关键词： 图像处理   计算机技术   数字化技术  

摘要： 图形图像处理作为计算机科学与技术的重要分支,它见证了计算机从简单像素操作到复杂智能分析的飞跃。随着大数据时代的到来,计算能力得到了显著提升,图形图像处理技术也不再局限于传统的图像美化与修复,而是深入到信息提取、智能决策等更高层次的应用中。随着社会的进步,计算机技术已成为主导的技术力量并深入到各个行业中,特别是在图形图像处理上得到了广泛的使用。近年来,由于算法的改进、高效运算能力及AI等方面的创新,使得图形图像处理有了更强的技术基础和广阔的前景。本文旨在对现阶段图形图像处理过程中的计算机技术运用情况进行研究分析,探索这些技术的基础理论和实施方法,并且预测未来的发展方向,以便给相关的科研工作者和从业人员一些借鉴和指导。

关键词： 疼痛评估   大鼠   深度学习   鬼脸量表  

摘要： 大鼠是疼痛相关研究中最常用的实验动物之一,如何准确评估大鼠的疼痛程度具有重要的意义。基于鬼脸量表的疼痛评估方法可以和人工智能技术深度结合,以往的实验动物智能化面部疼痛评估具有二阶段任务较为繁琐、仍需人工参与的缺陷,无法达到实用级别。本文利用深度学习技术,提出一种基于目标检测框架的大鼠面部疼痛快速自动评估方法:首先使用任意的目标检测算法进行训练和预测,得到初步鼠脸检测和疼痛评估结果,再根据“平均-归并”准则筛选得到每张图像最终有效的疼痛评估结果。该方法利用了目标检测算法的特点将鼠脸检测和疼痛评估转化为一阶段任务,无需人工参与;并且对目标检测算法会出现的漏检、误检现象进行设计处理,保证了预测结果的准确性。为验证所提出方法的性能,以3种目标检测算法为例,在RatsPain数据库上进行了基于留一大鼠协议的实验。实验结果表明,本文所提出的方法不仅能够进行快速的大鼠面部疼痛评估,而且也能达到较高的准确度,为大鼠的面部疼痛评估智能化提供了一种新思路。

关键词： 目标检测   鱼苗检测   轻量化   局部卷积   深度可分离卷积  

摘要： 基于深度学习的鱼苗检测在水产养殖中的应用为自动化和精确化管理提供了可能。针对鱼苗检测中设备性能低、实时性要求高等问题,提出一种改进YOLOv8的轻量化鱼苗检测算法FD-YOLO。将快速网络(FasterNet)替换YOLOv8原CSPDarkNet特征提取网络,采用局部卷积(PConv)减少冗余计算和内存访问。在特征融合中引入深度可分离卷积(DWConv),将标准卷积过程分解为相对简单的深度卷积和逐点卷积两个步骤并行处理,进一步减少模型的复杂性和计算资源消耗。使用Focal-EIoU作为模型损失函数,提高检测精度,使得模型更具鲁棒性。实验结果表明,改进后的检测模型参数量和计算量大幅降低,模型参数量下降了91%,计算量下降了85%,在CPU上的推理速度加快了3倍。改进后的鱼苗检测算法能更好地兼顾高精度和实时性之间的平衡,便于部署在资源有限的硬件平台上。

关键词： 计算机视觉   测量   击针   突出量  

摘要： 火炮击针的突出量尺寸是火炮设计及维护使用的重要参数,会直接影响其工作性能。针对传统击针突出量测量中存在人为误差、定量测量、通用等问题,本文基于机器视觉检测技术,设计了一种非接触式的自动测量系统,并进行试验验证。结果表明:该系统具有性能可靠、定量测量、高效通用化等优点,在测量中具有广阔的应用前景。

关键词： 目标检测   轻量化   CenterNet  

摘要： 针对CenterNet检测算法存在网络参数量大且未能充分有效利用多尺度局部区域特征的问题,提出一种MIR-SPPA-CenterNet目标检测方法来改进CenterNet检测网络。具体来说,在CenterNet的骨干网络中引入混合反残差(MIR)模块以达到轻量化的效果,此外,还引入一种改进的带有注意力机制的空间金字塔(SPPA)结构,对多尺度局部区域特征进行池化、级联和筛选,使网络能够自适应地学习到更加全面有效的目标特征。实验证明,该方法在通用PASCAL VOC数据集上和自建L-KITTI数据集上均表现出更好的检测效果。

