关键词： 家畜   体尺测量   3D成像   图像处理   数据处理   深度学习  

摘要： 家畜体尺数据对提升产业效益至关重要,但传统测量方法费时费力。随着计算机视觉技术及数据处理方法的进步,基于视觉技术的家畜体尺测量成为研究热点,具有高效、可持续发展等特点。其中,3D成像技术相较于2D成像技术更具优势。本文介绍了3D成像的主要技术和设备,详述了基于3D成像技术在家畜体尺测量领域的研究成果、应用方法、基本流程、特点及发展趋势。该技术在牛、猪、羊等大型家畜中均有研究;数据处理方法是研究重点;除传统长宽高等参数外,体尺测量内容正在外延。3D成像技术促进家畜体尺测量向实用化方向迈进;机器学习方法为体尺测量提供了优化泛化性能的途径;基于2D成熟的数据处理方法协同3D数据处理是当前有效的数据处理方法;基于体尺数据的体重预估是指导生产实践的重要手段。

关键词： 目标检测   注意力机制   棉花叶片   病虫害识别  

摘要： 为解决在自然环境下棉花病虫害检测难度大以及检测模型复杂的问题,提出了一种改进的YOLOv8n算法。该算法在YOLOv8n原有的基础上,先在骨干网络中将卷积模块替换为轻量化的SCConv模块,降低了骨干网络参数以及计算量,并在保证检测精度的同时提高检测速度;在特征融合阶段加入了SE注意力机制,强调了病虫害的信息特征并抑制无关的特征,从而提升模型在病虫害识别方面的表现;同时结合了EIoU损失函数进一步优化训练过程,提高了损失函数的收敛速度与回归精度。实验结果表明:改进后算法的平均精度均值mAP@0.5相较于YOLOv8n提升了4%、在模型参数上减少了10%,在帧数参数上提高了10帧,实验结果证明了改进YOLOv8n算法的有效性,可以满足在自然环境下棉花病虫害识别检测的基本要求。

关键词： 3D目标检测   激光雷达点云   自适应下采样   点注意力  

摘要： 点云下采样与特征提取是基于激光雷达点云的自动驾驶3D目标检测算法中不可或缺的步骤。然而,传统的下采样方式对点云中所有的数据点都是无差别选择,这使得目标上的点被均匀稀释,点数较少的目标可能会丢失其全部点,且目前的点云特征提取方式只保留特征中相同维度的最大值,不能充分利用点云特征。为改进以上不足,提出一种基于激光雷达点云自适应下采样和点注意力特征聚合的3D目标检测方法。通过使用学习式的点云自适应下采样,可以获取数据点的类别信息,从而实现激光雷达点云的分类下采样。同时,使用点注意力特征聚合方法,依据点之间的注意力系数进行采样点的特征聚合,可以充分利用点云的特征信息。在KITTI数据集上中等难度场景中对车、行人和骑行者的检测精度分别达78.49%、44.82%、63.59%,验证了该方法的有效性。与其他方法相比,其对点数较少目标物体的检测精度有明显提升。

关键词： 钻机   视频分析   目标检测   YOLOv8   注意力  

摘要： 由于井下环境复杂,低光照、人员遮挡、眩光等多种因素都会影响钻机检测精度。针对上述问题,提出一种钻机目标检测模型CAS-YOLOv8。为减少低光照因素干扰,设计了C2fGE结构,增强不同通道之间的信息融合;为解决人员遮挡问题,提出ADownCS模块,提高特征提取能力;对于眩光问题,在网络中增加混洗注意力;为减少环境中小目标对检测的干扰,依据钻机尺寸,去除特征图较小的检测头。试验结果表明,与原始YOLOv8相比,CAS-YOLOv8的mAP@0.5增加4.8%、参数量降低73.8%。

关键词： 钢材表面缺陷检测   深度学习   目标检测   YOLOv5   空洞卷积   微小目标检测头  

摘要： 针对钢材表面缺陷检测的难点,提出一种基于YOLOv5算法的钢材表面缺陷检测方法。采用二等分的方法进行数据扩充,提高了模型的鲁棒性和泛化性;加入了通道注意力机制,提升了网络对重要特征的提取能力;增加了全局上下文特征提取模块,增强了模型对全局上下文特征的提取能力以及对不同尺寸缺陷的检测能力;增加了微小目标检测头,提升了网络对于微小瑕疵的检测能力。改进后的算法在NEU-DET数据集和GC10-DET数据集上的检测精度分别达到了83.1%和76.24%,较原YOLOv5算法提升了8.11个百分点和6.03个百分点。实验结果表明,改进后的算法性能优异,具有先进性,可以为钢材表面缺陷检测提供新的研究思路,助力于工业生产与发展。

