关键词： 火焰检测   目标检测   YOLOv8   深度学习   卷积神经网络   轻量化   IoU损失函数   注意力机制  

摘要： 为降低基于计算机视觉的火焰检测算法计算量过大产生的资源消耗,以目标检测算法YOLOv8n为基础模型,在卷积和特征融合部分引入Ghost轻量化网络,使模型计算量降低,体积减小;使用Wise-IoU替换CIoU损失函数,优化边界框与真实框的度量计算,提升模型的检测效果;添加Shuffle Attention注意力机制改进对火焰特征的提取,使得精度进一步提升。所得新模型YOLOv8n-GWS较原基础模型均值平均检测精度mAP提升0.5%,权重文件体积压缩为原模型的60%,计算量降低38%,实现不降低精度的轻量化。

关键词： 复杂工业环境   工业机器人   视觉识别   图像处理  

摘要： 聚焦于面向复杂工业环境的工业机器人视觉识别与控制技术。负责解决复杂工业场景中光照变化、遮挡、多目标干扰等问题,包括对工业机器人视觉识别技术的组成、图像处理与特征提取方法进行分析,以及积极探索深度学习算法在目标分类、检测与分割中的应用。还针对其控制系统如何构建和运作,以及掌握控制算法原理进行说明,并重点追踪了运动学求解、路径规划及视觉伺服控制技术。

关键词： YOLOv11   学生行为   行为识别   目标检测  

摘要： 基于YOLOv11构建学生学习行为识别模型,相较于传统方法及YOLOv8等模型,其骨干网络采用创新模块,提升了特征提取效率与多尺度特征提取能力,检测头的优化设计降低了计算开销。实验结果显示,在学生课堂行为检测任务中,YOLOv11的P、R、mPA50和mPA50-95相比分别提高了3.1%、5%、1.6%和4.1%,能够实时、精准地识别课堂中学生诸如举手、阅读、写作等各类行为,为教师及时了解学生状态,调整教学策略提供了有力支撑,推动了智慧教育的进一步发展。

关键词： 汽车工程   自动驾驶   三维目标检测   激光雷达点云   自注意力机制  

摘要： 为了提升自动驾驶车辆行进中对周边移动目标尺寸、位置、朝向等空间信息的感知能力,结合PointPillars与PointRCNN模型优化检测方法,提出一种基于自注意力机制的多特征融合目标检测模型MF-Point。该模型引入完全自注意力(Fully Self-Attention,FSA)增强模型的上下文感知能力,通过可变自注意力机制(Dynamic Self-Attention,DSA)在上采样过程中将结构信息有效传播到整个节点网络以增强点云特征的空间语义信息。同时,在基准算法网络中新增与其点特征提取分支相并行的柱状特征提取分支,两者并行融入自注意力变体以生成综合点特征,将其嵌入到基准算法框架中以提升检测模型对点云的处理和解析能力。试验使用KITTI三维目标检测数据集,对车辆、骑行者以及行人3类目标进行模型训练与评估,结果表明:改进后的MF-Point算法在三维模式下,车辆、行人和骑行者的检测精度分别提升了2.19%、2.68%和2.12%;在鸟瞰视角模式下,这3类目标的检测精度分别提升了0.59%、0.88%和4.67%。为进一步验证模型的泛化能力及其实际应用效果,将训练好的MF-Point算法模型部署到ROS系统中,将KITTI中的64线公开数据集和32线实测点云数据分别进行检测验证,连续检测帧数分别达到8.4帧·s^(-1)和10.7帧·s^(-1),试验表明MP-Point模型提高了移动目标遮挡时的检测性能,漏检率降低了2.1%,且在公开数据集和实测验证中均具有较高的实时性和良好的检测性能。

关键词： 光伏电站   异常数据识别   图像处理   Canny边缘检测   Hough变换   双阈值  

摘要： 光伏电站SCADA(数据采集与监视控制)系统记录着大量的运维数据,这些数据对光伏电站日常运维具有重要意义。然而,由极端天气、传感器损坏等问题造成的异常数据会极大地降低数据质量,进而影响光伏功率预测以及光伏电站日常运维。因此提出一种基于图像特征检测和双阈值处理的异常数据识别算法,将数值型数据映射为图像,进而将异常数据识别问题转换为图像处理问题。首先,将异常数据划分负值异常、离散异常和堆积异常,基于图像数据密度识别离散异常数据。然后,基于Canny边缘检测和Hough变换识别堆积异常数据,并提出双阈值图像处理机制以提高算法的通用性。最后,基于真实数据集,将该算法与传统的统计算法进行对比,验证了所提算法的普适性。

