关键词： 任务驱动法   中职   Photoshop图形图像处理课程  

摘要： 中职Photoshop图形图像处理课程是为了培养学生数字图像处理与设计能力而设置的一门专业课程。随着信息技术的快速发展,图形图像处理技术在各行各业的应用日益广泛,学生掌握这一技能能够提升其就业竞争力,但当前中职学校Photoshop图形图像处理课程还存在一些问题,如学生基础差异大、教学方法缺乏创新等。因此,本研究旨在探讨任务驱动法在中职Photoshop图形图像处理课程教学中的应用,以期提高教学质量和学习效果。

关键词： 玉米苗   杂草   目标检测   注意力机制   ASPP  

摘要： 为实现田间复杂环境下玉米幼苗与杂草的精准识别,通过对PP-YOLOE算法进行改进和优化,包括引入坐标注意力机制和ASPP(Atrous Spatial Pyramid Pooling)结构,提出了一种用于玉米苗间杂草检测的AAPP-YOLOE模型。试验结果表明,AAPP-YOLOE模型在玉米苗间杂草检测中取得了显著的性能提升。模型在召回率、准确率和F1-Score指标上表现更佳,证明了算法在玉米苗间杂草检测中的有效性和实用性,可为农业生产管理提供一定的帮助,有助于减轻杂草对玉米苗生长的影响。

关键词： 自动化生产线   质量检测   计算机视觉   优化方案  

摘要： 此研究优化了计算机视觉的自动化生产线质量检测系统,提升了检测精度、效率和稳定性。通过对基于融合卷积神经网络(ConvolutionalNeural Networks,CNN)与视觉转换器(Vision Transformer,ViT)的深度学习架构、结合对比度受限自适应直方图均衡化(Contrast Limited Adaptive Histogram Equalization,CLAHE)与生成对抗网络(Generative Adversarial Network,GAN)的图像处理技术和协同现场可编程门阵列(Field Programmable Gate Array,FPGA)与图形处理器(Graphics Processing Unit,GPU)的硬件加速方案进行升级,系统性能实现了显著提升。精度从85%提升至93.5%,效率从160ms/frame降至115ms/frame,稳定性由91.5%提高至96.1%,成本减少1.2万元。t-SNE分析验证了优化后的特征提取效果。结果表明,深度学习与边缘计算优化提升了系统适应性与实时性,具备良好的工业应用价值。

关键词： 行人重识别   目标检测   特征融合   全局特征   局部特征  

摘要： 针对行人重识别技术在实际应用中常常因为特征遮挡而导致识别率不高的问题,提出了一种复杂环境下行人防遮挡重识别方法,其由全局和局部特征提取两部分组成。以ResNet-50网络为主干网络,首先,在全局特征提取使用特征感知注意力机制对全局特征进行提取;然后,在局部分支使用特征分割空间的方法进行局部特征提取;最后,通过多尺度双向金字塔网络进行特征融合。在常用遮挡行人数据集Market-1501等上进行了实验,验证了论文所提出方法的有效性,且提升了行人重识别效果。

关键词： 目标检测   YOLOv8n   HA混合注意力机制   遥感图像   小目标数据   深度学习  

摘要： 针对遥感图像中背景复杂、目标小而密集,导致现有目标检测算法对小目标检测效果不佳,容易出现误检和漏检的问题,在YOLOv8n模型的基础上引入HA注意力机制,提出了YOLOv8n-HA模型改善上述问题。具体地,文章在YOLOv8n每个检测分支的瓶颈端嵌入HA注意力模块。实验结果表明,YOLOv8n-HA模型在DOTAv1.5和Fiar1M子数据集上的mAP@0.5和mAP@0.5:0.95分别达到了0.797和0.597,相较于YOLOv8n模型分别提升了0.013和0.028。

关键词： 异物检测   目标检测   可切换空洞卷积  

摘要： 接触网异物检测是保障电气化铁路安全运行的关键环节。传统检测方法存在效率低、误检率高等问题,难以满足现代铁路的高标准需求。本文提出一种基于改进YOLOv5s的接触网异物检测算法,通过引入可切换空洞卷积,增强网络对多尺度异物目标的特征提取能力,提升检测效果。实验结果表明,相较于原始YOLOv5s算法,本文算法取得了更优的异物检测效果,同时保持较高的实时性。

关键词： 大白菜   目标检测   YOLOv5   轻量化   注意力机制  

摘要： 大白菜收获机融入深度学习目标检测技术是实现大白菜收获自动化的一种重要途径,但常用的深度学习目标检测方法过于依赖GPU硬件,很难在普通移动端应用。针对这一问题,研究以YOLOv5为基础模型的大白菜快速识别方法,并进行了相应的改进。首先,用ShuffleNetV2网络的下采样单元和基本单元替换原模型骨干部分,使模型的参数大量减少,实现轻量化;然后,在颈部嵌入CBAM注意力模块检测输出,弥补轻量化后模型精度下降问题,最终的模型命名为YSCNet。实验结果表明:改进模型能够快速准确地识别白菜,其准确度、召回率、平均精度分别为97.32%、97.38%、98.08%。通过实时检测测试发现,YSCNet在CPU平台上相较于原模型表现更好,其FPS可达50.51帧/s。

关键词： 目标检测   头盔佩戴   YOLOv5   物联网   目标检测   交通安全管理  

摘要： 近年来,随着经济的快速发展以及人们出行需求的增加,我国道路交通行业高速发展,交通安全管理工作的实施越来越困难。为保障广大群众出行安全,设计研发了YOLOv5目标检测模型与前端C/S架构相结合的系统来实现头盔佩戴图片、视频文件、摄像头实时视频的头盔佩戴监测功能。实验结果表明,该系统减少了资源的浪费,交互性强,整体运行流畅且高效,有效地优化了交通管理效率,减少了人工巡查的成本和时间,对产品研发有一定借鉴意义。

关键词： 目标跟踪   跨模态特征交互   模态特异性特征   分层决策  

摘要： 红外图像与可见光图像具有互补优势，将红外模态引入目标跟踪能够显著增强跟踪算法对复杂环境的适应能力。近年来，一些研究将模态特异性特征提取与跨模态特征交互相结合，使跟踪性能取得了显著提升。然而，这类方法往往采用粗粒度的结合方式，难以兼顾视觉模型不同层级对特征的差异化需求。为解决这一问题，并考虑到模型各层级对不同特征的内在偏好，本文提出了一种层次感知的动态跟踪框架。该方法采用分层决策的机制，自适应地提取满足各层特定需求的特征，并通过设计简洁高效的特征处理模块，以更细粒度的方式实现模态特异性特征提取与跨模态特征融合。该机制继承了以往多种框架的优势，构建出结构上更具自适应性的多模态跟踪方法。实验表明，本文所提出的方法在多个数据集上均取得了优越的跟踪性能。