关键词： 古建筑砌体结构   壁画   裂缝   结构健康监测   数据挖掘   计算机视觉  

摘要： 通过接触式和非接触式的裂缝监测技术获取古建筑砌体结构健康监测数据,深入挖掘监测数据的有效信息,解析裂缝特征对古建筑结构监测具有重大意义。该文针对古建筑砌体结构健康监测数据提出了异常识别方法,研究了预测模型,并基于数理方法判断实时监测数据的异常概率;以砌体结构裂缝开合监测数据与结构内部场环境温湿度监测数据为研究对象,探究砌体结构裂缝开合监测数据的周期性特征及其影响因素。考虑到壁画裂缝在成像时相较于单一背景裂缝具有显著的干扰特性,研究了适用于藏式古建壁画裂缝的监测算法,改进U-Net形成了对环境干扰具备鲁棒性的壁画裂缝分割模型。针对大尺寸壁画裂缝,进一步研发了基于组件树SSR的图像分割算法,随后针对监测系统在图像采集过程中的环境影响因素进行了分析与试验,并通过模拟裂缝发展验证了监测系统在裂缝静止和扩张状态下应用的可行性。

关键词： 桑叶病害   YOLOv8   目标检测   模型改进  

摘要： 为提高桑叶病害检测精度,实现将模型方便快速部署到移动端,针对自然环境下桑叶病害病斑小、背景复杂等问题,以YOLOv8为基线模型进行改进,提出了一种YOLOv8-Evo的桑叶病害识别算法。首先在Backbone模块中加入了可变形卷积模块从而更灵活地捕捉病害的细节和形状,其次在Neck模块中增加了CBAM(Convolutional Block Attention Module)注意力机制,发掘图像中的关键特征和区域,最后在18849张桑叶病害数据集上进行验证,相较YOLOv8s模型,YOLOv8-Evo的识别精度提高2.4%,召回率提高1.5%,mAP50提高1%,mAP50-95提高0.7%,实验证明改进的YOLOv8-Evo模型为桑叶病害识别的自动化提供了理论依据与技术支持。

关键词： 地铁车辆   附着异物   图像识别   深度卷积神经网络   目标检测   数据集   模型训练   训练方法  

摘要： 现有的地铁车辆异物检测模型存在真实训练数据匮乏、检测精度低等问题,难以满足实际应用的需要。对此,从公开数据集和互联网中收集废弃塑料袋等异物图像并标注异物轮廓,利用随机旋转、缩放等方法扩展图像数据,利用泊松融合算法,将异物图像与可能附着异物的图像随机融合,生成附着异物图像数据集。采用随机mixup方法,利用扩充后的数据集,训练基于YOLOv4网络的地铁车辆附着异物检测模型,并开展验证试验。试验结果表明,利用扩充后的异物数据集,采用随机mixup方法训练后的检测模型,检测效果更佳。

关键词： 肺结节   术前定位   微变放大   计算机视觉   多尺度检测  

摘要： 目的开发一种能够帮助医师定位肺结节的新型识别算法。方法纳入2023年12月于南京大学医学院附属鼓楼医院胸外科行胸腔镜手术的肺结节患者。采集患者60帧/s帧率、1920×1080分辨率的胸腔镜肺表面探查数据,并以定间隔保存帧图像,对帧进行分块处理。用以上数据构建一个针对肺部结节识别的算法数据库。结果共纳入16例患者,其中男9例、女7例,平均年龄(54.9±14.9)岁。在经过优化的多拓扑卷积网络模型中,测试结果显示准确识别率达94.39%。进一步通过整合微变放大技术的卷积网络模型,在识别肺部结节方面的准确率提高至96.90%。将这2个模型的表现综合评估,整体的识别准确率达95.59%。据此,我们推断所提出的网络模型适用于肺部结节的识别任务,且融合微变放大技术的卷积网络在准确率上表现更为优异。结论我们提出的技术模型能够显著提高肺部结节识别的精度和定位准确度并帮助术者在胸腔镜手术过程中定位肺结节。

关键词： 图像处理   天文观测   海量数据   天文数据   高效传输   AI   承载方案   指数级  

摘要： 近年来,Y省依托西南地区得天独厚的天文观测优势,逐步成为国内重要的天文观测站点,吸引着国内外的天文工作者前来观测研究,被誉为观测“圣地”。随着天文观测技术的快速发展,各类巡天项目观测的广度不断拓展、精度大幅提升,然而,这也致使天文数据量呈指数级迅猛增长,天文观测领域面临严峻的“数据雪崩”困境。因此,如何高效传输观测站内众多望远镜采集的数据,以及对海量数据进行快速梳理并完成相关图像处理的工作,成为天文观测领域亟待解决的新课题。