关键词： 卷积神经网络   目标检测   R-CNN  

摘要： 卷积神经网络在图像目标特征提取中具有自动化和高效性的优势。文章深入阐述了R-CNN及其改进算法的核心原理,并展望其发展趋势。首先介绍了R-CNN通过选择性搜索生成候选区域,并利用CNN进行特征提取与分类。随后简述Fast R-CNN到Sparse R-CNN如何在保持高精度的同时优化速度和效率。最后讨论了目标检测算法的未来研究方向。R-CNN及其改进算法在目标检测中发挥了重要作用,为后续技术的发展提供了宝贵参考。

关键词： 计算机视觉   智能交通   流量监测   目标检测  

摘要： 随着城市化进程加快,传统交通流量监测设备存在的精度低、维护困难等问题日益突出,难以满足现代交通管理需求。本研究设计一种基于计算机视觉的智能交通流量监测系统,该系统包括视频采集、车辆检测、轨迹跟踪和流量统计四大功能模块。结果表明,该系统在车辆检测准确率、车型分类、速率测量等方面均显著优于传统监测系统,在车流量峰值期、平峰期的复杂道路环境下均具有稳定可靠的性能表现,具有较强的实用价值。本研究成果为智慧交通建设提供可靠的技术支持,对推动交通管理智能化具有重要意义。

关键词： 带状纱线模型   机织物   纹理映射   三维仿真   图像处理  

摘要： 为提升机织物仿真的真实感效果,降低因反复试织打样产生的资源损耗,针对仿真过程中织物建模复杂、模拟效率较低等问题,提出了一种基于带状纱线模型的织物建模方法,结合真实纱线图像的纹理映射,实现机织物真实感快速仿真。通过将传统管状纱线模型简化为带状,利用Catmull-Rom曲线拟合纱线路径,根据纱线排列模型、织物组织模型对织物几何模型进行构建,同时通过参数化调整完善整体织物形态;通过采集纱线真实图像及图像预处理等步骤,配合纱线表面光照模型及阴影调整,利用PBR技术对纱线纹理进行真实感渲染。结果表明,该方法在简化机织物仿真流程的同时能够实时准确地预览纱线在织物中的呈现效果,提高机织物的设计效率。

关键词： 自动对准   自动对焦   中心定位   灰度能量曲线   决策树   图像处理   眼科医疗设备  

摘要： 为了解决现有眼科生物参数测量仪对准对焦速度慢、精度低和普适性差的问题,提出了基于灰度能量曲线的光轴中心自动对准算法以及基于决策树的自动对焦算法。首先,对仪器实拍的人眼图像进行局部区域高斯模糊预处理,再利用行和列方向的灰度能量曲线定位靶环感兴趣区域。最后,经过图像后处理可以得到完整的靶环区域,用光斑质心拟合椭圆的方法来计算光轴中心位置。此外,还利用靶环区域作为先验知识,通过提取靶环大小和清晰度特征构建数据集,并训练决策树分类模型区分准焦-近离焦-远离焦图像,实现仪器自动对焦。实验结果表明,所提算法的定位误差在3像素以内,单帧图像的对准和对焦平均处理时间为14.8ms,具有实时性、高精度和鲁棒性强等优点,满足眼科生物参数测量自动对准和对焦的要求。

关键词： 目标检测   YOLO数据集管理   数据集融合   标签定制  

摘要： 随着YOLO目标检测技术的广泛应用,多源数据集的标签定制与高效融合成为提升模型训练效率的关键挑战。现有工具存在标注分散、格式转换繁琐、缺乏统一管理平台等问题,导致数据准备效率低且易出错。为此,文章通过集成多源数据集格式转换、标签动态映射、子集划分及合并等核心功能,支持用户通过配置文件灵活定制标签,拟设计一款基于Python的YOLO数据集管理软件,以解决标签命名冲突与类别冗余等问题。实证结果表明,该软件在融合4个异构数据集(15.8万张图像)时,内存占用仅99.8 MB,平均每生成一个标注文件约耗时12.74 ms,验证了其在复杂场景与大规模数据下的高效性;该软件支持跨平台运行,为YOLO算法开发者提供了一套轻量化、可扩展的工具,成功实现了多源数据集标签定制与融合,对推动目标检测技术的工程化应用具有实践价值。

