关键词： 探地雷达   人工智能   目标检测   深度学习算法   卷积神经网络  

摘要： 采用探地雷达对典型路段的路面裂缝识别并定位。通过钻芯取样与铣刨观察结合的方法验证,构建了包含728张雷达图像的数据库;采用YOLO v8l算法学习裂缝特征,通过在YOLO v8l算法的基础上引入注意力机制和修改激活函数,克服了路面裂缝图像特征多变、噪声杂波明显等对于智能判识造成的干扰,同时消除了模型的过拟合现象;对算法修正后,模型的计算参数增多,计算效率提升,修正算法的识别精确度和召回率分别达到99.4%和92.3%。训练过程中平均精度均值与损失函数的震荡幅度较小,表示该数据集标注原则统一,证明了采用该方法识别路面裂缝的有效性与可靠性。

关键词： 深度学习   海上复杂环境检测   SAN-YOLO   SPD-Coord   C2f-AK   NS Loss  

摘要： 针对海上复杂环境搜救检测中存在的小尺寸搜救目标检测效果不佳等问题,提出了基于SAN-YOLO的海上搜救目标检测算法。首先,将SeaDronesSee和自采数据集混合制成海上复杂环境搜救检测数据集,使该数据集具备丰富的图像样本和多样化的检测场景。然后,提出了基于SAN-YOLO的海上复杂环境搜救目标检测算法,设计了基于SPD-Coord的主干网络,通过无损空间降维和坐标卷积避免了特征提取过程中的细节信息损失并增强了对空间位置信息的获取能力;设计了基于C2f-AK注意力的特征融合网络,将C2f和可变核卷积融合,使得模块具有任意参数和形状的卷积核,增强了模型的特征融合能力;设计了基于NS Loss的损失函数,将NWD Loss和Slide Loss加权求和,降低了损失函数对于小目标位置差距的敏感度并增强了对复杂样本的权重,使得模型对于小目标有更好的检测效果。最后,在海上复杂环境搜救检测数据集上验证了算法性能。结果表明,SAN-YOLO的平均精度均值为77.6%,比基准模型提升了8.9%,且优于其他常见的开源算法。该算法在海上复杂环境搜救目标检测任务中有较好的综合检测性能。

关键词： 目标检测   姿态估计   行为识别   图卷积  

摘要： 提出一种轻量化的武装人员危险行为识别系统。对采集的视频流数据进行预处理,采用YOLOv3-Tiny网络提取人体框,再用Alphapose方法进行人体姿态估计,获得骨骼关节点数据并使用ST-GCN网络对骨骼序列进行分类。测试结果表明,系统在验证集上的识别准确率可达99.48%,部署在边缘设备上平均处理速度可达52 fps,证明了本系统实现轻量化的同时兼顾了准确性与实时性,具备部署至陆上无人装备系统的可行性与通用性。

关键词： 计算机视觉   车辆定位   路标定位   快速响应码  

摘要： 研究借助车路协同系统,融合计算机视觉、路标定位和QR码(quick response code,快速响应码)技术,提出一种基于QR码的车辆辅助定位方法。同时,通过构建模拟隧道场景和普通道路场景,研究影响QR码识别及读取的因素,验证技术的可行性。试验结果表明,相应方法在正常道路场景下的定位误差为1.0~1.5 m,通过连续布设QR码路标可实现隧道内车辆的定位需求。该方法成本较低、简单易行,可解决卫星信号差或干扰大的隧道内车辆定位问题。

关键词： 计算机视觉技术   食品检测   应用实践  

摘要： 本文梳理了计算机视觉技术的核心原理与工具,重点分析了其在食品质量分级、异物检测、生产监控及成分溯源等场景中的应用现状,并针对复杂场景干扰、算力限制及算法泛化能力不足等挑战,提出多模态数据融合、边缘计算优化及跨领域迁移学习等对策。

关键词： 激光透窗成像   YOLOv8   多尺度特征提取   模型剪枝   注意力机制   SIoU  

摘要： 针对激光透窗低质量成像下的人体目标检测,现有算法存在检测不准确、识别率低等问题,提出一种基于YOLOv8n优化改进的目标检测算法YOLO-TC。重新设计主干部分的特征提取模块,提升模型多尺度特征表示能力;对YOLOv8n模型做剪枝处理,优化网络结构,降低模型复杂度的同时提升检测精度;在C2f模块与解耦头(Detect)之间添加EMA注意力机制模块,增强特征融合中的语义和位置信息,提升模型的特征融合能力;使用SIoU边界框回归损失函数代替原损失函数,提升算法推理的准确性和训练速度。实验结果表明,改进后的模型在激光透窗成像数据集中的精确度(Precision)、召回率(Recall)和平均精度均值(mAP)相比原模型分别提高了7.7%,5.9%和7.0%,模型大小缩减了34.6%,便于后续边缘端的硬件部署。

