关键词： 局部二值模式   教学改革   研究性学习   实验案例  

摘要： 针对“数字图像处理”教学中存在的内容陈旧、重理论轻实践、教学方法单一等问题,通过基于局部二值模式的纹理分类实验案例,探索将科学研究新成果融入课程,使课程内容具有科学性和先进性。以解决问题为目标,开展基于问题的研究性学习,贯彻“学”“做”结合,推进“课前、课中、课后”紧密结合,激发学生的学习热情,培养学生实践和创新能力,实现从知识传授到知识和能力并重培养。

关键词： 六安瓜片茶   注意力机制   茶叶分级   计算机视觉   残差网络  

摘要： 六安瓜片茶的品质分级长期依赖人工感官评估或电化学分析方法,存在效率低和成本高等局限。针对现有加入注意力机制的神经网络模型在茶叶细粒度分类中的局限性,提出了基于改进嵌入卷积注意力模块(convolutional block attention module, CBAM)的残差网络(residual network, ResNet)模型CBAM-ResNet18的智能评级系统。首先,将CBAM-ResNet18输入层中的最大池化层替换为卷积层,在降低空间维度的同时保留更多茶叶表面微观结构细节。其次,对CBAM-ResNet18的通道数进行压缩,使模型聚焦于不同等级茶叶间差异的关键区域,在提高模型分类精度的同时实现模型轻量化。实验结果表明,在涵盖4个主流品牌、4类等级的自制六安瓜片茶数据集上,所提模型的Top-1准确率达95.0%,媲美现有主流先进注意力网络。而模型总参数量和每秒可执行的浮点运算次数较原CBAM-ResNet18分别下降约83%和30%。在同步开发的低成本便携设备上部署后,采用FP32精度的推理时间约为1.5 s/帧,量化为INT8精度后的推理时间约为0.9 s/帧,证明了系统在六安瓜片茶质检领域的应用潜力。

关键词： 冬小麦   遥感   倒伏   图像处理   提取  

摘要： 为快速准确地提取冬小麦倒伏面积,以德州两次冬小麦倒伏过程为研究案例,采用高分六号卫星数据和哨兵一号合成孔径雷达数据,根据倒伏小麦与正常小麦光谱特征的不同,实现冬小麦倒伏面积精准提取。结果表明:(1)对正常小麦和倒伏小麦进行光谱分析,在高分六号影像中后者绿光波段反射率和垂直-水平(vertical-horizontal, VH)极化影像中后向散射强度均明显高于前者;(2)基于此两种特征提取的冬小麦倒伏面积普遍大于实测面积,倒伏严重时,相对误差百分率为3.1%~4.6%,较之严重倒伏,轻度倒伏时提取的面积相对误差偏大;(3)当倒伏伴有明显积水时,基于高分六号卫星的提取结果更为准确。研究成果为进一步提高冬小麦倒伏面积提取精度提供参考,也为及时做好冬小麦倒伏预防补救提供数据支撑。

关键词： 目标检测   多尺度通道分割   加权跳动多级特征融合   感受野协调注意力   解耦网络  

摘要： 目前目标检测技术虽然趋向于成熟,但是对航拍图像的检测仍然存在挑战。针对航拍图像中目标排列密集、背景复杂、小目标数量多导致目标检测精度较低的问题,提出一种基于YOLOv7改进的加权跳动多级特征融合网络WBMFF-YOLO。首先构建多尺度通道分割模块,增强浅层特征图中的空间位置等细节信息;设计加权跳动多级特征融合结构,将之前的Concat采用加权方式进行替换,使不同层级的特征相互补充,增强特征表达的丰富性和鲁棒性;使用感受野协调注意力机制模块对融合后的特征图进行更新,扩大特征图的感受野,减少特征信息损失;为了解决小目标漏检问题,设计新的解耦头加强对小目标的检测能力。实验证明,在VisDrone2021和DOTA1.5数据集上,提出的方法检测精度分别达到56.2%、77.6%。相比于原始YOLOv7,分别提高了7.3%和2.2%,证明了改进方法在航拍图像中的有效性。

关键词： 机器视觉   货车故障识别   图像处理   卷积神经网络   识别精度  

摘要： 货车故障识别方法主要借助边缘检测算法提取出故障所在区域,并结合特征学习结果对故障类型进行判断,由于对关键故障特征的捕捉程度较低,导致识别精度较差。对此,提出基于机器视觉的铁路货车运行故障动态图像检测系统(Truck Freight car Fault Detection System,TFDS)图像识别方法。借助TFDS系统对货车关键部位图像进行获取,并对其进行旋转、翻转、亮度调整等增强处理,结合Otsu法二值化分割处理,对故障区域进行标注。在卷积神经网络(Convolutional Neural Networks,CNN)中引入多个不同尺度的卷积核,以提取出不同大小的货车关键部位图像故障特征。引入SE模块,通过Squeeze操作和Excitation操作,为每个通道生成一个权重值,提高对关键特征的捕捉效果,实现通道特征的加权以及融合处理。结合贝叶斯分类器对后验概率进行计算,从而实现货车故障分类与识别。在实验中,对提出的方法进行了识别精度的检验。最终测试结果表明,采用提出的方法进行货车故障识别时,算法平均检出率为96.7%,具备较为理想的识别效果。