关键词： 数字图像处理   四位一体   评价改革  

摘要： 随着信息技术的飞速发展,数字图像处理作为信息科学领域的重要分支,其教学方法和模式也在不断更新。基于数字图像处理课程,提出了“课堂专题教学+课后实践研修+网络自主学习+多元教学评价”的四位一体教学新模式,文章针对传统数字图像处理课程教学中存在的问题,通过项目式学习、案例分析、在线互动平台和多元化考核方式等手段,有效提高了学生的学习兴趣和实践能力。实践结果表明,2020级物联网工程2001班学生平均成绩提升了14%,不及格率降低至0%,有效验证了该模式的有效性和可行性。

关键词： AICG技术   计算机视觉系统   图像生成方法   数据增强技术   数据测试  

摘要： 传统计算机视觉系统在图像生成过程中,往往面临噪声干扰问题以及组织结构与颜色相似性带来的挑战,这些问题严重影响了图像分割的准确性。因此,本文提出了基于人工智能内容自动生成(augmented image content graph,AICG)技术的计算机视觉系统图像生成方法,旨在提升计算机视觉系统在图像生成领域的性能和应用价值。首先,详细概述计算机视觉系统图像生成技术,包括系统组成和传统图像生成方法。其次,分析数据集构建与预处理,阐述数据增强技术。再次,提出基于AICG技术的图像生成方法,建立AICG技术框架。最后,通过实验数据结果分析验证该方法的可行性和有效性。结果表明:该方法生成的图像具有更高的质量,能够为计算机视觉系统提供丰富的图像数据,这些高质量的图像数据有助于系统更准确地完成目标识别任务,从而提升系统的整体性能。

关键词： 仿生机器人   深度学习   计算机视觉   语音识别   运动控制  

摘要： 深度学习的突破性发展推动了仿生机器人技术的进步,通过探讨深度学习在仿生机器人感知系统中的应用,包括计算机视觉、语音处理和多模态融合技术,增强机器人对外界环境的理解能力.此外,深度强化学习和模仿学习的结合,使仿生机器人具备更强的运动规划和自主导航能力,提高了其在复杂地形中的适应性.同时,深度神经网络优化了机器人在动态环境中的决策过程,使其能够根据环境变化自主调整行为模式.随着深度学习算法和计算资源的不断发展,仿生机器人将在更多领域展现更高水平的智能化.

关键词： 无人机目标检测   YOLOv8   SASnet   多尺度上下文特征增强注意力   C2f_ODConv  

摘要： 针对无人机成像中目标小、背景复杂多样的问题,以及现有目标检测模型在检测精度、参数量和推理速度方面的不足,提出了多尺度上下文特征增强的无人机目标检测算法:①使用SASnet骨干网络,在不增加冗余特征的情况下提升特征提取能力;②加入多尺度上下文特征增强注意力机制,聚焦不同尺度的特征信息;③采用AKConv模型,突破传统固定窗口和采样形状的局限,获取更丰富的上下文信息;④使用高效的C2f_ODConv模块,动态调整卷积核的形状和大小,以适应不同输入数据,提升精确率、召回率和检测精度。实验结果表明,在VisDrone2019数据集上,本文模型相较于YOLOv8模型,检测精度提升2.6%,参数量减少近1M,推理速度达到147FPS;相较于YOLOv7-tiny检测精度提升4.7%,参数量减少3.95MB,计算量减少1.3G,FPS提升37。在NWPUVHR-10和TinyPerson数据集上,本文模型在精确率、召回率、检测精度以及推理速度等关键指标上均实现显著提升,进一步验证了本文模型的优越性和通用性。

关键词： 人体姿态估计   计算机视觉   深度神经网络   评价指标  

摘要： 人体姿态估计是计算机视觉领域的重要研究方向,在教育教学、临床诊断、人机交互等多场景均有重要应用。随着深度神经网络提出及发展,其以强大的特征学习能力、大规模并行处理等优势,广泛应用于人体姿态估计,并大幅提高了估计结果准确度和识别效率。以人体姿态估计为研究对象,梳理近5年相关领域100篇包含RNN、CNN、GAN、前沿网络模型等深度神经网络及其变体架构的代表性文献;此外,汇总梳理近5年常用数据集,并阐释了模型常用评估指标。最后,总结现阶段人体姿态估计领域面临的挑战,并展望未来研究,以进一步探讨深度神经网络在人体姿态估计中的应用潜力。