关键词： 全息   颗粒测量   数字重建   图像处理   现场可编程门阵列  

摘要： 由于数字全息技术在三维颗粒场测量领域具有广阔的应用前景,本文基于FPGA设计并实现了一种颗粒全息图像重建算法。针对实时性要求高、全息图尺寸大且可变、重建截面数量多但硬件资源有限的场景,提出一套新的设计架构和实现方案。整体架构具有3个维度的独立性,呈现层次性和规律性。具体设计包括定点数溢出和精度损失应对策略、相移函数无滞后现场生成方案,以及高效数据加载和存储方案等,解决了上述场景下所有问题。实验结果表明,FPGA颗粒全息重建结果与参考值的结构相似性达99.8%,准确性高。在全息图尺寸为256×256、512×512、1024×1024、2048×2048时,重建耗时相比已有研究至多分别减少了47.6%、49.3%、20.9%和84.6%,计算性能提升显著。

关键词： 目标检测   裂缝检测   YOLO   数据增强   无人机  

摘要： 混凝土大坝表面裂缝大多仍采用人工检测,不仅风险性高,而且效率低。随着信息化技术的进步,智能化检测混凝土大坝表面裂缝是发展方向。现有利用图像识别的算法难以很好解决大坝裂缝样本少、裂缝长宽比大和背景环境复杂等问题。针对上述问题,以开源数据库和YOLOv5模型为基础,采用了迁移学习、数据增强和分段标注等技术手段,最终实现了混凝土坝面的裂缝自动检测,mAP@0.5达到0.942,F1-score达到0.919。与传统算法相比,笔者提出的算法具有更好的泛化性、准确性和实时性。实验表明,该算法适当调整后,也可用于桥梁、市政道路等工程的混凝土裂缝检测,而且可利用无人机、照相机、车载相机或其他设备采集表面图像,采集方式较为广泛。

关键词： 侧扫声呐图像   明暗恢复形状   三维重建   线性化法   海底检测   高精度成像   水下图像   图像处理  

摘要： 明暗恢复形状(shape from shading,SFS)算法是三维重建中不可缺少的关键技术。该方法通过单幅图像中物体的灰度的亮度信息,求出每个点的相对高度和表面法向量,现有的SFS线性化算法利用泰勒级数进行展开忽略了高阶部分的影响,导致三维重建的图像不够精确等问题。为解决三维重建精度问题,本文提出一种基于SFS算法改进的高精度快速水下图像三维重建方法,在提高三维重建精度的前提下,解决了对本轮数据利用率不够、迭代速度慢等问题。将其应用在真实图像和虚拟图像上进行实验评估以及三维重建的量化分析,验证了相比于经典SFS线性化算法和SFS最小化算法,本文提出的SFS算法改进的高精度快速水下图像三维重建方法,取得了令人满意的信噪比和图像信息熵值。

关键词： 目标检测   对比学习   非极大抑制   小样本   遥感图像  

摘要： 针对当前遥感图像目标检测算法依赖于大规模标注数据集才能发挥良好性能、检测新类时准确率低的问题,在经典的检测模型Faster-RCNN基础上提出一种新的遥感图像小样本目标检测模型。首先,通过引入元训练方法有效缓解了在平衡子数据集上的过拟合现象;其次,在超空间中利用对比学习辅助模型更好地编码新类目标和基类目标,从而更准确地进行目标分类,在提升对新类样本检测效果的同时,减缓由于加入新类所产生的灾难性遗忘。此外,提出一种适用于小样本目标检测场景下的非极大抑制算法,有效解决了同一目标的重复检测问题。实验结果表明,在大规模基准数据集DIOR上,该方法相比次优网络MM-RCNN,新类检测的准确率提升了3.5%,基类检测的准确率提升了8.7%,所有类别检测的准确率提升了6.4%。同时,在NWPU VHR-10数据集上进一步证明了该方法的有效性。

关键词： 目标检测   YOLOv8n   马铃薯叶片病害   轻量化  

摘要： 为了提高马铃薯叶片病害检测效率以及降低模型在资源受限设备上的部署要求,提出一种基于改进YOLOv8n的马铃薯叶片病害检测模型YOLOv8-VSG。具体改进如下:首先,引入轻量级神经网络架构VanillaNet模块替换原模型的骨干特征提取网络,有效缩减了模型体积;其次,在Backbone嵌入轻量化注意力机制SimAM(Simple Attention Module),增强模型对不同病害区域的关注度,提升网络检测性能;最后,使用GIoU(Generalized Intersection over Union)为边界框回归损失函数,加快模型收敛速度,提升模型泛化能力。实验结果表明,YOLOv8-VSG模型在mAP@0.5和mAP@0.5∶0.9指标上分别达到93.4%和91.5%,较YOLOv8n模型分别提升了2.2%和2.1%,同时检测速度提高了32.9%,参数量减少了37.2%,该方法为马铃薯叶片病害快速、准确检测及实现端侧设备部署提供了参考。

