关键词： 目标检测   深度学习   注意力机制   深度可分离卷积  

摘要： 随着注意力机制在目标检测中的广泛应用,进一步提升特征提取能力成为研究的重点.提出了一种新的注意力机制,旨在优化特征交互过程,提升检测性能.所提机制移除了传统自注意力中的查询操作,采用深度可分离卷积高效提取局部与全局信息,并通过键和值的加权融合实现特征聚合.本文方法有效降低了计算复杂度,增强了模型对重要特征的捕捉能力.通过在5个不同类型的数据集上进行验证,实验结果表明,该注意力机制在处理小目标检测、遮挡处理以及复杂场景下的表现优异,显著提高了检测精度与效率.可视化分析进一步证实了其在特征提取中的有效性.

关键词： 控制器   数据库   图像处理   DDE通讯  

摘要： 针对电解铝厂阳极组装车间磷铁环材料要实现全自动化、流程化、智能化需求,本文开发了一套全方位磷铁环回收系统,其系统包含回收子系统、主服务器、皮带输送系统、净化系统四大部分。系统可实时显示设备状态、告警信息以及查询工作量并做出记录,大大减少人在高粉尘环境下的作业强度,加强设备安全性、降低操作人员工作强度,具有较高的推广应用价值。

关键词： 计算机视觉   立体匹配   病态区域   自适应空间卷积   门控循环单位优化  

摘要： 双目立体匹配作为计算机视觉领域的研究热点,在自动驾驶、医学影像、机器人导航等诸多场景中有着广泛的应用。针对图像序列中病态区域匹配效果不佳的问题,提出一种基于自适应空间卷积的立体匹配算法。首先,在上下文网络中引入自适应空间卷积块,通过加权聚合多个卷积核的响应,增强上下文网络在捕捉复杂场景中病态区域的特征提取能力,实现精确的特征表达。然后,沿通道维度获取输入特征的注意力图。随后,算法采用多尺度门控循环单元(GRU)网络结构对初步视差结果进行优化,并利用由自适应空间卷积生成的注意力图对GRU的输出结果进行加权,有效抑制噪声干扰,进一步提升视差估计的准确性。实验表明:所提算法在Scene Flow数据集上进行测试,平均端点误差为0.46 pixel,比基准方法误差降低14.81%;在KITTI数据集上进行测试,全部区域的3 pixel误差百分比指标达到1.40%,与基准方法比降低15.66%,取得更优的视差估计效果;在遮挡、光照反射等病态场景中,该算法能够更有效地保留图像的细节特征。

关键词： 火焰检测   注意力机制   金字塔池化   目标检测  

摘要： 针对由于目标火焰较小、检测慢和模型较大等无法高效识别火焰问题,首先提出了一种全新的注意力机制并行全局注意力机制(P-GAM)加入YOLOv7模型中;其次将原先的金字塔池化结构(SPPCSPC)替换为分组金字塔池化结构(SPPCSPC-group),采取分组卷积的思想,减少模型参数量和计算量;再通过分离合并最大池化动态卷积模块(Separable and Pooled Maxpool ODConv,SPMPO)加强小目标特征识别提取能力,避免特征信息的流失;然后,通过使用MbO(MobileOne)模块,达到轻量化网络模型的目的;最后形成新的模型MPGS-YOLO(MbO-P-GAM-SPMPO based YOLOv7),应用于火焰检测。结果表明:MPGS-YOLO模型相比于YOLOv7,检测率和检测速度分别提高了15.69%和8.74%,而参数量和计算量分别降低了19.78%和63.79%,且优于其他对比模型,性能更好。

关键词： 坩埚缺陷识别算法   机器人智能化验系统   YOLOv8   数据扩充   目标检测   加权机制   推理时间  

摘要： 基于轻量级YOLOv8的坩埚缺陷识别方法,可解决机器人智能化验系统中坩埚几何形态多样性显著、缺陷样本分布失衡导致的检测可靠性难题。首先基于DDPM的图像数据扩充增强策略,根据数据标签分布,实现坩埚图像数据的平衡扩充;随后为了更好地平衡网络模型的推理速度和检测精度,提出改进的YOLOv8坩埚缺陷识别算法,引入无参数注意力和自适应加权机制。实验结果表明,该方法的平均精度(mAP)为97.40%,单张图像的推理时间为1.20 ms。尽管推理速度比YOLOv11-n延迟0.2 ms,但当前通用目标检测方法中的轻量级方法检测精度居于最优,所提方法能有效应用于工业坩埚缺陷检测场景。

