关键词： YOLOv7   深度学习   计算机视觉   小目标检测  

摘要： 基于YOLOv7目标检测算法,设计了一种整合空间可分离卷积的目标检测卷积神经网络结构,用于提升该算法在小目标数据集上的检测效果。首先,在YOLOv7的Neck部分引入ECA注意力机制模块,通过对特征图进行重要性加权,促进骨干网络对目标的准确定位和特征提取。其次,为了解决小目标检测分辨率低的问题,采用了CNN模块中的空间可分离卷积Spd-Conv,用于处理低分辨率和小物体图像,并增加了微小目标检测层以增强对小目标的检测能力。最后,引入GIOU损失函数来进一步改进在小目标上的检测效果。实验证明,所提出的方法在Tiny Person数据集上取得了显著的检测结果,验证了其有效性和适用性。

关键词： 遥感影像   数据增强   飞机目标检测   Faster-RCNN   深度学习  

摘要： 针对现阶段遥感影像飞机目标检测的数据集规模较小的问题,使用水平翻转和灰度变换的数据增强方式扩充数据集,在一定程度上可以提高飞机目标检测的准确性,并缓解过拟合的现象。为解决Faster-RCNN中VGG16网络层数较浅,特征提取不充分的问题,使用ResNet50作为特征提取网络,可以提炼出更深层次和抽象的目标特征,在网络深度加深、梯度爆发和网络性能提升不明显的情况,ResNet50中的残差结构有利于解决这些问题。为解决ROI Pooling两次量化造成的区域不匹配问题,使用ROI Align双线性内插的方法取消两次量化操作,获得更精确的像素坐标,并将整个特征聚集过程转化为一个连续的操作。最终优化Faster-RCNN在RSOD数据集上飞机目标检测精度达到了98.72%,同时在UCAS-AOD数据集上也具有良好的泛化性能,验证了优化模型的有效性。

关键词： 大规模多输入多输出雷达   扩展目标检测   目标物体反射系数   目标波束   能量检测器  

摘要： 大规模多输入多输出(multiple-input multiple-output,MIMO)雷达系统的大量天线为其在检测和估计任务上带来了性能增益。本文考虑一个大规模天线MIMO雷达系统中的扩展目标检测问题。假设存在一个包含大量散射体的扩展目标,本文建立了针对扩展目标的大规模MIMO雷达接收信号模型。分析了目标物体反射系数的空间相关性,目标物体反射系数相关的任意两个天线被视为落入同一个目标波束中,反之则视为落入不同的目标波束中。将落入同一个目标波束的天线视为一个天线组。执行检测时,每个天线组先对接收信号执行匹配滤波,并将匹配滤波的结果分别通过白化滤波器和归一化滤波器。基于上述两个滤波器的输出,分别对组内所有天线的能量求和,并求解散度,进而构建能量检测器。虽然散度分布的闭式解难以求得,本文证明了当天线数目足够大时,可利用大规模天线带来的统计效应推导出该散度的分布。在此基础上,进一步推导了大规模MIMO雷达扩展目标检测概率的闭式表达式。此外,证明了上述能量检测器能够达到奈曼-皮尔逊准则下的最优检测性能。通过仿真,验证了理论结果的正确性,进一步分析了不同系统参数对大规模MIMO雷达系统检测性能的影响。

关键词： 深度学习   轻量化设计   目标检测   综述  

摘要： 随着深度卷积神经网络的兴起,很多目标检测模型取得了显著的成绩。然而,大模型以计算成本昂贵且内存密集型为特点,难以部署在嵌入式、实时检测等环境中,因此,研究设计轻量化模型是当前的研究热点之一。构建轻量化的目标检测算法是具有挑战性的任务,因为模型必须要被精妙设计才能在花费尽可能少的参数量和计算资源消耗的同时获得优越的检测性能。在过去10年中,轻量化算法设计取得了显著进展。总结了轻量化目标检测算法,旨在进一步探索轻量网络设计的新思路和新方向。将轻量化算法设计分为3类:骨干网络、特征融合网络和注意力机制。详细分析了每一类在目标检测任务中的性能、优势和局限性。接着,简要介绍了一些最近取得成功的方法,如YOLO系列和DETR。最后总结了研究内容,并讨论了未来工作的挑战和潜在方向,同时探讨了轻量化设计在目标检测领域的发展趋势。

