关键词： 计算机视觉   面部表情识别   头部姿态识别  

摘要： 随着教育技术的不断发展,如何评估学生的课堂专注度已成为一个重要课题。基于计算机视觉技术,设计并实现了一套系统,通过识别和分析学生的面部表情及头部姿态来评估其课堂专注度。系统采用CNN模型进行表情识别,并利用OpenFace2.0工具检测头部姿态,结合两者的结果,实现对学生专注度的实时监控,并生成相关评估数据。系统采用分层设计,包括数据获取、内容识别和结果分析等模块,最终将评估结果反馈给学生和教师,以优化教学效果。实验结果表明,该系统能够准确识别表情和头部姿态,并有效评估学生的课堂表现。

关键词： 多目标跟踪   目标检测   YOLOv8   ByteTrack  

摘要： 针对复杂街景中行人及车辆频繁遮挡导致目标跟踪难的问题,文章提出一种融合YOLOv8检测与ByteTrack跟踪的多目标跟踪算法。首先,该算法利用YOLOv8目标检测网络作为检测器,借助卷积神经网络架构、特征提取技术、多尺度检测和有效的损失函数,实现了快速而准确的目标检测;然后,通过引入ByteTrack算法关联每个检测框实现跟踪,有效利用被遮挡物体的碎片信息,解决低置信度的检测框漏检问题。实验结果表明,在公共数据集MOT16、MOT20中,所提算法能够实现98.0%的检测准确率、94.0%的平均精度均值(Mean Average Precision,mAP)以及同等的召回率,相较于以往YOLOv7、YOLOv7-ConvNeXt BLOCK等方法,其检测效率得到了显著提升。

关键词： 风电叶片   缺陷检测   Cascade R-CNN   目标检测   深度学习  

摘要： 风电叶片作为风力发电机组的关键部件,其表面缺陷的检测对于确保风电机组的稳定运行和延长使用寿命至关重要。传统的人工检测方法效率低、易受人为因素影响,提出了一种基于Cascade R-CNN的风电叶片表面缺陷检测方法。通过高分辨率无人机拍摄风电叶片表面图像,获取高质量的检测数据。采用Cascade R-CNN模型,该模型通过级联结构逐步提升检测精度,能够有效识别不同尺度的缺陷,如裂纹、划痕和腐蚀等常见损伤。为了提高模型的鲁棒性和泛化能力,采用了特征增强技术和多尺度特征融合方法,增强了模型对不同尺度和复杂特征的敏感度。通过数据扩充技术(如旋转、平移和缩放等变换)增加了训练样本的多样性,从而进一步提升了模型对不同光照、背景以及缺陷类型的适应能力。实验结果表明,该方法在平均精度(AP)上达到88.2%,在平均召回率(AR)上达到75.9%,显著优于传统检测方法,展示了更高的检测精度和效率。该方法不仅提升了风电叶片缺陷检测的精度和效率,也为风电叶片的智能化监控提供了有力的技术支持。

关键词： 卷积神经网络(CNN)   图像处理   图像分类   知识蒸馏  

摘要： 卷积神经网络(convolutional neural networks,CNN)作为一种高效的深度学习模型,在图像分类领域具有广泛的应用,然而,其计算复杂度和参数规模限制了在资源受限环境中的部署效率。针对这一问题,本研究重点探索通过知识蒸馏技术优化CNN的图像分类算法。通过分析该模型的数学原理,阐述其特征提取与分类能力,并结合知识蒸馏的基本原理对算法进行优化。实验以加拿大高级研究所(Canadian institute for Advanced Research 10,CIFAR-10)数据集为基础,测试优化后的学生模型与教师模型及未优化模型的性能差异。结果表明:优化后的学生模型在准确率、精确率和召回率等指标上均有显著提升,验证了该方法的有效性和实用性。

关键词： 同时定位与地图构建   目标检测   动态场景   光流法   几何对应神经网络  

摘要： 在传统视觉同时定位与地图构建(SLAM)算法中,通常假设环境中的物体处于静态。然而,实际应用中不可避免存在动态物体,其成像特征点参与特征匹配和位姿估计会引入误差,影响后端优化,进而削弱SLAM系统的鲁棒性,无法获得全局一致的位姿轨迹和地图。提出一种将几何对应神经网络(GCNv2)特征点提取与YOLOv8s-seg语义分割相结合的动态目标自适应分离的动态SLAM算法。首先,利用ORB-SLAM3框架提取基于GCNv2的特征点并生成相对应的描述子。然后,采用YOLOv8s-seg网络对动态物体进行分割,通过光流法对场景中的动态目标进行检测,同时,采用光流场统计目标动态程度,并基于动态程度自适应调整剔除动态特征点的阈值,剔除动态特征点以减小SLAM系统的位姿估计误差。最后,将静态特征点与ORB-SLAM3后端的非线性优化、闭环检测和局部建图进行融合。TUM数据集实验结果表明:所提算法在高动态场景下,相较于ORB-SLAM3绝对轨迹误差(ATE)的均方根误差(RMSE)平均下降77.75%,标准差(SD)平均下降69.75%;在与Dyna-SLAM和DS-SLAM的对比中也具有显著优势,有效提升ORB-SLAM3在动态场景下的定位精度与跟踪鲁棒性。