关键词： 藏系绵羊   产肉量预测   产量等级   计算机视觉系统  

摘要： 【目的】对藏羊胴体进行产量等级划分,为合理地确定藏羊胴体价格提供参考。【方法】对800只2和4岁的霍尔巴与岗巴雄性藏系绵羊的胴体重和前后腿重进行称重统计,采集全胴体图像,使用Python程序结合图像处理技术,对图像中藏羊胴体体尺指标进行识别,并提取胸宽,体长,正臀宽和后腿宽的长度。通过对这些指标的描述性分析将藏系绵羊分为3个组别,通过相关性分析和多元线性回归分析确定各组别的分级指标,并建立产量预测模型,通过二阶聚类分析对藏羊胴体进行产量等级划分。【结果】建立了2岁藏羊,4岁霍尔巴羊和4岁岗巴藏羊的胴体产肉量预测模型,并以胴体重、胴体指标得分为分级指标,将其分为A、B、C、D 4个产量等级标准。【结论】建立了藏系绵羊产量等级划分标准,使其产量分级更加准确,为藏系绵羊胴体产业智能化自动分级提供理论基础及参考依据。

关键词： 目标检测   胃肠道息肉   注意力机制   加权双向特征金字塔网络   轻量级网络  

摘要： 针对胃肠道息肉检查漏诊率和误诊率较高的问题,研究了一种可用于胃肠道息肉检查的实时检测模型。首先,收集公开的胃肠道息肉图像数据,构建了一个来源广泛,种类丰富的胃肠道息肉数据集;然后,基于YOLOv8算法中的YOLOv8n模型,使用BiFPN模块替换YOLOv8n模型中的PANet模块来增强模型的特征提取能力,引入Effective SE注意力机制提高模型检测精度,并采用轻量级网络ShuffleNetV2在保证模型检测精度的同时,提高模型的检测速度;最后,在收集到的胃肠道息肉数据集上改进模型的精确率达到96.2%,召回率达到91.6%,mAP@0.5达到96.8%,mAP@0.5∶0.95达到70.8%。实验结果表明,本文改进的模型能够更好的满足胃肠道息肉检查时的精度和速度要求。

关键词： 遥感图像显著性目标检测(RSISOD)   空洞多尺度注意力聚合(DMSAA)   Mamba-UNet   多尺度注意力聚合视觉Mamba-UNet (MSAAVMamba-UNet)  

摘要： 针对遥感图像显著性目标检测(RSISOD)难题，构建一种多尺度注意力聚合视觉Mamba-UNet (MSAAVMamba-UNet)模型。该模型由一个编码器、一个解码器、三个通道注意力跳跃连接(CASC)层和一个瓶颈层组成，其中编码器和解码器由视觉状态空间(VSS)模块构建，利用VSS和CASC有效获取遥感图像（RSI）中的长距离依赖关系，在瓶颈层引入空洞多尺度注意力聚合模块(DMSAA)，有效整合局部-全局特征，提取多尺度小目标的细节特征。该模型整合了多尺度卷积、注意力机制、U-Net与Mamba-UNet的优势，提高了RSISOD的性能。在大规模RSI数据集EORSSD中的飞机图像子集上进行实验。结果表明，MSAAVMamba-UNet能够精确检测RSI中的显著性多尺度小目标，精确率达到84.07%。该方法为RSISOD系统提供了技术支持。

关键词： 茶叶病害检测   目标检测   注意力机制   特征融合  

摘要： 为了更准确地检测茶叶病害，从3个不同的视角重新审视特征图：通道-宽度、通道-高度以及宽度-高度视角。基于通道-高度视角及通道-宽度视角，提出了一种新的残差多尺度增强注意力模块，提取病害图像的语义信息和空间特性。同时，从3个视角出发，提出了一种新的基于三重注意力的特征融合增强模块，对通道和空间特征进一步融合，以提高模型对叶片和病害的区分能力。实验结果表明，改进后的模型实现了95.2%的mAP、93.1%的精度、92.0%的召回率，优于现有的检测方法。

关键词： 苹果叶片   植物病害   YOLOv8n   深度学习   目标检测  

摘要： 为提升复杂背景下苹果叶片病害的检测精度，应对苹果叶片病害对生产带来的影响，提出改进YOLOv8n模型。构建一个多场景下的苹果叶片病害数据集，共包含4 686张图片，涵盖6种常见病害。引入Optimized—CBAM注意力机制增强模型对关键特征的关注度。使用更轻量化且高效的SimSPPF模块替换特征融合模块。引入结合CIoU和EIoU优点的Focal-EIoU损失函数，进一步增强模型在特征提取和边界框精确定位方面的能力。结果表明，改进YOLOv8n模型准确率为94.16%、召回率为84.16%、平均精度均值mAP为87.4%，模型体积为6.15 MB，检测速度为370.4 FPS，与基线YOLOv8n模型相比，分别提升1.02%、4.07%、2.8%、0.03 MB、14.8%。改进YOLOv8n模型有效提高苹果叶片病害的检测性能，特别是在复杂背景下，其检测精度和鲁棒性方面显著优化。为智能农业的病害检测提供可靠支持。