关键词： 智能仓储   深度预测   BEV特征融合   目标检测  

摘要： 在人机混合智能仓库等动态环境中,AGV通常难以精确感知随机出现的人和叉车等障碍物,为仓库的高效、安全运行带来了隐患,故提出一种基于激光雷达与图像融合的轻量化的目标检测方法(L-BEVFusion)。首先,为构建相机图像的鸟瞰视图(BEV)特征,设计了一个轻量化的特征提取网络用于获取图像的2D信息,通过引入多尺度语义特征平衡单一尺度语义特征带来的定位偏差;其次,采用基于显式监督方法采用深度真值对其进行监督,实现将图像特征投影到3D空间中;然后,分别提取图像和点云特征的预测信息,基于BEV特征融合网络,利用通道维度级联图像与点云的BEV特征,对其进行目标边界框的回归和分类预测,从而实现对人机混合仓库中动态障碍物的检测;最后,利用KITTI数据集和仓库实地采集数据对所提算法进行评估。实验结果表明,在实地采集的人机混合仓库数据集上,L-BEVFusion方法与常见的点云图像融合方法相比较在工人类和叉车类的检测精度上分别提升了3.46%和2.22%,综合平均检测精度高了2.97%,在推理速度和检测尺寸精度上也表现更佳,其中法向距离平均误差为4.02 mm,切向距离的平均绝对误差为1.75 mm,提高了AGV检测的实时性和可靠性,保障了智能仓库物流的高效安全运转,具有较高的实际应用价值。

关键词： 计算机视觉   超分辨率   多域信息增强   注意力   轻量级  

摘要： 针对单幅图像超分辨率重建任务中单域特征的重建能力受限以及深度卷积神经网络参数众多、计算量大导致的难以部署到移动端的问题,提出了一种基于多域信息增强的轻量级图像超分辨率网络。从空域、频域和转换域3个维度入手,设计了空域多路大核特征提取技术、局部信息增强注意力、频域分频特征增强技术以及转换域基于高频特征模拟技术。通过不同特征域的信息处理,针对全局与局部的低频和高频特征进行精准优化,从而提升模型在细节恢复与图像重建中的表现。与现有先进算法在公认基准数据集上进行充分的实验对比和分析,结果表明所提网络模型能够实现优异的重建效果,且在性能与效率之间也实现了出色的平衡。

关键词： 图像   点云   三维目标检测   自注意力机制  

摘要： 针对自动驾驶中对行人等较小目标及被遮挡目标检测精度较低的问题,提出一种基于自注意力机制的融合图像和点云的三维目标检测算法,在基于原始点云数据处理的F-PointNet网络上进行改进.首先,通过在点云特征提取网络中引入两层基于Transformer的自注意力机制模块,兼顾点云全局特征和局部特征,提高三维目标的检测精度.其次,在损失函数中引入弹性网络正则化权重衰减项,提高模型的泛化能力,实现更高精度的收敛.基于KITTI数据集进行对比实验,结果表明,引入自注意机制和弹性网络正则化后,在简单、中等和困难3种难度情境下,与初始模型对比,行人的检测精度分别提高6.47%、6.31%和5.61%,骑行人的检测精度分别提高15.34%、12.88%和11.79%.

关键词： 公路隧道   超前地质预报   地质雷达   深度学习   目标检测  

摘要： 在当今隧道工程的建设中,广泛采用了地质雷达超前预报法对掌子面前方地质进行探测预报,就这种技术提出并实现了一种基于自主开发的自动去噪程序与人工智能结合的地质雷达法超前地质预报智能检测方法,在一定程度上解决了目前地质预报主要靠人工解译导致结果不准确及速度较慢的问题。通过自主开发地质雷达数据提取与处理程序,利用深度学习中目标检测(Object Detection)算法,提出一种基于数据自动去噪的针对隧道围岩破碎区域的Faster R-CNN目标检测模型。通过自主开发的程序提取地质雷达数据进行自动一维离散小波变换与低通滤波去噪处理,用以训练Faster R-CNN目标检测模型,以甘肃省马坞西寨段高速公路隧道地质雷达实测数据对模型进行训练、验证和测试。研究结果表明:自主开发的程序可以提高提取数据的兼容性并支持多种不同于传统地质雷达软件的数据处理,有效提高了地质雷达图像质量,且可以绘制处理后的图像;对比目前应用较多的简单分类模型,可以实现对围岩破碎区域的精确定位;采用程序提取处理后的数据准确率比未处理的数据有显著提高,最高平均准确率(mAP)为74.18%,体现出更好的检测能力。

关键词： YOLO目标检测   烟草合规检测   烟草合规审查   图像识别  

摘要： 【目的】基于YOLO目标检测框架,设计出一种烟草配送合规审查算法,利用图像识别技术提高烟草配送过程的合规性和准确性。【方法】该算法以ResNet-18作为主干网络,结合空间金字塔池化(SPP)模块,提取和融合多尺度图像特征。通过对配送图像中的签收人、烟草、货架和柜台等元素进行目标检测,并设立审核机制,自动判定图像是否合规,实现对配送行为的自动化审查。其中,实验数据来自专业人员筛选的规范与不规范配送图像,标注数据包括人员、烟草、货架和柜台等元素。【结果】实验结果显示,该算法在“烟草”类别上的AP值为0.8931,整体模型在测试集上的mAP为0.6839,表现出较好的识别能力和稳定性。【结论】该算法能有效支持烟草行业的智能化配送管理,未来可通过扩展数据集和优化模型,进一步提升其鲁棒性和准确度,满足更复杂场景的需求。