关键词： 电表外观检定   工业自动化   深度学习   图像处理   场景文字识别  

摘要： 电表外观检定系统对于电表生产的质量评估有着重要的意义。针对现阶段字符缺陷检测系统在文字分布密集的场景识别准确率低的问题,利用自适应多尺度模块,提升算法对密集字符的检测精度和分割质量;引入STN注意力机制,将文字图像变换为最合适的角度作为网络输入,提升识别模块在字符倾斜、投影等影响下的鲁棒性;提出点位配准算法,对文字缺陷处精准定位,并降低匹配算法误判。实验表明,文字检测和识别算法精度分别较现有算法提升了6.1%和4.3%;基于点位配准的缺陷检测,F-score达到97.8%;每张电表图片检测时间为0.8 s,能够满足电表工业流水线的实时性要求。

关键词： 遥感   地形校正   山区   Meta分析   图像处理  

摘要： 崎岖地形会导致光学遥感影像产生畸变,进而影响山区土地覆盖分类和生物理化参数反演精度。因此,地形校正是山区遥感应用的先决条件。从20世纪80年代以来,国内外学者致力于研究如何准确获取山区地表遥感反射率,建立了多种地形校正方法来缓解遥感影像中的地形效应。尽管已有研究对地形校正方法进行了比较,但大多数仅限于特定影像和少数评估标准,导致结论不够充分和一致。目前缺乏对地形校正相关研究进行系统梳理,这限制了对当前研究现状的全面认知。本文首先从地形影响光学遥感成像过程的关键途径着手,系统阐述了地形效应产生的机制;其次介绍了常用地形校正方法的基本原理;然后基于WoS(Web of Science/Scopus)和中国知网CNKI(China National Knowledge Infrastructure)的文献数据,检索了1980年—2022年与光学遥感地形校正相关的文献,提取每篇文献中的各类信息并借助Meta分析方法进行了发文量、关键词和地形校正研究各环节(卫星影像、数字高程模型、地形校正方法及评价标准)等特征分析;最后对地形校正的关键科学问题进行讨论并展望了地形校正未来的主要发展方向。本文研究结果定量展示了光学遥感地形校正的发展历程和研究热点,为今后地形校正方法的优化提供了参考。

关键词： 水下目标检测   虚警率   声呐图像处理   深度学习  

摘要： 声呐图像目标自主检测作为水下无人系统的关键技术,在实际应用中面临着虚警率高的挑战,制约了其在水下无人系统中执行任务的质量和效率。为解决这一问题,文中设计了一种基于YOLO11模型的水下目标检测方法,为降低其虚警率,提出采用通过在声呐图像上自训练深度学习检测器的虚警率检测方法。该方法依据声呐图像目标检测数据集自动生成代理分类任务,通过预训练提高深度学习检测器对目标和背景特征的学习效果,从而提升检测器对目标和背景的分辨能力,有效降低虚警率。实测结果表明,在检测器置信各自取F1-score最大值对应的数值时,文中方法训练得到的YOLO11检测器相较于传统的迁移学习方法,虚警率降低了11.60%,且具有更高的召回率。该方法在不使用外部数据集的条件下,显著提升了深度学习检测器的泛化性,为水下小样本目标检测场景提供了一种高效的自训练方式。

关键词： 目标检测   YOLOv7-tiny   SAR图像   轻量化模型   通道剪枝   损失函数  

摘要： 海上舰船目标识别是海洋监测的重要一环,也是世界各海岸地带国家国土安全的重要解决方案之一。针对SAR图像舰船目标检测存在识别精度低、训练模型大等问题,提出了一种基于通道剪枝的改进YOLOv7-tiny海上舰船识别算法。首先,采用MobileNetV3替代原有主干网络,以降低模型的计算量和体积,实现模型轻量化;其次,引入MPDIoU简化计算过程,优化模型的收敛性;最后,通过通道剪枝提高模型精度,同时平衡模型体积和计算量的降低幅度,进一步优化算法模型。实验结果表明,改进算法相对于YOLOv7-tiny,召回率提升了5.85个百分点,mAP提升了3.69个百分点,参数量减少了63.35%,计算量减少了70%。

关键词： 矩阵运算   图像处理   课程思政   探索和实践  

摘要： 在课程思政教育教学背景下,高等代数作为数学专业的核心专业课程,理应对高等代数的教学方式和设计进行改革。作为高校教师,一方面要培养同学们的科学思维方法、科学伦理和学习高等代数的兴趣。另一方面也要注重挖掘高等代数中蕴含的思政元素和科学精神内容,使同学们拥有探索科学真理、不畏困难、勇攀科学高峰的责任感和使命感。本文以该课程的“矩阵代数”章节为例,在课程思政建设的指导下,从“问题引入——介绍矩阵的概念和性质——知识拓展”三个方面进行课程思政教学设计,把思政元素和德育元素与课堂教学相结合,实现全方位、全过程育人,积极落实立德树人的根本任务。

