过数据增强等手段将原始的3383张扩充至5462张图片,构成最终数据集,使各个样本数量达到均衡,有效预防了因样本不均衡导致的模型精度低的问题;接着提出改进型YOLOv5目标检测算法来实现对护目镜佩戴情况的自动检测,算法在YOLOv5中添加SPD小目标检测模块,该模块完全消除了传统卷积模块中导致信息丢失的步长卷积和池化操作,使网络保留更多信息,引入坐标注意力机制解决了因添加SPD带来的相邻位置关系无法有效提取的问题;同时,将原本的损失函数替换为SIoU损失函数,有效解决了真实框与目标框相互包含情况下的IoU计算问题,减少了计算自由度,降低了模型计算量,提升了模型准确率。结果在护目镜配戴检测数据集上的实验结果表明:改进型的YOLOv5模型在护目镜佩戴检测数据集上的平均精度为72.7%,相较于原始YOLOv5模型平均精度提高了5.6%。结论该模型实现了对复杂环境下护目镜佩戴情况的基本检测。

关键词： 开放世界目标检测   自适应得分   未知目标特征强化   偏移过滤  

摘要： 开放世界目标检测(open world object detection,OWOD)是一个计算机视觉挑战,聚焦于现实世界环境,其不仅要检测出标记出的已知物体,还需要能处理训练过程中被忽视的未知物体。针对已知和未知物体的检测混淆、密集未知目标和小目标遗漏等问题,提出了一种新的基于偏移过滤和未知特征强化的开放世界目标检测器(offset filter and unknown-feature reinforcement for open world object detection,OFUR-OWOD)。首先设计一个未知类特征强化(unknown class feature reinforcement,UCFR)模块,通过自适应未知对象得分的方法来强化未知类目标特征,进而提高模型对未知类对象的训练准确度。然后,将重叠框偏移过滤器(overlapping box offset filter,OBOF)应用于目标预测框,根据目标位置和大小,获得不同偏移得分,以过滤冗余未知框。通过丰富实验证明,该方法在COCO-OOD和COCO-Mix上优于现有一些最先进的方法。