关键词： 多尺度特征增强   特征指导   目标检测   方法   实验  

摘要： 针对传统输电线路异常目标检测全面性不足、效率低的弊端,本文提出基于多尺度特征增强与特征指导的检测方法,旨在实现全面、高精度检测,避免漏报、误报等问题。通过对目标检测方法应用原理的了解,对候选框生成做出改进,进行实验与分析,对比本文方法与其他方法(FasterR-CNN、MaskR-CNN等)的应用效果,根据检测精度对比结果评价本文方法对输电线路异常目标检测的应用效果。结果表明:本文方法在MSCOCO数据集上的检测精度为44.46%,在输电线路数据集上的检测精度为78.99%,均高于对比方法,对提高输电线路异常目标检测精度具有良好应用效果。本文研究可为同仁提供技术指导,通过高精度检测结果评价输电线路运行状况,以确保安全管理的有效性。

关键词： MR-YOLO   菌菇识别   注意力机制   深度学习   目标检测  

摘要： 针对目前菌菇生产、销售实际环境中人工识别存在误识别率高且效率低下的问题,利用不同的设备与途径采集了21类国民常见食用菌图像并建立数据集,提出了基于改进YOLOv5s的菌菇检测及分类模型MR-YOLO,在维持网络深度与宽度不变的情况下,提升算法模型性能,将原生的YOLOv5s算法网络结构进行修改,引入卷积注意力模块(Convolutional Block Attention Module,CBAM)注意力机制来保证在节约参数与计算量的情况下帮助模型提升识别精度和准确率;此外,在模型池化层上采用空间金字塔池化结构(Spatial Pyramid Pooling Cross Stage Paritial Connection,SPPCSPC)来使得模型在特征提取操作时获得不同的感受野,有效解决图像目标大小差异较大时所带来的负面影响;在模型卷积层上使用C2f模块,保证模型在轻量化的同时能够获取更丰富的信息流.试验结果证明,与官方原生YOLOv5s相比,MR-YOLO在识别精度上提升了4.1%.且边框损失、类别损失与置信度损失分别降低了8.0%、16.4%、9.7%.证明了MR-YOLO模型相比YOLOv5s有着更强的性能与表现.

关键词： AI赋能   精准教学   计算机视觉  

摘要： 文章探讨AI应用到“计算机视觉应用开发”课程精准教学实施过程,以“产学研用”为指导思想,将企业真实项目智慧仓储视觉识别系统开发引入课程,进行项目化教学,培养学生解决实际问题的能力。该研究以学生为中心,采集多维数据建立AI模型实现课前学情精准分析,为教师制定和动态调整教学策略提供依据,充分调动学生学习积极性。文章对教学的效果进行分析,通过精准教学实施,学生的技术水平和综合素质均得到提升,教学质量得到提高,该研究可为人工智能专业类课程精准教学实施提供实践参考。

关键词： 无监督   开放世界   增量学习   目标检测  

摘要： 开放世界目标检测(OWOD)将目标检测问题推广到更为复杂的现实动态场景,要求系统能够识别图像中所有已知和未知目标的类别,并且具有根据新引入知识进行增量学习的能力。然而,当前的开放世界目标检测方法通常将高对象分数的区域标记为未知对象,且在很大程度上依赖于已知对象的监督。尽管这些方法能够检测出与已知对象相似的未知对象,但存在严重的标签偏差问题,即倾向于将与已知对象不相似的所有区域都视为背景的一部分。为解决此问题,该文首先提出了一种基于视觉大模型的无监督区域提议生成方法,以提高模型检测未知对象的能力;然后,针对模型训练过程中,感兴趣区域(ROI)分类阶段对新类别的敏感性会影响区域提议网络(RPN)在提议生成阶段的泛化性能,提出了解耦RPN区域提议生成和ROI分类的联合训练方法,以提高模型解决标签偏差问题的能力。实验结果表明:所提方法在MS-COCO数据集上检测未知对象的性能取得了巨大的提升,未知类别的召回率是SOTA方法的2倍以上,达到了52.1%,同时在检测已知对象类别方面也保持了竞争性;在推理速度方面,该文模型使用纯卷积神经网络构建,而不是使用密集注意力机制,帧率比基于可变形的DETR方法多8.18 f/s。

关键词： 深度学习   目标检测   YOLOv5s   漂浮垃圾   特征融合   双层路由注意力机制   损失函数  

摘要： 针对漂浮垃圾检测存在小目标特征丢失引起的漏检误检和模型过于复杂导致部署困难的问题,提出一种基于改进YOLOv5s的目标检测算法YOLOv5s-PBW。采用改进的PB-FPN特征融合结构,在不影响检测精度的情况下,降低模型的复杂度;引入双层路由注意力机制(BRA),关注关键信息,提高对小目标特征的提取能力;使用Wise-IoU边框损失函数,专注于训练普通质量的锚框,提高模型的泛化能力。实验结果表明,改进后的模型相比原始YOLOv5s算法,参数量减少了62%,权重文件减少了61%,mAP@0.5提高了1.2%,适合无人水面船的漂浮垃圾实时检测。