关键词： 轻量化   神经网络   深度相机   目标检测   目标定位   安全预警  

摘要： 为防止矿工误入危险区域,提出一种YOLOv5s-MPD轻量化井下矿工目标检测模型,并结合深度相机定位矿工目标,实时检测矿工是否进入危险区域。首先,使用MobileNetv3轻量化神经网络作为主干特征提取网络,大幅降低模型体积;其次,引入极化自注意力模块(PSA),增强目标的感知能力;最后,采用可变形卷积网络(DCNv2)替代特征融合层中C3模块的标准卷积,解决常规卷积丢失部分特征信息的问题,利用改进模型结合深度相机获取的彩色图像检测矿工目标,并得到目标中心点的空间三维坐标。结果表明:改进模型相比于YOLOv5s,参数量和计算量分别减少83.54%和77.03%,模型体积大小仅为3.4 MB,检测速度为70.2帧/s,提升54.97%,平均精度均值(mAP)为0.825。与主流目标检测模型相比,改进模型的参数量、计算量、模型体积、检测速度和mAP较为均衡。在实际定位精度试验中,1~8 m范围内测得相机与矿工目标间距离的平均绝对误差和平均相对误差分别为0.11 m和1.74%;最大绝对误差和最大相对误差分别为0.25 m和2.96%。在动态检测中,均能检测到矿工目标并输出其位置信息,检测成功率达97.5%。

关键词： 质量检测   啤酒瓶盖   图像处理   SVM分类器   机器视觉  

摘要： 传统的质量检测方式存在效率低下、速度慢、劳动强度大且检测精度不稳定等问题,难以满足现代啤酒生产对高速、高效、高质量的需求,因此,现提出基于机器视觉与SVM分类器的啤酒瓶盖质量检测。首先,基于机器视觉采集图像,并运用图像处理技术来减少或控制图像中的噪声。其次,根据面积、周长、填充率及圆形度等特征提取啤酒瓶盖表面特征信息。最后,基于SVM分类器识别瓶盖缺陷,实现对瓶盖质量的有效检测。实验结果表明,基于机器视觉与SVM分类器的啤酒瓶盖质量检测方法具有较高的质量检测准确率和较快的检测速度,能够有效地识别出瓶盖上的各种缺陷。

关键词： 计算机图像处理技术   纺织工业   数据安全  

摘要： 文章阐述了计算机图像处理技术在纺织面料检测、图案设计与印花、纺织生产过程监控和产品展示与营销等方面的应用,针对应用过程中存在的技术精度提升、数据安全保障、专业人才培养等问题提出相应改进策略,并通过具体案例详细阐述策略的实施过程,旨在为纺织工业的智能化发展提供有力支持,提升纺织企业的生产效率和产品质量。

关键词： 半监督学习   目标检测   对比学习   重利用不可靠伪标签   端到端训练  

摘要： 半监督目标检测方法的关键是为无标签数据中的目标分配伪标签。为了确保伪标签的质量,半监督目标检测方法通常利用置信度阈值过滤不可靠伪标签,这会导致大量的伪标签因为置信度低而被滤除。本文提出改进后的半监督学习方法使用对比学习来重利用大量置信度低的不可靠伪标签,提升半监督目标检测方法的性能。具体来说,根据预测置信度将无标签数据的伪标签分为可靠与不可靠伪标签。除了利用可靠伪标签,还利用不可靠伪标签作为对比学习中的负样本训练模型。为了平衡类别间不可靠伪标签的数量,设计一个记忆模块用于保存训练过程中不同批次的不可靠伪标签。实验结果表明,在COCO数据集上,对训练数据进行1%、5%和10%的标注情况下,改进后的半监督学习方法的平均准确率达到13.6%、23.0%和27.5%,优于已有半监督学习方法;在COCO-additional数据集上,改进后的半监督学习方法的平均准确率达到44.7%,相较于监督学习,性能提高4.5个百分点。

关键词： 机器视觉   人工神经网络   导盲手杖   图像处理   OpenMV  

摘要： 视障人群的出行及日常活动普遍依赖导盲犬、导盲手杖或他人帮扶等方式,但随着经济发展,城市规划变得越来越密集,城市布局和道路规划的复杂度也逐渐增加,上述方法已经不能够保障视障人士的出行及日常生活安全,因此加强对视障群体的关注力度、提高其生活质量是我们亟待解决的问题。本设计着眼于机器视觉对彩色信息和深度图像的去噪、滤波、目标标定等处理,加以机器学习训练,实现图像的色彩识别、常见障碍物识别及距离测量功能,将分析结果转换为音频信号并通过语音输出给用户,给予一定行进建议,致力于为视障人士提供避障服务,降低在行走过程中因无法提前预测的障碍物对出行造成的负面影响。

关键词： 医疗   图像分析   计算机视觉   网络技术   安防  

摘要： 随着人工智能技术的快速发展,计算机视觉与网络技术的融合成为研究和应用的重点领域。计算机视觉通过图像和视频分析,使计算机能够理解和处理视觉信息,并广泛应用于医疗、安防、自动驾驶等领域。而网络技术则为信息传输和通信提供了基础支持,广泛应用于云计算、大数据和物联网等领域。两者的结合不仅推动了智能系统的创新与发展,还带来了新的技术挑战和机遇。本文主要针对计算机视觉在网络领域中的运用进行了研究。