关键词： 空间小目标   目标检测   异面交会   可见光图像   态势感知  

摘要： 空间交会任务执行成功与否的关键在于目标检测的准确性。针对远距离异面交会过程中空间目标与恒星成像相似、特征少、成像轨迹随机、星点像移缓慢等特点,提出了一种基于星点关联和轨迹匹配的空间目标检测算法。首先对多帧星图图像进行预处理,包括噪声处理、阈值分割、质心定位、以及图像配准,然后,基于所提出的关联度函数与关联法则进行多帧星点关联,滤除游离噪点的同时提取出星点帧间运动的轨迹,最后以目标尺寸、速度、方向三个指标进行轨迹匹配,检测出空间目标。经仿真验证算法满足异面交会过程中的检测要求,在存在一定程度帧间失配情况下,空间目标检测率可达99.8%,虚警率为0.04%,可以适应复杂空间环境下的目标检测需求。

关键词： 职业教育   教材开发   课程思政   混合教学  

摘要： 中职《图形图像处理》课程的教材建设面临内容陈旧、结构单一、思政融入不足等问题.基于任务驱动理念,文中探索了校本教材开发思路,构建了教材内容体系,开发了配套数字资源,建立了实训体系.教材采用活页式、模块化设计,融入课程思政元素;制作教学视频,建设资源库,编写实训手册,形成完整的教学资源体系.此外,还实施了混合教学模式,注重学生主体性,强化实践训练.通过教学实践,学生专业技能明显提升,教学效果显著改善.教材建设成果在区域内推广应用,对提升职业教育教学质量具有重要意义.

关键词： 低空系统   YOLOv8   目标跟踪   多线程机制  

摘要： 低空环境下利用无人机进行侦察打击已经成为信息化战争的主要技术手段,基于双通道图像进行快速目标检测跟踪是当前低空防御的研究重点。文章提出一种全局与局部融合策略,先选择YOLOv8作为目标检测器,建立特有的空中目标数据集进行针对性训练,之后利用相关滤波算法进行高速跟踪,借助目标检测结果实时矫正跟踪位置,通过引入多线程机制充分利用资源,构建一套具备快速响应能力的目标检测跟踪系统。该系统部署在国产化人工智能(Artificial Intelligence,AI)平台,检测响应时间小于30ms,能够有效抑制背景噪声带来的跟踪丢失问题,具有较高的工程应用价值。

关键词： 煤矿智能化   目标检测   深度学习   数字孪生   具身智能  

摘要： 随着深度学习理论的研究与发展,基于深度学习的目标检测技术在智能化矿山领域取得了显著进展,目标检测已成为人工智能技术在煤矿应用场景的典型范式和研究热点。然而深度学习目标检测对标注数据集依赖性强,存在模型可解释性差、计算复杂等问题,如何提高矿井目标检测精度、模型自适应性和计算效率,是矿山人工智能领域亟待解决的研究课题。对煤矿井下智能目标检测技术及其研究进展进行综述。首先,简要概述了目标检测技术,介绍了基于深度学习的目标检测技术演进过程和算法分类,并分析比较了基于CNN和Transformer的目标检测网络。然后,重点研究了矿井智能目标检测的数据增强、超分辨率重建、特征提取等关键技术,并围绕煤矿“人-机-环”应用需求,详细阐述了基于深度学习的目标检测在井下人员安全监测、矿井设备智能检测、工况环境感知等方面的研究进展。最后,指出了煤矿应用场景下智能目标检测技术在数据集构建、模型优化、多源异构数据融合等方面仍存在挑战,讨论了煤矿智能目标检测技术的发展趋势。并提出未来应致力于将目标检测技术与小样本学习和多模态融合、模型轻量化和边缘计算、数字孪生和具身智能等新兴技术相结合,以此促进智能检测技术与煤矿安全生产的深度融合与应用,为矿井智能目标检测技术体系构建提供理论参考。

关键词： 无人机遥感   轻量级目标检测   通用逆向瓶颈结构   移动多头查询注意力   跨尺度特征融合   最小点间距交并比  

摘要： 针对边缘硬件环境中无人机遥感影像目标实时检测问题,在第八代仅看一次算法(YOLOv8)的基础上,提出一种轻量级通用移动跨尺度(UMC)-YOLOv8检测方法。以通用逆向瓶颈结构对骨干网络进行轻量化重构,同时在骨干网络后两层引入轻量级移动多头查询注意力,计算全局尺度的目标上下文注意力。基于跨尺度特征融合机制,构建了轻量级特征融合网络。在检测头中,以最小点间距交并比函数,计算目标框位置回归损失。实验结果表明,UMC-YOLOv8模型在公开数据集无人机基准目标检测(UAVDT)与视觉无人机(VisDrone)上的平均精度均值达到89.34%与88.56%,优于当前主流轻量级检测模型。在低功耗硬件场景下,UMC-YOLOv8模型的检测速度达到35.21 fps,较YOLOv8模型提高12.47 fps。结果表明,UMCYOLOv8模型能够在轻量硬件环境下,开展实时无人机遥感目标检测。