关键词： 图像处理   图像降噪   深度学习   火焰光场图像   3维温度场重建  

摘要： 火焰光场图像在形成过程中夹杂的辐射噪声和成像噪声会降低火焰温度场3维重建精度,该文提出一种基于改进U型网络(UNet)的降噪模型,该模型针对辐射噪声和成像噪声的特性以及复杂火焰图像的纹理信息设计了背景净化模块和边缘信息优化模块。通过密集卷积操作对图像背景层进行特征提取,着重净化夹杂在图像背景层的辐射噪声。通过UNet模块中对称的编码器-解码器网络结构和跳跃连接,对通道间的辐射噪声和表层的成像噪声降噪。最后利用边缘优化模块对图像细节信息进行提取,从而获得更高质量的火焰光场图像。数值模拟部分,在火焰光场图像上混合加入信噪比为10 dB的辐射噪声和成像噪声,经该文模型降噪后的峰值信噪比(PSNR)和结构相似指数(SSIM)高达47 dB和0.9931,与其他降噪模型相比有明显优势。随后,将火焰光场图像先经该文降噪模型降噪,再进行温度场重建,测得重建平均相对误差比未降噪时降低了约37%~57%,明显提升了火焰温度场3维重建的精度。实验部分,获取真实蜡烛火焰和丁烷火焰光场图像,经该文降噪模型降噪后的蜡烛火焰图像SSIM高达0.9870,降噪后的丁烷燃烧火焰图像SSIM为0.9808。

关键词： YOLOv5s   目标检测   注意力机制   损失函数   行人检测  

摘要： 为了提高图像目标检测的准确率,提出一种结合注意力机制的YOLOv5s目标检测算法。首先,针对局部遮挡以及小目标难以检测的问题,在YOLOv5s主干网络中引入注意力机制以提高目标检测算法对重要区域的特征提取能力;然后,为降低模型复杂度并加快网络收敛速度,使用SIoU损失函数替换YOLOv5s原有损失函数CIoU;最后,利用改进模型与人群检测算法进行对比试验,分析模型行人检测能力。在VOC2007数据集上的对比实验表明,改进后的YOLOv5s目标检测算法平均准确率达到了70.5%,有效改善了复杂背景下的行人检测效果,同时实现了网络的轻量化。

关键词： 遥感影像   目标检测   局部无参注意力(LPFA)   最优传输距离   联合损失函数  

摘要： 目的遥感目标检测技术在遥感测绘、智慧城市、乡村振兴和国防军事等领域具有广泛应用,但遥感影像存在背景信息复杂、待检目标小且多等特点,导致目标特征随着网络加深淹没在背景信息中,不利于后续检测任务。针对此问题,基于YOLOv5s(you only look once)网络,提出一种局部无参注意力和联合损失的遥感目标检测方法。方法首先提出一种局部无参注意力机制,能够根据当前特征提高局部区域内的目标关注度,而不引入训练参数,以此构建无参注意力残差块,并将其嵌入到骨干网络的不同阶段,实现多尺度目标特征增强和背景信息抑制。在此基础上,利用最优传输距离度量边界框的相似性,构造W-CIoU(Wassertein-complete intersection of union)联合度量方法和相应损失函数,以缓解锚框与真实框差异过大导致的标签误分配问题,降低小目标漏检率。结果在RSOD(remote sensing object detection)和RSSOD(remote sensing super-resolution object detection)数据集上的实验结果表明,该方法在保证模型参数量和复杂度基本不变的前提下,其平均精度均值(mean average precision,mAP)分别达到98.2%及87.4%,相较两种主要对比方法DAB-DETR(dynamic anchor boxes for detection Transformer)和YOLOv8s,在RSOD数据集上分别提升0.8%和0.3%,在RSSOD数据集上分别提升2.9%和2.6%。结论本文方法能够抑制背景信息并增强目标特征,提高检测性能,相较对比方法能更好地满足复杂场景下小目标检测需要。