关键词： 伪装目标检测   手工特征   深度学习   数据增强  

摘要： 伪装目标检测(camouflaged objectdetection,COD)是计算机视觉领域的一项挑战性任务,致力于识别那些与周围环境高度融合、伪装或隐蔽的目标,主要分为基于手工特征和基于深度学习2种范式。研究人员从单一特征和多特征融合2个角度分析了26种基于手工特征的方法;按发表年份和任务类型梳理了131个在2019年至2024年第二季度期间提出的深度COD模型来揭示其发展现状;基于3种模型调用模式和3类工作方式,分别详细分析了各类深度COD方法的优势与不足;总结了COD的常用数据集、数据增强技术和评价指标,并基于实验对27种前沿的图像级深度COD模型进行了性能评估。基于上述研究探讨了伪装目标检测面临的挑战和未来的发展方向。

关键词： 目标检测   碎屑矿物   YOLO v3   深度学习   智能地质学  

摘要： 碎屑矿物鉴定是沉积物矿物学研究中重要的组成部分。常规的体视镜下碎屑矿物鉴定是一项漫长、复杂且容易出错的任务,必须由训练有素的实验人员执行。这是一项乏味的工作,因为碎屑矿物体积小并且缺乏明显的特征,试验人员的疲劳会导致工作效率的降低甚至矿物的错误识别,并且矿物种类的识别结果也会受到试验人员的主观影响。计算机视觉和深度学习技术使碎屑矿物鉴定的智能化成为可能。为了提高碎屑矿物鉴定统计工作的效率,文中制作了体视镜下碎屑矿物图像数据集,训练优化YOLO v3网络实现了11类碎屑矿物的目标检测。实验显示,在训练的过程中,随着训练次数的增加,模型的损失函数不断减小,最后趋于稳定。使用顶光图像和融合图像训练的模型map值分别为91.03%和89.91%,说明试验所训练的模型具有较好的目标检测识别精度。在此基础上编写了一款碎屑矿物鉴定统计辅助软件,在文中碎屑矿物样品的鉴定过程中,使用该软件可以减少85%~90%的人工鉴定工作量。

关键词： 地面约束   体素滤波   角度聚类直方图   图像点云融合   3D目标检测  

摘要： 针对室外场景3D目标检测所面临的挑战,利用较为成熟的2D目标检测研究成果,提出一种基于地面约束的图像与点云配准方法,以实现点云目标的识别与定位。具体而言,提出了基于体素的滤波算法,最大程度地保留有效三维点。依据室外场景地面点的分布规律,设计了基于法向量Z向角的聚类算法,快速、精确地提取地面特征参数。进一步的,按地面约束条件构建从图像空间至点云空间的映射模型,完成图像目标与点云目标的配准,从而实现3D目标的检测与定位。实验结果表明,与传统方法相比,点云滤波的准确度、点云平面参数的提取速度和3D目标的平均定位精度分别提升了约8%,46.7%和10%。证明了所提方法的可行性与有效性,为室外场景3D目标检测技术的发展提供了有价值的参考与实践依据。

关键词： 电网工程   场景识别   目标检测   图像融合   F-CNN  

摘要： 针对电网工程场景识别准确率和效率不高的问题,设计一种基于卷积神经网络的多源图像融合识别模型(Fusion image convolutional neural network,F-CNN)的电网工程场景识别系统。首先,然后采用改进的YOLOv5s网络进行电网场景图像进行目标检测;然后对红外图像和可见光图像进行多光谱图像融合处理;最后通过F-CNN识别模型实现电网工程场景识别。实验结果表明,本模型的场景识别精确率、召回率和F1值分别取值为95.37%、94.06%和97.59%,明显高于传统的CNN-Transformer识别模型和ResNet-LSTM识别模型,且本模型的识别时长仅为18.52 s,相较于另外两种模型分别低了61.48 s和39.97 s。由此分析可知,本方法可实现电网工程场景快速准确识别,可在系统中进行有效应用,具备有效性。

关键词： 目标跟踪   传感器控制   联合风险   改进匈牙利法  

摘要： 在多传感器多目标协同跟踪过程中,雷达量测噪声方差随距离变化,距离相关噪声特性使得目标跟踪误差增加。雷达辐射风险和目标威胁风险将导致跟踪精度和传感器安全性下降。对此,在时变量测方差下构造了广义目标跟踪代价,综合考虑雷达辐射截获概率和目标威胁风险,建立时变量测方差下多传感器联合风险控制模型,提出了改进匈牙利法优化求解,通过最小化综合风险合理控制传感器跟踪目标。仿真显示,所提算法在满足对目标跟踪精度要求的同时降低了联合风险。