关键词： 图像处理   点云语义分割   局部特征增强   反密度函数   深度学习   特征向量  

摘要： 相比二维图像数据,三维点云数据普遍具有无序性、稀疏性和密度不均匀性,同时点与点之间的相关性以及结构信息的获取也是很大的挑战。正是由于点云的这些特性,对于特征信息不显著的物体的语义分割,一直是点云处理领域的一大难题。为此,提出了一种用于点云语义分割的局部特征增强网络,该算法设计了一种局部特征聚合模块用于增强特征信息。该模块将点云的相对点位置与其对应点特征串联在一起,从而获得增强的特征向量,实现了特征信息的增强。通过该模块使网络能够有效地学习复杂的局部结构信息,增强对局部几何信息的处理能力。此外,该算法在提取特征时采用反密度函数对稀疏区域的点赋予较大的权重,对稠密区域的点赋予较小的权重,从而有效消除了点云的密度不均匀性造成的影响。实验结果表明,该算法在斯坦福大规模三维室内空间数据集的平均交并比达到了67.4%,整体准确率达到了88.4%,相比DGCNN分别提升了11.3%和4.3%,对特征信息不显著的目标物的分割效果提升显著。

关键词： 目标跟踪   双重特征增强模块   自适应频域滤波器   样本不平衡   凝聚损失  

摘要： 视觉目标跟踪是计算机视觉领域的一项基础任务,在实际生活中有着广泛的应用,因此视觉目标跟踪技术的研究具有重要意义。之前的跟踪算法存在三个尚未解决的问题,一是随着ResNet网络的提出,空间特征提取得到了大幅加强,但仍有较大的进步空间;二是对于提取出的特征,跟踪器如何突出有效信息、抑制无用信息来达到更好的跟踪效果;三是样本不平衡问题导致模型无法判别未出现过的样本,进而限制了模型的性能。为了解决上述问题,论文设计了双重特征增强模块来优化ResNet骨干网络提取的空间信息。再利用傅里叶变换将空域特征转化为频域特征,接着在频域中利用可学习的滤波器自动过滤出适合当前跟踪器的特征,同时抑制背景中其他杂乱的特征信息。最后,引入凝聚损失函数,扩大困难样本范围并惩罚简单样本,显著缓解了样本不平衡问题。在四个具有挑战性的数据集上的大量实验结果表明,对比同期最先进的算法,论文提出的方法具有更加良好的性能。特别地,在TLP数据集实现了62.0%的成功率得分,在VOT2020LT数据集实现了1.7%的提升。

关键词： 深度学习   对抗样本   YOLOv8   目标检测   对抗补丁  

摘要： 目前,基于人工智能目标检测技术的摄像头得到了广泛的应用.而在现实世界中,基于人工智能的目标检测模型容易受到对抗样本攻击.现有的对抗样本攻击方案都是针对早版本的目标检测模型而设计的,利用这些方案去攻击最新的YOLOv8目标检测器并不能取得很好的攻击效果.为解决这一问题,针对YOLOv8目标检测器设计了一个全新的对抗补丁攻击方案.该方案在最小化置信度输出的基础上,引入了EMA注意力机制强化补丁生成时的特征提取,进而增强了攻击效果.实验证明该方案具有较优异的攻击效果和迁移性,将该方案形成的对抗补丁打印在衣服上进行验证测试,同样获得较优异的攻击效果,表明该方案具有较强的实用性.

关键词： 绝缘子   多重注意力机制   高阶特征融合   目标检测   YOLOv8  

摘要： 针对绝缘子缺陷图像目标分布较分散且特征不明显、检测精度较低等问题,提出一种基于改进YOLOv8的绝缘子缺陷图像检测算法模型(Highly Efficient Insulator and Defect Detector,HIEDet)。首先设计了一个主干特征提取网络,在特征图大的部分使用双层路由注意力机制,保持全局建模能力,在特征图小的部分使用高效梯度流多尺度注意力,通过分组和多尺度并行子网络来捕捉全局和局部的空间依赖关系,加强网络模型检测性能。然后设计了一个高阶联合特征分发机制网络,缓解了PANet结构导致的特征信息丢失问题,同时增强了模型的多尺度特征融合能力。最后,使用SIoU作为HIEDet网络的回归损失函数,帮助训练收敛过程和效果,提高模型在绝缘子缺陷图像检测任务上的检测性能。实验结果验证,改进后的HIEDet算法模型相较于YOLOv8在绝缘子缺陷数据集上mAP@50提高了2.2%,mAP提高了1.6%,表明提出的HIEDet算法模型在绝缘子及缺陷检测任务上的有效性。

关键词： 甲状腺结节   Mask R-CNN   目标检测   神经网络  

摘要： 目的/意义采用基于区域卷积神经网络的目标掩码分割算法(mask region-based convolutional neural network, Mask R-CNN)建立目标检测模型,智能识别甲状腺超声图像结节位置,为超声医生决策提供参考。方法/过程收集超声结节图像1 650张,使用labelme工具进行结节位置标注。对Mask R-CNN的主干网络分别采用MobileNetV3、ResNet50、ResNet101和ResNet152进行替换,并引入特征金字塔和感兴趣区域对齐,采用迁移学习训练策略训练模型,比较不同网络下目标检测效果。结果/结论主干网络采用ResNet101训练的模型平均精确度为86.8%,平均召回率为95.3%,平均F1分数为90.6%,优于其他主干网络,能更精确地检测甲状腺结节,具有一定临床应用价值。