关键词： 桥梁健康监测   数字图像处理   计算机视觉   裂缝几何测定  

摘要： 桥梁裂缝几何特征的精确测定是桥梁健康监测与维护流程中的核心环节。借助对裂缝长度、宽度及面积等几何特征的细致测量,可全面评估桥梁的结构安全性能和预期使用寿命。当前,这一测定过程融入了先进的激光扫描技术、数字图像处理技术以及计算机视觉技术,这些高科技手段不仅显著提升了测量的精确度与工作效率,还实现了非接触式的监测方式,极大地降低了对桥梁结构本身可能造成的损伤风险。进一步地,通过对裂缝几何特征数据的深入分析,能够更准确地预测裂缝的扩展趋势。据此,可以制定出更科学合理的维修策略,从而确保桥梁的安全性和稳定运行。

关键词： 棉田昆虫   CottonInsect数据集   图像分类   目标检测  

摘要： 棉花是新疆重要经济作物,由于种植结构调整、农药不合理使用与气候变化等原因,棉花易受多种虫害侵袭,影响其产量与品质。因此,构建复杂场景下棉田昆虫图像数据集对棉田害虫综合治理具有基础性意义。本文构建了复杂场景下新疆棉田主要昆虫图像数据集,用于真实环境下棉田昆虫的识别与检测。本数据集包含13种(类)常见的棉田昆虫,共3225张图像,原始图像共24 GB,均通过严格筛选,确保图像质量。对每张图像的棉田昆虫进行人工标注,构建图像分类数据集和目标检测数据集,数据集大小共29.7 GB。使用常见的深度学习模型对数据集进行评估,确保数据集的可用性和可靠性。本数据为棉田昆虫图像分类、目标检测等提供基础数据,对促进农业领域的发展、棉花虫害防治研究及提高棉花产量具有重要的实际应用价值。

关键词： 极坐标   BEV目标检测   位置和语义信息   特征加权   跨平面编码器  

摘要： 传统的笛卡尔坐标系下的3D目标检测方法因车载相机的固定楔形成像几何,导致相机图像编码时在一定程度上忽视了目标在不同视角下的对称性和连续性。鉴于此,本文提出一种基于位置与语义信息加权的极坐标BEV端到端3D目标检测方法—PolarDet。该方法通过极坐标查询与预定义的极坐标网格生成极坐标下的BEV位置与语义信息,再与前一帧的BEV信息进行特征交互以融入时间信息;在输出最终检测结果时,PolarDet再对位置与语义信息进行加权求和,以提高信息的利用效率,使网络能够达到更高的检测精度。本文在具有挑战性的BEV目标检测nuScenes数据集上进行了广泛的实验,结果表明,PolarDet最优模型的mAP(平均精度)达到0.469,NDS(nuScenes检测得分)达到0.56,显著优于基于笛卡尔坐标的BEV目标检测方法。

关键词： 缰核   抑郁症   磁共振成像   图像处理   深度学习  

摘要： 缰核(habenula,Hb)是一对位于脑深部的灰质小核团,作为联系边缘前脑与中脑之间重要的枢纽,在情绪调控中发挥关键作用,缰核的过度兴奋已被证实与抑郁症的发病密切相关。磁共振成像技术不断发展以及同人工智能的深度融合,不仅加深了人们对缰核参与抑郁症的发病机制的认识,也帮助完善了抑郁症的诊疗及预后手段。本文着重对抑郁症缰核的MRI、分割及影像学改变进行总结,并探讨了目前的研究面临的技术挑战,从而为抑郁症的早期诊断及个性化治疗策略提供新的思路。

关键词： 小目标检测   自适应切片辅助推理   不确定目标定位   非极大值抑制  

摘要： 针对无人机航拍图像中目标尺度不一、密度不一、细节不清,尤其小目标众多所导致的漏检和误检问题,提出一种基于自适应切片辅助推理的目标检测新方法。该方法首先将航拍图像输入目标检测网络进行初次推理,设计一种窗口得分机制来根据初次推理结果定位输入图像中的不确定目标,并自动选择有效的图像区域进行切片以适应不同尺度和密度的目标。接着将切片图像送入目标检测网络进行二次推理。最后对两次推理结果执行改进的非极大值抑制处理得到最终检测结果。在典型的VisDrone2019和AI-TOD数据集上的实验结果表明,本文方法提升了包括YOLOv7-tiny、YOLOv8n、YOLOv8s及YOLOv9-C在内的典型轻量级目标检测模型的mAP指标,有效提高了航拍图像目标检测性能。