关键词： 机器视觉   人工神经网络   导盲手杖   图像处理   OpenMV  

摘要： 视障人群的出行及日常活动普遍依赖导盲犬、导盲手杖或他人帮扶等方式,但随着经济发展,城市规划变得越来越密集,城市布局和道路规划的复杂度也逐渐增加,上述方法已经不能够保障视障人士的出行及日常生活安全,因此加强对视障群体的关注力度、提高其生活质量是我们亟待解决的问题。本设计着眼于机器视觉对彩色信息和深度图像的去噪、滤波、目标标定等处理,加以机器学习训练,实现图像的色彩识别、常见障碍物识别及距离测量功能,将分析结果转换为音频信号并通过语音输出给用户,给予一定行进建议,致力于为视障人士提供避障服务,降低在行走过程中因无法提前预测的障碍物对出行造成的负面影响。

关键词： 高校   图像处理教学   多媒体技术   有效运用  

摘要： 随着科学技术的快速发展,多媒体技术在高校图像处理教学中发挥着越来越重要的作用。基于此,本文着重探讨了多媒体技术的应用优势和策略,主要包括优化教学设计、丰富教学资源、创新教学方法和加强互动教学。研究表明,通过合理运用多媒体技术,可以增强教学内容的直观性、激发学生学习兴趣并促进个性化学习。值得注意的是,在实际应用中还需要避免过度依赖技术,保持传统教学模式的优势,同时也要关注学生的个体差异,这样才能获得理想的教学效果。

关键词： 智能叉车   目标检测   目标分割   障碍物识别   目标定位  

摘要： 实现叉车障碍物识别与定位对提升物流仓储行业自动化、智能化具有重要的意义。现有技术大多受限于实际生产中的复杂场景,无法满足对障碍物识别与定位的高精度实时性的要求。针对现有问题,文中提出了一种基于深度学习的智能叉车障碍物识别与定位方法,以实现在仓储货场环境下对障碍物实时、高精度的识别与定位。首先,设计了改进的YOLOX-nano网络获取障碍物外接矩形框,实现对障碍物的检测与提取;然后设计了基于改进的DeepLabv3+网络对筛选出的障碍物进行分割;最后采用阈值化分割方法对障碍物分割区域进行轮廓提取,进而求解障碍物的像素中心点。在叉车实际工作环境中的障碍物数据集上进行实验,结果表明,该方法能够快速准确地对障碍物物中心进行定位。其中第1阶段的障碍物检测平均精度均值为99.90%,平均检测时间为25.62 ms;第2阶段障碍物分割的平均像素准确度为95.93%,平均分割时间为24.69 ms,保证叉车对障碍物实时识别的同时具有较高的准确率。

关键词： 高光谱图像   目标检测   空谱融合   特征增强   变分自编码器  

摘要： 为了充分利用高光谱图像的空间和光谱信息,解决目标训练样本不足和小像素目标被误认为是背景而检测不到的问题,提出了一种基于空谱重构和算子加权的高光谱目标检测方法。该方法不需要进行目标和背景像元的粗分离,通过空谱联合全面学习图像特征,使用双曲正切函数得到一种特征增强系数,增强目标和背景之间的对比度;利用主成分分析法获取保留显著特征的特征向量矩阵,并构造一种算子,将数据投影到新的主成分空间,最后在新的空间中使用算子对原始图像和增强后图像的均值进行加权,实现目标检测。本文方法在6个高光谱图像数据集上进行实验,结果表明,所提方法能有效地检测出目标,并优于对比方法,平均检测精度达到了99.8%,验证了该方法的准确性和鲁棒性。

关键词： 黄鱼   深度学习   目标检测   YOLOv5  

摘要： 随着海洋渔业的快速发展,鱼类过度捕捞现象日益凸显,部分鱼类资源逐渐减少乃至枯竭。在复杂海洋环境下实现对目标鱼类的精准识别,从而实现对特定鱼类的选择性捕捞显得尤为重要。以东海黄鱼为例,通过精简YOLOv5s网络模型,利用labeling对鱼类进行标注,使用180张包含30张黄鱼的数据集,同时运用YOLOv3、YOLOv5s、YOLOv5m以及精简后的模型进行比对测试,最终得出精简后的模型具有较高的精确度,满足对目标鱼类检测的要求。