关键词： 机器学习   自然语言处理   计算机视觉  

摘要： 本文聚焦人工智能(Artificial Intelligence,AI)在多领域的发展全景,系统剖析其技术根基、应用现状、面临挑战与未来走向。首先从技术层面详述机器学习、自然语言处理和计算机视觉等核心技术原理及协同机制,阐述人工智能在应用领域中的发展成果显著;其次说明当前人工智能发展面临算力瓶颈、算法复杂难解释等挑战;最后展望未来,指出量子计算融合、新型算法研发、新兴领域拓展等将成为推动人工智能迈向新阶段的关键要素,为各界提供决策参考。

关键词： 目标检测   RevCol网络   YOLOv5   Dynamic head检测头   MPDIoU   烟火检测  

摘要： 现有的烟火检测方法主要依赖员工现场巡视,效率低且实时性差,因此,提出一种基于YOLOv5s的复杂场景下的高效烟火检测算法YOLOv5s-MRD(YOLOv5s-MPDIoU-RevCol-Dyhead)。首先,采用MPDIoU(Maximized Position-Dependent Intersection over Union)方法改进边框损失函数,以适应重叠或非重叠的边界框回归(BBR),从而提高BBR的准确性和效率;其次,利用可逆柱状结构RevCol(Reversible Column)网络模型思想重构YOLOv5s模型的主干网络,使它具有多柱状网络架构,并在模型的不同层之间加入可逆链接,从而最大限度地保持特征信息以提高网络的特征提取能力;最后,引入Dynamic head检测头,以统一尺度感知、空间感知和任务感知,从而在不额外增加计算开销的条件下显著提高目标检测头的准确性和有效性。实验结果表明:在DFS(Data of Fire and Smoke)数据集上,与原始YOLOv5s算法相比,所提算法的平均精度均值(mAP@0.5)提升了9.3%,预测准确率提升了6.6%,召回率提升了13.8%。可见,所提算法能满足当前烟火检测应用场景的要求。

关键词： 动态场景   同步定位与地图构建   光流   二次曲面   对象检测  

摘要： 现有大多数视觉同步定位与地图构建(Simultaneous Localization and Mapping, SLAM)方法大部分基于静态环境假设,导致其在动态环境中的定位精度显著下降。为解决这一问题,本文提出一种结合目标检测和光流方法的对象级动态SLAM方法。该方法使用目标检测获取对象信息,结合光流和对象重投影技术来识别对象的动静属性,并剔除动态对象上的特征点。随后,寻找检测对象和地图中对象的最佳匹配关系。然后,在关键帧中优化静态对象,同时提出一种动态二次曲面优化策略,用于在对象地图中优化动态二次曲面模型,并追踪动态对象的运动轨迹。最后,重建稠密静态背景。在Bonn和TUM数据集上的实验表明,本文方法的绝对位姿精度提升约44.3%,相对位姿精度提升约19.0%。实验结果表明,本文方法在动态场景中能够实现更精确、更稳健的定位。为进一步验证系统的在线性能,本文还在真实动态场景中对该系统进行了测试,并达到了预期的结果。

关键词： 课堂状况评估   目标检测   深度学习   卷积神经网络   注意力机制   层次分析法  

摘要： 辅助教师提高教学质量,构建一个能够精准识别学生课堂状况并进行合理评估的教辅系统,构建了双粒度标注的学生行为(Student Action,SA)数据集;提出了SGE-BI(Spatial Group wise Enhance-BiFormer)双注意力机制模块并将其添加在YOLOv5算法中;结合双粒度标注的学生行为数据集对传统层次分析法(Analytic Hierarchy Process,AHP)进行改进,提出了双粒度层次分析加权法(Analytic Hierarchy Process-Double Granularity Weighted,AHP-DG)。在SA数据集上进行仿真实验,使用改进的YOLOv5算法将精度、mAP@0.5和mAP@0.5:0.95的值分别提高了1.9%、0.5%和0.8%;用构建好的系统得到真实课堂的识别结果并进行数据分析,发现AHP-DG法较之传统AHP法能得到更客观的评估结果。与原算法相比,改进的YOLOv5算法得到了更准确的学生课堂行为识别结果;与传统AHP法相比,提出的AHP-DG法取得了更好的学生课堂状况评估效果。

关键词： 多传感器方法   计算机视觉   四旋翼无人机   林火监测   定位  

摘要： 为了提高林火防控策略的有效性,解决林火监测、火点快速识别和有效定位的难题,提出了基于四旋翼无人机搭载计算机视觉系统双目定位火点技术。首先,搭载红外热像仪、摄像头、激光雷达等设备检测出林区烟雾和隐藏火点,利用图像智能识别技术进行数据处理,实现火点精准识别;其次,采用双目平面影像算法,结合无人机自身姿态位置信息提出了火点定位数学模型,得到了火点位置坐标;最后,通过设计8组试验验证了该无人机识别定位系统的精确度和可靠性,结果表明经度最大误差为(6.20×10^(-6))°,纬度最大误差为(3.21×10^(-6))°,高程最大误差为2.73×10^(-3)m,能够实现精准定位。研究成果为森林火灾防控提供了新的方法和思路。