关键词： 目标跟踪   自注意力   特征学习   图神经网络  

摘要： Transformer跟踪器采用全局注意力机制时,常因目标形变导致特征判别性下降,引发目标和背景混淆.针对此问题,文中提出基于动态语义聚类关系建模的目标跟踪方法.首先,构建语义关系建模模块,通过特征空间中局部注意力聚焦语义相近的特征向量,有效抑制目标与干扰背景的错误交互.然后,利用图神经网络捕捉局部关联性,设计动态语义聚类模块,自适应生成语义类别划分,实现动态注意力突出目标和背景的鉴别信息.最后,设计语义背景消除模块,在关系建模过程中有效抑制背景特征干扰,提升跟踪效率.在6个基准数据集上的大量实验表明,文中方法性能较优.

关键词： 采摘机器人   目标检测   深度学习   智慧农业   方法研究  

摘要： 目标检测是机器人采摘的关键环节,直接影响采摘质量和效率。文章介绍了基于传统数字图像处理技术的自动化检测方法和基于深度学习的目标检测方法,分析了各类检测方法在具体案例中展现出的独特优势和不足,并结合生产实际,探讨基于深度学习的人工智能技术在农业采摘领域的应用前景。

关键词： 图像处理   Canny算子   边缘检测  

摘要： 提出并研究了一种基于Canny算子的改进数字图像边缘检测算法,在Canny算子基础上,引入了自适应高斯滤波及多尺度边缘响应融合策略,以提高边缘检测的鲁棒性和精度。不同噪声水平下的图像实验验证结果表明,改进后的算法在边缘定位精度、抗噪性能以及计算效率方面均优于传统Canny算子,能够更加准确地提取图像中的重要边缘信息。研究为数字图像处理中的边缘检测问题提供了新思路。

关键词： 目标检测   自动化   人工智能   键盘识别  

摘要： 为提升霍尔测试仪的测试效率,本文提出了一种综合应用运动控制、物体检测和机器视觉等技术的智能辅助操控系统,以外接于霍尔测试仪的键盘按钮作为检测目标,并以优化的you only look once(YOLO)v5算法损失函数和检测头的结构改进测试系统,提升检测性能.通过改进机械臂的运动模式,优化运动轨迹,以保证机械臂平稳准确点击目标按钮,完成自动化测试任务.通过以上改进,相机目标检测精度提升了10.8%,达到87.3%;机械臂点击正确率提升了10.0%,达到95.0%;系统辅助霍尔测试仪完成测试成功率提升了20.0%,达到80.0%.

关键词： 锁孔中心定位   集装箱装卸   深度学习   显著性目标分割   EGNet   目标检测  

摘要： 针对起重机吊具定位集装箱锁孔中心难度大、效率低的问题,基于深度学习,提出了一种两步式锁孔中心定位方法:先利用YOLOv4-tiny从集装箱图像中提取锁孔矩形区域,再基于显著性目标分割网络EGNet从锁孔矩形区域中分割出锁孔,从而定位锁孔中心。为提高锁孔分割精度和实时性,对EGNet进行轻量化,并对输入图像采取缩小策略。实验结果表明,在实际集装箱装卸工况中,所提方法定位时间仅消耗42ms,定位精度高达99.5%,与传统的锁孔边缘检测方法和目标检测方法相比,具有更高应用价值。

关键词： 砂质黏土   干缩裂隙   生态纤维   图像处理  

摘要： 砂质黏土保水性较弱,在蒸发作用下容易发生显著的干缩裂隙,加剧了其边坡的降水入渗,容易导致失稳。为了研究不同生态纤维对砂质黏土干缩裂隙的抑制作用,通过图像处理技术,分别对黄麻纤维、稻杆纤维改良作用下砂质黏土的水分蒸发、表面裂隙发展、演变和结构形态进行定量分析。研究结果表明:生态纤维与土颗粒有较强的黏结性,可通过延缓土体水分蒸发和加筋作用,有效抑制砂质黏土的干缩裂隙,且随着纤维掺量的增加,抑制干缩裂隙的效果增强;在0.6%(质量分数)的掺量下,黄麻纤维和稻杆纤维的改良效果最为显著,裂隙率分别下降了30.6%和23.8%,平均裂隙宽度分别下降了66.64%和70.86%。黄麻纤维、稻杆纤维的改良方法,为砂质黏土填筑工程的干缩裂隙治理提供了新思路和理论依据。