关键词： 电磁继电器   触点磨损   计算机视觉   深度学习   图像处理  

摘要： 电磁继电器触点的磨损问题会导致接触电阻增大、触点烧蚀加剧,从而影响设备运行的可靠性和寿命。传统的检测方法通常依赖于人工检查,耗时长且主观性强,难以实时反映触点状态。文章研究了一种基于计算机视觉的磨损检测方法,设计了硬件架构和图像处理流程,并引入了深度学习技术,实现了对触点磨损的精确识别。通过优化图像预处理和特征提取流程,显著提升了磨损检测的精度。实验表明,系统能够快速、稳定地检测触点磨损程度,在不同光照条件和磨损形态下的准确性和实时性均达到较高水平,为电磁继电器触点的高效监测和可靠性提升提供了一种创新的技术路径。

关键词： 目标检测   图像识别   火灾检测   特征提取  

摘要： 近年来,频频发生的火灾,造成大量的人员伤亡及财产损失,因此,火情预警越来越关键。为了有效解决火情预警系统反应相对缓慢及检测范围有限,造成预警能力受限的问题。结合火情特点,使用Jetson Nano(人工智能边缘计算套件)为主控中心,利用LabelImg(标签)将两千多张图像数据进行标记,通过YOLOv5(目标检测算法)训练,得到火灾图像的训练权重;Jetson Nano读取紫外摄像头采集到的图像数据经训练权重推测是否发生火灾,若发生火灾则通过Jetson Nano的串口向微控制器发送数据,触发报警。本设计经过测试对火灾以及烟雾检测的正确率达97%以上,识别烟雾火灾的准确度高,火情预警迅速。相比于传统火灾检测技术,检测范围更广,精度更高,不易受环境影响。

关键词： 人工智能   YOLO系列算法   电力行业   目标检测   改进模型   未来趋势  

摘要： 为了研究你只看一次(you only look once, YOLO)系列算法在电力行业目标检测领域的应用情况,分析其未来在该行业的发展趋势。首先分析了较新的YOLO版本10(YOLO version 10,YOLOv10)算法的网络结构,然后探讨了YOLO系列算法在电力行业从发电、输电、变电到用电环节中目标检测的应用,最后从潜在改进方向、与大模型的融合2方面分析了YOLO系列算法的发展趋势。研究发现,YOLO系列算法在检测速度和精度方面取得了明显进展,特别是在电力行业的缺陷检测、故障检测、设备监控、智慧管理、安全监测等方面表现出极大的潜力;但在复杂背景下,该系列算法仍存在检测精度不高的问题。YOLO系列算法要在电力行业中实现更广泛的应用,还需进一步优化算法的速度与精度以应对实际应用中的挑战。

关键词： 计算机视觉   目标检测   道路缺陷检测   MobileViT网络   MIRA模块   YOLOv8 MCMA模型  

摘要： 道路缺陷具有多尺度特征,导致其检测准确度不高。为改进这一问题,本文提出一种面向道路缺陷检测的轻量级多尺度卷积移动注意力模型(YOLOv8 Multi-scale Convolutional Mobile Attention,YOLOv8-MC-MA)。首先,采用MobileViT网络,可以使模型在减少参数量的同时保持较高的识别准确率;其次,使用内容感知的特征重组(Content-Aware Reassembly of Features,CARAFE)模块为上采样模块,以提升细小裂缝的检测能力;再次,设计多尺度倒置残差注意力(Multi-scale Inverted Residual Attention,MIRA)模块,增强模型对多尺度特征的敏感性;最后,将颈部的普通卷积替换为可变核卷积(Alterable Kernel Convolution,AK-Conv),以更好地捕捉不规则的裂缝信息,从而降低检测误差。实验结果表明,与YOLOv8n模型相比,本文提出的模型在Road Damage Detection Dataset、RDD2022_China和Crack-forest Dataset上的平均精确度均值@0.5(mAP@0.5)分别提高了3.7%、1.4%和2.6%,参数量减少了23.3%。与其他模型相比,该模型展现出明显优势,并对多尺度道路缺陷具有较强的适应能力。

关键词： 人工智能   深度学习   语义分割   目标检测   X射线图像  

摘要： 龋病作为一种常见病,长期以来一直影响着大众的身体健康。随着患龋人群规模不断扩大,牙医资源愈发紧缺。为解决目前缺少人工智能手段辅助医生进行龋齿诊断,且人工诊断效率难以保证等问题,设计了一种基于图像处理和深度学习的口腔小牙片龋齿辅助诊断方案。该方案基于U-Net语义分割模型和YOLOv5目标检测模型,对口腔小牙片中的龋齿病变进行识别,训练出的模型可有效识别龋坏区域,最优的mAP@0.5值达到95.3%,准确度达到95.9%。同时结合图形化界面开发工具PyQt5完成适医化的龋齿检测与辅助诊断系统的开发,给医生提供易操作的辅助软件,从而有效提高医疗效率。