关键词： 漆面缺陷   图像处理   深度学习   缺陷检测法  

摘要： 旨在通过机器视觉技术提高汽车漆面缺陷检测的效率和准确性,提出一种基于机器视觉的改进的汽车漆面缺陷检测算法,主要通过比较深度学习方法,设计高效、稳定的检测系统,为汽车制造企业提供智能化检测解决方案,提升漆面质量和生产效率。该算法结合传统图像处理和深度学习方法,采用了多尺度图像金字塔、快速预筛选、轻量级深度网络、上下文感知模块和注意力机制等技术。在包含10000张图像的数据集上进行了试验,算法准确率达到96.8%,同时保持较低的计算复杂度。结果表明:该算法在准确性、效率和鲁棒性均优于现有方法。

关键词： 财务风险预警   人工智能   机器学习   计算机视觉   LSTM神经网络   电商企业  

摘要： 电子商务企业在激烈的竞争环境中财务风险日益增加,传统的财务管理手段已难以应对复杂的风险情境。为了提升电子商务企业财务风险预警能力,以美妆电子商务企业悠可为例,悠可通过引入机器学习、计算机视觉和深度学习等技术,构建了多维度的财务风险评估体系。机器学习模型通过挖掘历史财务数据,实现了对潜在风险的早期识别,计算机视觉技术提高了票据核验的自动化水平,而LSTM神经网络则大幅提升了现金流预测的准确性。研究表明,人工智能的应用显著提高了财务预警系统的效率和准确性,但也暴露出一些问题,如模型可解释性不足、票据识别的泛化能力有限及部分外部因素未纳入预测模型。针对这些问题,本文提出了进一步的优化建议,旨在为电商企业在数字化转型过程中有效管理财务风险提供参考。E-commerce enterprises are facing increasing financial risks in a fiercely competitive environment, and traditional financial management methods are no longer able to cope with complex risk scenarios. In order to enhance the financial risk warning capability of e-commerce enterprises, taking beauty e-commerce enterprise Youke as an example, Youke has constructed a multidimensional financial risk assessment system by introducing technologies such as machine learning, computer vision, and deep learning. Machine learning models achieve early identification of potential risks by mining historical financial data, computer vision technology improves the automation level of bill verification, and LSTM neural networks significantly enhance the accuracy of cash flow forecasting. Research has shown that the application of artificial intelligence has significantly improved the efficiency and accuracy of financial warning systems, but it has also exposed some problems, such as insufficient model interpretability, limited generalization ability of bill recognition, and some external factors not being included in the prediction model. In response to these issues, this article proposes further optimization suggestions aimed at providing reference for e-commerce enterprises to effectively manage financial risks in the process of digital transformation.

关键词： 动态卷积   自适应特征融合   损失函数   目标检测  

摘要： 针对摔倒行为检测精度不足、鲁棒性差等问题,提出一种基于动态卷积与自适应特征融合的摔倒检测算法,在YOLOv5基础上,首先采用动态卷积ODConv,多维注意力和并行策略;其次采用自适应特征融合ASFF,自主学习不同特征图的空间权重来提高特征图的交互性;最后使用了Focal-SIOU loss损失函数降低损失,结合以上改进获得摔倒目标检测系统网络为YOLOv5-OAF。仿真结果表明,改进的平均精度map达到84.30%,与原YOLOv5模型相比增加了3.6%,损失降低了0.010389,能够同时提高检测精度和小目标检测能力。