关键词： Android   身份证号码识别   OpenCV   图像处理   Tesseract-OCR  

摘要： AI技术的发展推动了光学字符识别(Optical Character Recognition,OCR)技术的成熟,并被广泛应用于各领域,尤其是在移动应用(App)的实名认证环节。传统实名认证速度慢且错误率高,需手动输入身份证号码。为了改善这一问题,本文基于Android平台搭建了一个身份证号码识别系统,该系统运用OpenCV优化身份证图像,精准提取身份证号码区域,再通过Tesseract-OCR技术快速识别,识别率高达98%,且每张身份证的识别时长仅需约150ms。该系统满足App自动识别身份证号码的需求,适用性强。

关键词： 复杂背景   储藏小麦   害虫识别   图像处理   人工神经网络  

摘要： 在小麦害虫图像检测识别中,因害虫的种类繁多,形态各异,且往往受到光照、背景等环境因素的影响,增加常规神经网络的训练难度,使得常规神经网络在训练过程中出现梯度消失的问题,从而导致最终识别结果的精度偏低。为此,对常规神经网络进行优化,研究并设计一种小麦害虫图像识别方法。将采集的小麦害虫彩色图像转换为灰度图像,利用小波变换技术去除图像噪声,结合形态学操作滤除图像的冗余信息,提高图像的质量。对滤波后的小麦害虫图像进行线性变换和对比度调整,实现对数据集的离线增广,构建出一个包含大量样本、类别丰富的小麦害虫图像数据集。针对数据集中的图像提取小麦害虫特征,引入神经网络算法构建识别模型,通过增加分支数与卷积层数,对模型进行改进与优化,以降低网络的深度。将小麦害虫特征输入至改进后的模型中实现小麦害虫图像识别。实验结果表明,本研究方法能够准确输出小麦害虫的图像类型,识别准确率较高。

关键词： YOLOv8   深度学习   渔船牌号   目标检测  

摘要： 本研究旨在构建了基于YOLOv8模型的渔船牌号识别技术,针对船牌号图像存在的部分目标小、模糊、存在遮挡的特点,对YOLOv8模型改进,主要包括:删除20×20像素大目标检测层,增加160×160像素小目标检测层,提高算法对小目标检测性能并轻量化网络模型;引入GAM注意力机制模块,提高对小目标检测的精确率;用RepVGG替代C2F改进主干网络,提升召回率。实验表明,改进算法性能良好,其中准确率达到98.41%。同时,与原YOLOv8n模型进行对比,检测精确率提高1.3%,召回率提高2.1%,mAP值提高1.6%,模型体积缩减53.7%。通过本研究,文中期望为渔船牌号识别技术的发展提供有益的参考和启示。

关键词： 奶牛体况评分   目标检测   农业领域   健康监测  

摘要： 奶牛体况评分是评价奶牛产能与体态健康的重要指标。目前,随着现代化牧场的发展,智能检测技术已被应用于奶牛精准养殖中。本研究旨在创建一个奶牛体况评分目标检测数据集,以支持农业领域中奶牛健康监测的自动化。本数据集由体况评分3.25、3.5、3.75、4.0和4.25的5类图像组成,且每张图像都标注了奶牛的体况评分区域。体况评分是衡量奶牛健康状况的重要指标,对于精确而高效的评估具有重要意义。数据集的构建来自规模化养殖农场的奶牛图像,每张图像都经过专业兽医团队的体况评分,评分结果被用于生成标注信息。标注信息包括奶牛体况评分的边界框坐标和相应的评分标签。为了提高数据集的多样性和鲁棒性,在数据集中引入了一系列挑战性因素,例如不同光照条件、奶牛姿态的变化以及背景杂乱的情况。这有助于确保训练的目标检测模型在真实场景中具有良好的泛化性能。通过开发这一奶牛体况评分目标检测数据集,为农业领域的奶牛健康监测提供了一个有力的工具,有望推动相关技术的发展,提高奶牛管理的效率和精度。此外,本数据集还为研究人员提供了一个有价值的资源,用于深入研究奶牛体况与健康之间的关联,为未来的农业科技创新提供支持。

关键词： YOLOv8   特征提取   轻量化   目标检测  

摘要： 为了解决传统PCB板缺陷检测效率低下,检测精度较低的情况,文章提出了一种改进YOLOv8的轻量化PCB板缺陷检测方法。骨干网络使用改进的感受野注意力卷积(Rceptive-Filed Attention Convolution,RFAConv)代替原模型中的标准卷积,克服了卷积核参数共享的难题,提高了检测精度;头部网络使用P2和ASF进行改进,因为小目标通常在图像中占据较少的像素,所以更容易被忽略或误判,引入P2小目标检测层使YOLOv8能够更有效地检测小目标物体;注意力尺度序列融合ASF可以有效地增强网络的多尺度信息提取能力。实验结果表明,相较于基准模型,改进后的算法参数量减少了15.9%,检测精度(mAP@50-95)提高了2.4%,有效地降低了模型的参数,提高了检测精度。