关键词： 热贡艺术   智能生成技术   服饰色彩设计   机器学习   计算机视觉  

摘要： 文章基于非物质文化遗产热贡艺术的色彩与图案特征,通过机器学习与计算机视觉技术,探究智能生成技术在服饰色彩设计中的创新应用路径。研究采用生成对抗网络(GAN)和变分自编码器(VAE)构建智能模型,提取热贡艺术的色彩、纹样元素,并生成融合传统与现代的服饰设计方案。结果表明,该技术显著提升了色彩搭配效率与设计创新性,成功将热贡艺术的红色、金色等核心色彩应用于现代服饰,实现文化符号的数字化传承。研究认为,智能生成技术为传统艺术与现代设计的深度融合提供了技术支撑,并为非遗文化的创新性转化开辟了新路径。

关键词： 机器人   无人机   目标检测   YOLO   通道注意力   Wise-IOU  

摘要： 采摘机器人或无人机等智能农业装备在进行视觉检测作业时往往背景环境复杂、画面中同时存在大量样本,而且现有目标检测方法对低质量样本考虑不充分,致使传统目标检测模型检测不准。该文提出一种基于YOLOv11-MW的轻量化农作物实时检测模型,在骨干网络的跨阶段部分连接与空间注意力结构(Cross Stage Partial with Spatial Attention,C2PSA)中提出一种基于混合局部通道注意力(Mixed Local Channel Attention,MLCA)机制模块,增强模型对大量样本的特征提取能力,可以克服复杂背景干扰并提升检测精度;将损失函数替换为Wise-IOU提出一种新的检测头WIOUv3-Detect(WDetect),降低因几何因素对低质量样本的过度惩罚,减少误识别、漏识别。实验结果表明,文中算法在满足边缘算力需求且提升计算速度的前提下,小麦样本检测精度mAP提升1.2%,葡萄样本提升1.9%,更均衡、更准确地进行农作物检测。

关键词： YOLOv8   目标检测   复杂城市交通   环境感知   智慧交通  

摘要： 基于机器视觉的环境感知技术是智慧交通领域的关键任务之一.传统深度学习算法通常只能满足单一场景下的个别目标检测任务,难以应对复杂交通环境下的智能感知需求.为提高车辆在复杂环境下的智能感知能力,提出了一种改进的YOLOv8目标检测网络模型,结合注意力机制、优化器和可变形卷积层,实现了在复杂城市交通环境下的多目标检测.采用YOLOv4,YOLOv8及改进的YOLOv8算法对复杂交通环境样本图进行目标检测对比实验.结果表明,与YOLOv4,YOLOv8相比,改进的YOLOv8算法的平均精度分别提高了40.76%和16.92%.该算法的检测准确性与实时性满足实际应用需求,可通过多传感器信息融合,实现在复杂城市交通环境下的智能感知.

关键词： 分布式容积卡尔曼滤波   聚类融合   目标追踪   状态估计   网络攻击  

摘要： 针对无线传感网络在遭受恶意攻击时的目标跟踪问题,提出一种基于信任的分布式容积卡尔曼融合滤波算法,以提升目标跟踪的精确性和鲁棒性.该算法包括测量更新、K-means降维两簇聚类融合和时间更新三个关键步骤.首先,各节点利用局部测量对目标状态估计进行更新,获得当前时刻的局部后验估计;其次,各节点基于局部交互的所有后验估计与融合先验局部估计之间的相异性特征,执行K-means降维两簇聚类,相异性较小的节点估计被划分为可信节点估计,而相异性较大的则视为不可信节点估计;随后,不可信节点估计被剔除,可信节点估计通过自适应权重融合以提高可靠性;最后,各节点利用当前时刻的局部融合估计,预测目标下一时刻的状态估计(即先验估计).仿真结果表明:本算法当应对虚假数据注入攻击、拒绝服务攻击、随机攻击、重放攻击和混合攻击等恶意网络攻击时,均表现出优越的鲁棒性.

关键词： 输电线路   山火检测   烟雾检测   图像处理   目标检测  

摘要： 山火监测与定位是提高输电线路可靠性的关键。然而,高压电沿线山火图像数据具有一定的复杂性且检测目标易混淆,传统的目标检测算法无法满足山火检测任务在识别精度与速度方面的需求。为此,提出一种两阶段的高效低报警率山火检测算法,以实现高召回率高精确率的实时山火检测系统。算法架构中,第一阶段采用基于正负山火图像样本的目标检测算法,以神经网络模型YOLOv7作为目标检测器,在训练时使用足量且比例均衡的正负样本图像,提升模型的可靠性;第二阶段采用易混淆目标分类算法,以轻量级神经网络MobileNetV3作为特征提取网络,并根据第一阶段得到的易混淆类别选择不同的分类权重参数,提升易混淆目标的易分性。此外,分析了训练数据对山火目标检测算法的影响,并在山火检测数据集上进行了该算法与主流目标检测器的对比实验,结合模型的多进程并行推理帧率,验证了该算法的有效性。