关键词： 图像处理   可调谐半导体激光器吸收光谱学   二次谐波   卷积神经网络   信噪比  

摘要： 针对利用可调谐半导体激光吸收光谱(TDLAS)技术测量气体体积分数的过程中二次谐波谱线受外界噪声干扰的问题,提出一种多层次特征融合的双通道卷积神经网络算法,首先通过主成分分析法降维后的残差网络和格拉姆角和场变换后的残差网络分别进行两路特征提取,进而对信号进行降噪处理。仿真中讨论了不同算法的降噪性能,发现所提出的方法在低信噪比情况下具有显著优势。对实测二氧化碳(CO_(2))信号的降噪结果表明,所提出的方法能够有效抑制噪声干扰,提取光滑的二次谐波信号,同时能够有效减小基线波动,并且较高的峰值和峰谷值拟合度也说明所提方法适用于实际气体体积分数的反演。

关键词： SAR图像   目标检测   YOLOv10算法   EMA注意力机制  

摘要： 针对合成孔径雷达(SAR)图像在复杂海况下目标检测精度低、实时性差的问题,提出一种基于YOLOv10架构的改进型检测算法。从特征提取、信息融合与损失优化三个层面进行改进。设计改进的FasterNet Block替代原C2f模块中的Bottleneck结构,以提升检测速度和收敛速度;在C2fCIB模块中引入SPD-Conv卷积,减少信息损失并提高特征提取准确性;在空间金字塔池化层嵌入EMA注意力机制,通过跨通道交互抑制噪声干扰,增强模型在SAR图像斑点噪声环境下的稳定性并防止过拟合。为进一步增强全局特征建模能力,主干网络中融合微型Swin-Transformer结构,实现局部细节与多尺度上下文信息的协同感知。最后,将损失函数替换为Wise IoU,有效缓解样本分布不均衡导致的性能下降问题。在HRSID数据集上的实验表明,改进算法相较原YOLOv10在平均精度(AP)、准确率和召回率上分别提升了4.2%、3.1%和1%,FPS值达到了330帧/秒,显著优于SSD、Faster R-CNN等对比模型。

关键词： 半监督   作物   图像处理   目标检测   图像分割   图像分类  

摘要： 半监督学习通过结合少量标注数据和大量未标注数据,显著减少数据标注需求和成本,同时提高模型的泛化能力和性能,为深度学习和机器学习在资源受限环境中的发展提供了新的路线。随着半监督学习在图像处理领域取得突破性进展,以现代农业为调查对象,探讨半监督学习方法在农业生产中的作用。根据半监督基础定义和假设提出半监督概念模型,同时按照利用监督信号的差异将半监督学习分为伪标签和无监督正则化。从目标检测、图像分割、图像分类和多任务联合学习出发,对农业作物管理、杂草管理、水果检测、植物健康、植物表型和叶片分类等具体任务进行全面回顾。分析并讨论了半监督学习在农业图像处理领域的未来研究方向。

关键词： 定向刨花板   计算机视觉   断面密度梯度   三维结构   准确性评价  

摘要： 定向刨花板(oriented strand board,OSB)是一种以长片大刨花为主要原材料的木质结构人造板,其物理力学性能与内部结构密切相关。为了深入解析OSB构效关系,研究提出一种基于计算机视觉重构OSB内部三维结构的方法。选用旋切单板裁切刨花制备1.2 cm厚OSB,拍摄记录铺装过程,利用计算机视觉技术捕捉刨花铺装的位置,并对铺装后层叠刨花进行单片刨花轮廓提取,再结合断面密度梯度(vertical density profile,VDP)数据计算板坯厚度方向的压缩率,使用Python软件重构OSB内部三维结构。制备5 cm×5 cm(长×宽)的试件并记录质量,检测VDP、内部三维结构和孔隙率。结果表明,制备OSB用刨花总数为2299片,计算机正确识别所有刨花,其中2232片刨花完整分割(占比97.1%)。试件实测预测质量、孔隙率、VDP的决定系数R2分别为0.976、0.951、0.812。对比X射线断层扫描(X-ray CT)结果和计算机视觉重构结果发现,三维可视化结构一致性好。基于重构结果,可进一步量化所有刨花的定向角度、面积和施胶效果。计算机视觉方法能够准确可视化和量化OSB试件内部三维结构,为OSB构效关系研究提供可靠基础数据。