关键词： 车牌识别   图像处理   对数变换函数  

摘要： 汽车保有量持续增长促使交通管理在全球经济蓬勃发展的大背景下要求更高,需要更精准的车牌识别技术,但目前的车牌定位技术面临着诸多挑战尤其是在光照条件多变、背景环境复杂、车牌老化褪色、表面瑕疵等不利因素下,其定位精确度和效率受到了一定的限制,这是目前车牌定位技术所面临的诸多挑战。针对上述问题,通过引入分段对数变换技术,对中间亮度区域进行优化再降低整体亮度范围,通过精细化调控有效增强低光环境下的画面亮度,为车牌区域的初步识别打下坚实基础。此外为应对日间强光导致图像曝光过多的问题进一步整合自适应分段双边伽马变换增强算法,使高亮图像的视觉效果因其非线性对比度调节能力得到显著提升,车牌细节也更加清晰可辨。本文旨在通过整合上述先进的图像处理技术在一定程度上规避算法层面的亢余性,同时构建出一种更高效的车牌定位解决方案以应对现实世界中复杂多变的识别挑战。

关键词： 草莓目标检测   深度学习   注意力机制   轻量化模型   迁移学习  

摘要： 为实现草莓采摘时精准检测,同时考虑到嵌入式设备内存小、计算能力低下,而当下目标检测模型参数量和计算量巨大的问题,提出一种基于YOLOv5s的轻量化网络模型。首先,对YOLOv5s进行轻量化处理,利用深度卷积(DWConv)替换普通卷积,同时用C3Ghost模块替换原网络模型中的C3模块,降低模型的复杂度。然后,为增强主干网络对特征信息的提取能力,加强输入特征图通道间的信息交互,在主干网络的C3模块中融合高效通道注意力(ECA)结构,在特征融合网络添加无参数注意力模块(SimAM),使网络聚焦更多的有效特征信息,达到不增加模型的参数量,同时又提升模型识别精度的目的。最后,结合迁移学习加快模型收敛速度并进一步提升模型检测精度。结果表明,轻量化后的网络模型体积减小55.8%,计算量减少55.1%,在自制草莓数据集上的平均精度均值mAP@0.75达到74.9%,比原模型提高3.1%,单张图片平均推理时间仅6.4 ms,能够实现在草莓采摘任务中的精准快速检测,为草莓生产智能化提供支持。

关键词： YOLOv8s   局部全局自注意力   空间通道稀疏注意力   Soft-NMS  

摘要： 针对红外船舶图像检测中存在目标尺度变化大、密集堆叠目标多、小目标细节丢失等问题,提出了一种基于局部全局自注意与空间通道稀疏增强的红外船舶目标检测算法。首先,在YOLOv8s主干网络中融入局部全局自注意力模块,以获取更丰富的局部和全局特征,解决深度特征提取过程中的信息稀释丢失问题,实现细致化聚焦目标特征,增强特征间依赖关系,提高小目标的特征提取能力。其次,在颈部网络中加入空间通道稀疏注意力模块,将分块特征提取与通道稀疏策略深度融合,提升多尺度目标的空间信息捕获能力,重构通道信息,再对特征重标定,强化重要特征信息的影响,增强多尺度特征融合能力。最后,采用引入了递减置信度惩罚因子的Soft-NMS改进NMS,优化堆叠目标与小目标误检漏检的问题。实验结果表明,改进后的YOLOv8s模型相较于基准模型,在mAP0.5和mAP0.5∶0.95评价指标上分别提高了2.1%和4.4%,达到95.7%和72.8%,进一步验证了该算法在提升红外船舶目标检测精度上的有效性。同时,与其他经典模型和最新的YOLOv11模型相比,该算法在检测精度方面具有更好的性能。

关键词： 视频监控   人工智能   目标检测   行为识别  

摘要： 基于人工智能的视频安防监控智能识别与分析技术通过深度学习算法实现目标检测、行为识别和异常事件预警等功能。该技术在目标追踪、行为分析和场景理解等方面具有显著优势,可有效提升监控系统的智能化水平。通过优化神经网络模型结构,改进特征提取方法,显著提高了目标识别准确率和系统实时性。实验表明,该技术在复杂场景下仍能保持稳定可靠的识别效果,为智慧安防发展提供了新思路。