关键词： 智能交通   交通流量检测   多目标跟踪   隧道交通流   FairMOT  

摘要： 【目标】为实时监测隧道内交通流量,实现公路隧道通风、照明系统的运营能耗降低以及按需智能化控制,提出了一种基于FairMOT架构并以深层聚合算子为检测器的多目标跟踪交通流量检测方法。【方法】该方法以FairMOT网络架构为基础,采用高性能特征提取网络HardNet作为模型骨干,以获取更为丰富的车辆特征信息;利用深层聚合算子变体作为编码器-解码器结构实现语义特征与空间特征的有效融合,增强了算法对于运动中车辆形状尺寸变化的检测效果;设计融于检测器中的虚拟双绊线计数规则,提高了目标的匹配准确率;引入融合匈牙利匹配与基于核相关滤波的增量目标跟踪算法进一步优化了模型目标跟踪性能。以西安市两个隧道采集的视频数据为基础,运用图像处理方法将初始数据集进行扩充,构建了具有不同交通场景的隧道交通流数据集。基于该数据集对检测算法进行验证和对比试验。【结果】所提算法的多目标跟踪准确度为83.3%,平均数比率为81.9%,均高于对比算法,并且算法的车辆检出率为97.8%,准确率为98.8%,检测速度达到了20帧/s。【结论】所提方法满足公路隧道照明和通风系统按需优化控制的交通流检测准确性和实时性需求。

关键词： 图像处理   多边形逼近   直角筛选   长宽比   方形检测  

摘要： 文章提出了一种基于图像处理技术的方形表盘识别方法。该方法首先针对预处理后的方表图像,采用多边形逼近算法和直角筛选算法,以初步确定大致的方形区域范围;其次通过采用长宽比匹配以及剔除非最大轮廓算法,删除错误的方形区域,从而确保目标区域的精确性。实验结果表明,该算法能有效排除错误区域的干扰,精准获取目标区域,为后续电表表盘的指针读取提供了可靠的图像基础,解决了电表表盘读数过程中存在的识别耗时长、识别精确度不高等问题。

关键词： 深度学习   YOLOv8n   蝴蝶兰种苗   轻量化   检测速度   小目标检测  

摘要： 小型植物组织检测对植物自动化培养产业的发展具有重要意义,为了提升蝴蝶兰种苗夹取点视觉检测效率以及解决现有模型参数量较大,检测速度较慢的问题,该研究提出了一种轻量化目标检测算法YOLOv8n-Aerolite。首先,采用StarNet作为主干网络,在此基础上增加嵌入大核可分离卷积的池化层SPPF_LSKA(large-separable-kernel-attention),实现轻量化的同时保证准确率;然后在颈部网络中采用结合StarBlock的C2f_Star模块,提高模型对蝴蝶兰种苗检测的准确率;最后,采用以共享卷积为基础的轻量级检测头Detect_LSCD(lightweight shared convolutional detection head),提升模型对小目标检测的精度和速度。在对蝴蝶兰种苗图像数据集的目标检测试验中,YOLOv8n-Aerolite算法的平均推理速度达到了435.8帧/s,精确度达91.1%,权重文件大小仅为3.1 MB,对于夹取点所在小目标检测精度达91.6%,在种苗夹取试验中成功率为78%,研究结果可为发展小型作物自动化栽培技术提供参考。

关键词： 文本生成图像   扩散模型   计算机视觉   人工智能   社会伦理  

摘要： 文本生成图像技术在人工智能和计算机视觉领域取得了显著进展,能够将文字描述转化为视觉图像,为信息传达提供了全新的方式。研究文献表明,从早期的词汇与图像关联分析到当前的深度学习模型,这项技术经历了快速的发展。尤其是扩散模型,因其卓越的生成能力和图像质量,近年来备受关注。文章深入探讨了去噪扩散概率模型、基于分数的生成模型以及基于随机微分方程的生成模型的原理与优势。同时,讨论了扩散模型技术可能面临的技术风险和社会伦理问题,并提出了相应的应对策略。最后,总结了文本到图像生成技术的未来挑战和研究方向,指出了扩散模型的巨大潜力及其进一步发展的前景。

关键词： 深度神经网络   知识蒸馏   对比学习   模型压缩   目标检测  

摘要： 知识蒸馏在图像分类等任务中是最有效的模型压缩方法之一,然而它在复杂任务如目标检测上的应用较少。现有的知识蒸馏方法主要专注于构建信息图,以过滤教师和学生在特征提取过程中来自前景或背景区域的噪声,最小化特征之间的均方差损失;然而,这些方法的目标函数难以进一步优化,且只利用教师的监督信号,导致学生缺乏对非正确知识的针对性信息。基于此,提出一种面向目标检测的对比知识蒸馏(CKD)方法。该方法重新设计蒸馏框架和损失函数,不仅使用教师的监督信号,而且利用构造的负样本提供指导信息进行知识蒸馏,让学生在获得教师的知识的同时通过自我学习获取更多知识。在Pascal VOC和COCO2014数据集上,使用GFocal(Generalized Focal loss)和YOLOv5模型将所提方法与基线方法对比的实验结果表明:CKD方法在Pascal VOC数据集上使用GFocal模型的平均精度均值(mAP)提升5.6个百分点,平均精度(阈值为0.5)AP50提升5.6个百分点;在COCO2014数据集上使用YOLOv5模型的mAP提升1.1个百分点,AP50提升1.7个百分点。

