关键词： 林业害虫   目标检测   YOLOv7   GhostConv   SE注意力   CoordConv  

摘要： 为提高林业害虫识别精度，提出改进YOLOv7的林业害虫检测模型（GhostConv and SE Attention Enhanced YOLOv7，GS-YOLOv7）。该模型首先将主干网络的传统卷积改用GhostConv轻量卷积，减小模型运行的参数量，提高模型效率；其次，通过添加挤压激励（Squeeze Excitation，SE）注意力模块，强化对特征不显著的害虫图像边缘的提取能力，进而提高网络的特征提取能力；再次，用特征内容感知重组（content aware reassembly of features，CARAFE）轻量级算子取代传统采样方法，提高特征重建质量，解决尺度不匹配问题，增强检测性能；最后，在 Neck 网络引入协调坐标卷积（Coordinate Convolution，CoordConv）模块，利用其位置信息解决目标定位不准问题，提高模型对空间位置的感受能力和泛化能力；在6种常见的病虫数据集上进行试验，GS-YOLOv7模型的精确率达到93.15%，交并比阈值为0.5时的平均精度均值达到93.29%，比原模型的精确率、平均精度均值分别提高6.50%和2.09%；参数量和模型大小分别降至1.9×107和38.17 MB，比原模型分别降低51.4%和46.53%。结果表明，GS-YOLOv7模型较原模型性能有显著提升，模型改进有效。

关键词： 计算机技术   中职   视觉传达课程   应用研究  

摘要： 随着计算机技术的快速发展,其在中职视觉传达课程中的应用日益广泛。本研究旨在探讨计算机技术在中职视觉传达课程中的具体应用及其效果,以期为提升教学质量和效率提供参考。通过对相关文献的综述和实地考察,本研究发现计算机技术在艺术创作、广告设计、游戏开发等领域发挥着重要作用,极大地丰富了视觉传达的表现形式和传播途径。同时,计算机技术的应用也对学生的创新思维和实践能力培养产生了积极影响。

关键词： 目标检测   计数信息   Transformer  

摘要： 目标检测技术作为智能感知的核心环节，在自动驾驶、智能安防等领域具有重要应用价值。针对复杂场景下传统DETR模型特征表征能力受限的问题，本研究提出融合目标计数信息的Counting-DETR算法，实现了检测精度与推理效率的双重提升。该方法是一种基于集合的全局损失，其通过二分匹配强制进行唯一预测，用目标计数信息来辅助视觉特征增强，将其注入视觉模型当作全局线索增强视觉特征的推理能力。提出一个基于全局计数信息的Transformer编码器，以便提取更全面的视觉特征表示来指导模型得到更准确的检测结果。实验结果表明，将目标计数信息融合到视觉模型能有效增强模型对复杂场景的语义理解，为解决动态环境中的目标漏检、误检问题提供了新思路，为多模态感知算法的工程化应用奠定理论基础。

关键词： RGB-T跟踪   多模特征融合模块   特征空间位移模块   特征交互学习模块  

摘要： 为解决现有目标跟踪算法深层次特征提取困难、不能充分利用跨模态信息以及目标特征表示较弱等问题,提出了基于孪生网络的特征融合位移RGB-T目标跟踪算法.首先,基于可见光模态SiameseRPN++的目标跟踪框架,扩展设计红外模态分支,以获得多模态目标跟踪框架,设计了改进步长的ResNet50作为特征提取网络,有效挖掘目标的深层次特征.随后,设计特征交互学习模块,利用一种模态的判别信息引导另一种模态的目标外观特征学习,挖掘特征空间和通道中的跨模态信息,增强网络对前景信息的关注.然后,设计多模特征融合模块计算输入的可见光图像和红外图像的特征融合度,对不同模态的重要特征进行空间融合以去除冗余信息,并采用级联融合策略重建多模态图像,增强目标特征表示.最后,设计特征空间位移模块,分割红外模态分支的特征图并向四个不同方向移位,增强热源目标特征的边缘表示.在两个RGB-T数据集上的实验验证了提出算法的有效性,消融实验证明了设计的单个模块的优越性.

关键词： 数字图像处理   人工智能背景   教学内容   教学方法   教学改革  

摘要： 随着人工智能技术蓬勃发展,数字图像处理技术迭代速度加快,因为该课程有应用广泛和多领域交叉融合的特性,传统教学模式需要革新,在这样的背景下,数字图像处理技术课程教学改革变得很迫切,要把前沿技术和知识内容紧密结合,推动该领域教育现代化,本文从多个维度探讨课程内容优化、教学方法创新、教学考核体系构建、明确教学目标、转变教学模式以及更新教学理念等关键问题,打破传统框架限制,培育有卓越专业素养的数字图像处理技术人才。