关键词： 目标检测   注意力机制   PointPillars算法   深度学习  

摘要： 针对PointPillars算法对小目标检测精度不足及易出现漏检和误检的问题,本文提出一种基于改进PointPillars的3D小目标检测算法:在主干网络中加入了轻量级注意力机制ECA,以增强网络对输入特征的表征能力,提高检测精度;同时为了在深层模型中有更好的效果,将ReLU激活函数替换为Hardswish激活函数,有效解决梯度消失的问题。在KITTI数据集上的验证实验表明,改进后的框架算法有效地提升了对小目标的检测能力,在鸟瞰图下,目标检测的平均均值精度(mAP)的中等难度均值(MmAP)为71.31%,相比原算法提升了5.62个百分点;相比其他主流模型,也能更好地检测小目标及遮挡目标。

关键词： 动态蛇卷积   YOLOv8   道路裂缝   道路安全   目标检测   注意力  

摘要： 针对当前道路损伤检测技术中存在的效率不高、成本过高以及不易于在移动设备上部署等挑战,提出一种基于改进YOLOv8算法的新型道路裂缝检测方法,命名为YOLOv8-RC(YOLOv8-road crack)。所提方法在YOLOv8n的架构基础上,对C2f模块进行改良,引入动态蛇形卷积技术以更精确地识别管状结构特征,同时能够自适应地关注于纤细和弯曲的局部结构。所提算法中新增一种效率高的多尺度注意力机制(efficient multi-scale attention,EMA),有效提升了识别精度。在模型的颈部结构中,加入加权双向金字塔网络(bi-directional feature pyramid network,BiFPN),实现了特征的多尺度融合,优化了算法的精度和效率。在RDD2022_China_MotorBike和RDD2022_Japan两个数据集上的实验结果显示,改进后的YOLOv8n-RC模型的mAP50分别为78.8%和43.8%,较原YOLOv8n模型分别提高了3.9%和3%。所提算法的模型参数总量仅为2.84 M,计算复杂度为7.8 G,从而证明了所提方法的实用性和优越性。

关键词： 道路限速   道路限高   交通标志牌   目标检测   信息提取   街景影像  

摘要： 针对端到端识别模型对样本稀疏交通标志牌识别效果差的问题,本文构建了一种在街景影像中先检测交通标志牌,再提取限速限高语义信息的方法,以实现对标志牌所在道路限速限高属性的更新。首先,融合公开样本数据集,训练基于4种典型网络的检测模型,对比选用效果最佳的Faster R-CNN作为标志牌检测模型;然后,分割全景街景影像,在子图像中检测限速限高标志牌;最后,引入PP-OCRv3文字识别模型提取限速限高值,并通过语义约束清洗结果。结合交通运输部门公开数据,对本文方法进行测试,并在中国台湾省台南市开展应用试验。结果表明,该方法适用于样本稀疏的限速限高标志牌,能从街景影像中准确提取限速限高信息,对交通标志牌管理和限速限高道路属性校验更新具有应用价值。

关键词： 计算机视觉   结构加固   深度学习  

摘要： 房屋建筑老化与极端气候频发导致建筑结构损伤问题日益加剧,传统的加固与改造方法效率低下且精度欠佳。针对该问题,文章提出了一种基于计算机视觉技术的建筑结构加固与改造方法,通过无人机与高分辨率摄像设备获取建筑物的外观和内部结构图像数据,结合深度学习算法,自动识别结构损伤,并生成精确的三维模型。实验结果表明,该方法显著提升了结构加固设计精度与效率,减少了人工干预,能够有效应对复杂的建筑加固需求。