关键词： YOLOv8n   注意力机制   并行化设计   上采样   损失函数  

摘要： YOLOv8n算法在面对背景繁杂、目标密集、像素点小的情况下,表现出识别精度欠佳、目标漏检及误识别的问题.针对上述问题,提出一种LNCE-YOLOv8n安全装备佩戴检测算法.包括提出线性多尺度融合注意力LMSFA(linear multi-scale fusion attention)机制,自适应聚焦关键特征,提升对小目标信息提取的能力且减少计算.提出C2f_NewNet(C2f_New network)结构,通过有效的并行化设计,保持高性能且减少深度.结合轻量级通用上采样算子CARAFE(content-aware reassembly of feature),实现跨尺度的高效特征融合与传播,在大的感受野内聚合上下文信息.基于SIoU(symmetric intersection over union)损失函数提出ESIoU(enhanced symmetric intersection over union),提升模型在复杂环境中的适应性和精度.实验采用safety equipment数据集进行训练测试,结果表明LNCEYOLOv8n算法相比YOLOv8n算法,精度提升了5.1%,mAP50提升了2.7%,mAP50-95提升了3.4%,有效提高建筑工地复杂场景的工人安全装备佩戴检测精度.

关键词： 水产养殖   南美白对虾   目标检测   质量估测   双目视觉  

摘要： 南美白对虾的育种及养殖过程中,体长体重等性状参数是育种和生产过程管理的重要参考数据,一般需要进行较为频繁的测量,目前主要采用人工测量,费时费力、易出错、效率低。本文提出了一种结合目标检测、关键点检测、双目视觉的浮游对虾尺寸测量方法,在足够的数据与训练的前提下,通过Faster R-CNN检测网络解决浮游对虾定位问题;使用RTMPose网络进行关键点检测,通过关键点判断对虾姿态再决定是否计算对虾长度;利用双目相机成像原理,计算对虾二维关键点在三维空间中的坐标。经试验验证,本文长度测量结果相对平均误差为3.46%,质量估测结果相对平均误差为8.19%,为水产养殖业在线无损实时监测对虾智能装备提供关键技术参考。

关键词： 电力配网施工   深度霍夫变换   目标检测   畸变矫正子网络   语义分割  

摘要： 传统人工巡检效率低、成本高、覆盖范围有限,难以满足现代电力配网施工的复杂监测需求。为此,提出一种基于深度霍夫变换直线检测和基于YOLOv8目标检测的电力配网施工合规性监测系统。该系统利用深度霍夫变换技术检测电力设施,并引入畸变矫正子网络来校正图像畸变,提高复杂场景下的检测性能。采用YOLOv8算法进行目标检测,识别施工现场的人员、工具和标识。实验结果表明,基于深度霍夫变换直线检测方法在电线杆和电线检测中优于传统直线检测方法,基于YOLOv8的目标检测算法能够实现高精度识别,为电力配网施工合规性监测提供了可靠支持。

关键词： 航空伽马能谱测量   铀矿勘查   特征参数   岩性圈定   图像处理  

摘要： 本文在论述航空伽马能谱测量系统基础上,根据甘肃龙首山地区不同岩性地质体分布特征和测区航空伽马能谱切割线测量的铀、钍、钾质量分数数据,先验性地建立了不同岩性地质体放射性元素(铀、钍和钾)质量分数的高斯概率分布模型。根据航空伽马能谱测量获得的全测区铀、钍和钾质量分数数据,采用非线性最小二乘法拟合,构建了测区不同岩性地质体的分离模型,获得了不同岩性地质体高斯分布的钾、铀、钍质量分数均值与标准差。在此基础上,以0.6 m(Th)+0.2 m(U)+0.2 m(K)之和作为测区岩性特征参数Y,对测区不同岩性地质体分布范围进行了初步划分,并采用平滑、锐化、高斯聚类等图像增强处理方法,使不同岩性地质体边界变得更为清晰。Kappa系数检验表明,本方法的岩性区分效果达到一般的一致性。此外,以不同岩性的铀增量(ΔU)和钾增量(ΔK)为特征参数,采用图像增强处理方法,在测区圈定了6处铀质量分数增量异常和3处钾质量分数增量异常。所圈定的钾含量增量异常与铀含量增量异常在空间上吻合良好,有4处铀质量分数增量异常与已知铀矿床(矿点)分布一致,反映了测区内铀元素迁移富集与碱性热液活动具有相关性。本文采用航空伽马能谱测量特征参数与图像处理相结合的方法来划分测区岩性和预测铀矿床(点),具有重要的生产意义和地质找矿价值。

关键词： 机器视觉   缺陷检测   手机屏幕玻璃盖板   手机外壳   深度学习   数据集   性能评价指标   图像处理  

摘要： 智能手机在现代人们的学习、工作与生活中扮演着十分重要的角色,手机的大批量生产给手机表面(手机屏幕玻璃盖板、手机外壳)缺陷检测工作提出了更高的要求,而基于机器视觉的检测方式能够更加快速准确地实现对手机表面缺陷的检测。以该领域面临的挑战为思路,总结了近10年来基于机器视觉的手机表面缺陷检测的研究进展。首先列举了手机表面存在的典型缺陷,并分析了机器视觉应用于手机表面缺陷检测工作中面临的部分难题,其中包括算法的精度、实时性、鲁棒性3个方面;然后分别针对上述问题的改进方法进行了分析与对比;进一步总结了目前可供使用的手机表面缺陷数据集及算法的性能评价指标;最后根据手机表面缺陷检测领域面临的问题进行了总结与展望。