关键词： BL-YOLO   目标检测   无人机图像   BiFPN   YOLO v10  

摘要： 针对传统无人机航拍图像中目标尺度多样、背景复杂、小目标密集等特点，当前目标检测算法存在漏检、误检等问题，提出一种BL-YOLO（BiFPN-LSKA YOLO）目标检测算法。首先，在检测头前增加LSKA（Large Separable Kernel Attention）注意力机制，使模型在检测前能将注意力集中于最关键的特征。然后，添加一个大尺寸160×160目标检测头以提升对航拍图像小目标的检测能力。最后，设计使用BiFPN（Bidirectional Feature Pyramid Network）重构颈部结构，使得网络实现多层特征融合。实验结果表明，基于BL-YOLO网络结构的目标检测的mAP@0.5为37%，模型较YOLO v8n、v10n、v11n分别提升了4.0%、4.6%、4.4%，BL-YOLO的参数量较YOLO v8n、v10n、v11n分别下降了18%、8.6%、4.7%，通过在Dronevehicle红外数据集上的泛化实验也验证了模型的有效性，BL-YOLO算法能够有效地实现无人机航拍图像的目标检测。

关键词： 昆虫   目标检测   图像识别   计数   检测模型  

摘要： 物种种类识别与计数是田间昆虫目标检测的重要内容，其对害虫的监测预警及科学防控具有重要意义。传统人工识别昆虫种类和计数的方法效率低，难以应对田间昆虫种类的多样性，且无法满足智慧化农业对害虫防控工作的需要。随着计算机与互联网技术的快速发展，昆虫目标检测手段逐渐智能化、精准化。基于图像的昆虫目标检测方法凭借其高效、易操作、适用范围广等优势，成为近年来国内外昆虫种类识别与计数研究热点和主要技术手段。本文综述了传统目标检测算法特征提取技术和分类器；详述了基于锚框（Anchor based）深度学习目标检测模型，如YOLO（You only look once）系列、SSD（Single shot multibox detector）系列等；介绍了无锚框（Anchor free）深度学习目标检测模型，如CornerNet系列等。本文还探讨了基于图像的昆虫目标检测存在的问题及未来的研究方向。

关键词： YOLOV11   小目标识别   安全帽检测   计算机视觉   模型轻量化  

摘要： 【目的】 针对煤矿井下工作面多源动态干扰（燃煤扬尘弥散、设备空间遮挡等）引发的安全帽小目标检测性能劣化问题，本研究提出基于改进型URBE-YOLOv11n的井下安全帽检测算法。【方法】 首先，针对多尺度特征提取需求，构建基于跨层多感受野融合的C3fK2-URPN模块，通过Backbone网络末端层级重构优化特征金字塔结构，有效增强模型对井下安全帽小目标的多尺度表征能力，特别是在复杂背景干扰下显著抑制尺度敏感性衰减现象。其次，为提升模型在复杂场景下的性能，颈部网络中的双向融合层（BiFusion）通过参数化门控单元实现双向特征传播，有效融合低层次的空间细节与高层次的语义上下文，从而减轻环境微粒和结构性障碍物的干扰，提高了特征融合的效率；然后，在Head部分改进目标检测头Detect-Efficient，在尽量增加对井下安全帽小目标的检测性能前提下保持模型轻量模型的；【结果】 实验结果表明：URBE-YOLOv11n相对于YOLOv11n相比，map@50提升11.2%，达到86.6%，计算效率提升了23.52%。在保持检测精度的同时显著降低模型复杂度与参数量，实现目标检测任务中精度与效率的最优权衡。【结论】提出了一种轻量级检测框架，可有效解决动态多干扰地下环境（如灰尘遮挡、设备障碍）中的精度下降问题。同时保持边缘部署的计算效率，用于实时安全监控。

关键词： 个人防护装备   计算机视觉   深度学习   YOLO   ChatGPT   智能建造   安全管理  

摘要： 为提升工程施工领域中个人防护装备检测的效率与准确性，探索了基于ChatGPT多模态能力的检测方法。通过构建GPT插件，分别实现了安全帽佩戴情况检测、安全帽颜色分类以及多类别个人防护装备检测，并以YOLO系列模型作为基准进行了对比。实验结果表明，GPT模型在检测精度、召回率及泛化能力方面表现优异，尤其在数据资源有限和复杂环境下，展现了显著的优势。此外，GPT插件能够通过自然语言指令结合多模态数据进行检测，无需依赖高性能硬件支持。研究表明，基于ChatGPT的检测方法不仅优化了检测流程，还为基于物联网技术的智慧建造与施工安全管理提供了新的技术思路。

关键词： 目标检测   寄生虫卵   部分卷积   特征融合   注意力模块  

摘要： 针对寄生虫卵显微图像虫体较小、背景遮挡、分辨率低等检测难题，提出一种基于YOLOv8s的轻量目标检测模型LCN-YOLOv8(Lightweight Convolution Network YOLOv8)。首先，融合部分卷积与分离增强注意力模块，设计特征提取模块PA-C2f(Patial Attention C2f)替换模型中全部C2f模块，减少参数量的同时保持高效特征提取能力；然后，引入空间深度转化卷积代替常规卷积降低模型复杂度，减少低分辨率虫卵特征的丢失；最后，设计轻量高级特征筛选金字塔网络作为颈部网络，加强模型的多尺度特征融合与检测被遮挡虫卵的能力。与基线网络YOLOv8s相比，所提出的LCN-YOLOv8模型在单虫卵与多虫卵数据集上的mAP(mean Average Precision)@0.5:0.95分别提高1.7个与1.6个百分点，模型参数量减少6.0×10～6，浮点运算量下降7.5GFLOPs。实验结果表明，LCN-YOLOv8在检测精度与模型复杂度之间取得较好的平衡，能够辅助诊断寄生虫疾病。