关键词： 目标检测   上下文表示   轻量化网络   卷积自注意力   特征融合  

摘要： 与通用目标检测相比,小目标检测由于低分辨率和抗干扰噪声能力有限而更加具有挑战性,充分利用上下文语义信息对于解决小目标检测存在的问题具有重要的意义。本文在YOLOv7模型的基础上,提出了一种基于上下文语义融合模块的轻量级网络模型算法。该模型由主干网络、多尺度特征表示网络和检测头部三部分组成。其中,模型利用部分卷积构建主干网络P-Net,在保证检测效果的同时进一步减少计算量;在传统特征金字塔网络结构中引入卷积自注意力模块,减少上下采样过程中的信息丢失;采用差异化检测头部检测不同尺寸的目标。在航空图像小目标检测(Aerial Image Tiny Object Detection,AI-TOD)数据集上的实验表明,本文提出的模型算法在AI-TOD基准上平均精度达到21.6,速率达到161 frame/s,超过了其他检测模型算法。此外,在具有较低参数量及计算量时检测效果优于其他检测模型,同时消融实验的结果表明本文提出的改进模块均具有效性。

关键词： OBE教学理念   混合式教学策略   人工智能   遥感图像处理  

摘要： 传统“遥感数字图像处理”课程存在教学与创新实践融合度不高、教学模式单一、课程内容涉及前沿技术知识偏少、过程考核评价缺乏量化表达等痛点问题,为此,课程提出基于OBE理念的混合式课程教学创新改革。以创新实践为牵引,重构课程实践的教学内容,提升学生的Python编程实践能力;以学生为主体,通过线上线下混合式教学模式,开展翻转课堂活动,提升学生的参与度;将人工智能技术引入课堂教学,解决课程理论与先进技术脱节的问题;利用网络信息平台建立全面的考核体系,综合评价学生的学习效果。本课程的创新改革通过智慧教室、分组讨论、信息技术等方法有效提升了学生的课堂参与度,让测绘类专业学生的创新实践能力得到增强,改革措施的使用具有实际效果并具有一定的推广价值。

关键词： 牛只个体识别   深度学习   目标检测   语义分割   目标识别   泛化能力  

摘要： 非接触式牛只个体识别方法在节约识别成本、简化识别流程和提升识别精度方面具有一定的优势,近年来在牛只个体识别领域有了充分的发展。但现有的研究中存在着识别准确率受环境和天气等外部因素影响过大、模型迁移训练困难等问题。针对上述问题,基于YOLO-Unet组合网络提出了包含3个模块的牛只个体识别模型。首先,根据YOLOv5模型构建图像提取模块,用以提取牛只面部图像;随后,采用Unet模型构建背景消去模块,用以去除牛只面部图像背景,以消除环境影响,进而提升模型泛化性能;最后,使用MobileNetV3构建个体分类模块,对经背景消去后的牛只面部图像进行分类。对背景消去模块进行了消融实验,实验结果表明,引入背景消去模块能极大地提升模型泛化性能。引入背景消去模块的模型在测试集上的识别准确率为90.48%,相较于未引入背景消去模块的模型提升了11.99%。

关键词： 机器视觉   视觉显著性   弱小目标   目标检测   光照补偿   区域分割  

摘要： 在不同的光照环境下,弱小目标的亮度和对比度会发生变化。当光线从一侧照射时,部分区域过亮而部分区域过暗,弱小目标若位于暗区,会因为亮度太低而难以被检测到,若位于亮区,会因为过曝而丢失部分特征,由此导致弱小目标检测准确性下降。为此,提出基于机器视觉的视觉显著性弱小目标检测方法。首先,收集弱小目标图像,根据其光照类型将其分割成不同的分量,利用灰度映射函数对其进行变换处理,并采用机器视觉中的校正方法实现图像的光照补偿,对于过暗区域,增加的亮度值,对于过亮区域,降低的亮度值,从而使整个图像的亮度更加均匀,提高弱小目标的可检测性。然后,定义图像的中心矩阵的邻域矩阵,从中提取出图像的特征,计算中心矩阵与邻域矩阵之间的相似性度量,计算中心像素点的显著性,筛选多个符合要求的像素点。最后,通过计算每个像素点的加权值,构建图像的视觉显著图,再通过阈值分割检测出图像的弱小目标。实验结果表明,设计的检测方法在实际应用中信杂比增益值为5.51,其能够准确检测出图像中的弱小目标。

关键词： 计算机视觉   机械臂   NeRF   三维场景重建  

摘要： 通过机械臂控制、视觉成像采集、神经辐射场(NeRF)重建等进行机械臂路径规划与自动NeRF图像采集,搭建基于机械臂的NeRF三维场景重建系统教学平台,克服手动的NeRF图像数据采集方式效率低、重复性差等问题。该教学平台基于树莓派、Python、Pytorch、OpenCV、PyMyCobot等平台和框架实现自动化NeRF三维重建和场景感知,可为人工智能课程相关方面的教学、教改提供参考,也可用于视觉引导机器人抓取、视觉导航、虚拟现实等方面的教学与研究。