关键词： 跨国(境)直播   国际ICT职业教育   “中文+职业技能”  

摘要： 以海外华语(中文)学生为研究对象,通过开设ICT类跨国(境)直播课程,在教学计划、教学实施、教学结果等方面抽取多元、多维评价观测点,形成指标体系。在跨国(境)直播教学的全新教学场景下,逐步形成以技能教育带动中文学习的跨国(境)直播教学模式,推动高等教育数字化转型,同时也为推动“中文+职业技能”国际ICT职业教育提供办学新思路。

关键词： 织物外观模拟   图像处理   纹理映射   3D建模  

摘要： 针对纱线进行纬编针织物试织打样、染色实现织物外观效果造成费时费力费料问题,提出一种将提取纱线外观数据映射至织物模型的模拟方法,实现由纱线形态预测织物外观。利用计算机图像技术对纱线进行预处理,包括大律法阈值分割、开运算、闭运算和恢复纱线主体图像部分等;获取线圈控制点,对获得控制点使用3次NURBS曲线拟合得到线圈中心曲线模型,根据中心曲线模型建立线圈模型,对所得线圈模型进行衔接和嵌套得到织物模型;使用预处理好的纱线图作为纹理贴图对织物模型进行纹理映射,完成织物外观模拟。结果表明:该方法快速、准确模拟出织物外观,与真实织物视觉效果基本一致。

关键词： 计算机视觉技术   电力系统自动化   在线监测   位置判断  

摘要： 计算机视觉在电力系统自动化进程中扮演着关键角色,其图像识别与处理能力显著增强了系统的智能化和自动化水平。本文聚焦于计算机视觉在电力领域的应用——服务终端优化、在线监测精进及位置判断准确性,揭示了其对提升运行效率与安全性的深远影响。通过分析计算机视觉技术在电力系统自动化中的应用,本文得出以下结论:服务终端环节,计算机视觉加速了数据的传输与处理流程,确保信息流通的即时性和可靠性。在线监测领域,借助红外成像与图像分析,设备状态及环境变化得以实时精准监控,提升了异常检测的灵敏度和响应速度。位置判断上,系统能准确捕捉继电保护压板与开关刀闸的状态,为电力网络的安全运行提供强有力的技术支撑。

关键词： 数字图像处理技术   壁画病害   识别   修复  

摘要： 数字图像处理技术在壁画病害识别与修复中的应用研究背景深厚。随着时间的推移,古代壁画因自然侵蚀和人为因素面临严重损害,传统修复方法效率低且风险大。数字图像处理技术的引入,为壁画保护提供了新途径。该技术通过高精度采集壁画图像,运用图像滤波、增强、分割等算法,能准确识别壁画病害类型及损伤区域,为科学修复提供数据支持。本文着重探讨了数字图像处理技术在壁画保护方面的具体应用,特别是在壁画的病害识别、修复方面的创新应用,并深度分析了数字图像处理技术的特征。根据壁画病害保护的要求,本文从病害识别、修复的两方面出发,探讨这种技术是如何助力壁画病害保护工作,本文将分为病害识别与修复两大主体展开研究,以便为该领域的研究及实践工作提供参考借鉴。

关键词： 草莓   目标检测   YOLOv5   注意力机制  

摘要： 草莓目标检测有助于监测草莓的实时生长状态,对草莓智能化管理具有重要意义。本文针对复杂环境下的草莓目标检测问题进行研究,提出了一种基于GAM注意力机制的改进型YOLOv5目标检测算法。本文在数据集标注的基础上,通过在YOLOv5模型的颈部网络添加GAM注意力机制来提升模型的特征提取能力,并对比分析不同注意力机制类型的融合检测效果。实验结果表明:相比于原始YOLOv5网络模型,本文所用方法有效提升了草莓目标检测性能,可以更好地平衡检测精度和效率,能够满足草莓目标的实时检测需求。

关键词： 目标检测   土栖白蚁   活动迹象   智能识别   YOLO  

摘要： 土栖白蚁作为严重危害水利工程和园林树木的重要害虫,其活动迹象的及时识别对于实施有效的蚁害预警和控制措施至关重要。针对这一需求,该研究开发了一种改进的一阶段目标检测算法——ACP-YOLOv5s,该算法基于广泛应用的YOLOv5s模型,通过集成自适应颜色感知模块(ACP-Module)对其进行优化,以增强模型在复杂自然环境下的特征提取和颜色感知能力,特别是在处理颜色混淆问题时有效提升模型的稳定性和泛化性能。在模型的颈部结构中加入CARFE上采样模块,通过扩展感受野并重新组织特征信息,以提高模型对细节的捕捉能力,从而提升识别精度。试验验证结果表明,改进后的ACP-YOLOv5s模型在土栖白蚁活动迹象检测中显示出更高的精确率和平均精度均值。与Faster R-CNN、YOLOv5s、YOLOv5m、YOLOv8和YOLOv9相比,ACP-YOLOv5s模型的精确率为91.2%,分别提升了5.3、5.0、3.4、7.9和0.1个百分点,平均精度均值为92.3%,分别提升了6.7、2.9、1.4、2.2和0.4个百分点,表明ACP-YOLOv5s模型在提高模型对复杂环境适应性方面的有效性,有助于加强对土栖白蚁侵害的早期预警和精确控制,为水利工程和园林树木白蚁防治工作提供了强有力的技术支持。

关键词： 场景结构知识   大模型   分割一切模型   协同显著性目标检测   深度学习  

摘要： 现有的协同显著性目标检测(CoSOD)方法通过挖掘组内一致性与组间差异性来学习判别性表征,这种范式因缺乏语义标签的引导导致所学表征的判别性受限,难以应对复杂的非协同目标的干扰。为了解决这一问题,提出一种新的场景结构知识增强的CoSOD模型SSKNet。SSKNet利用大模型mPlug构建目标间场景结构语义关系并通过分割一切模型(SAM)将这种结构语义关系转移到最终的协同显著性结果中。具体来说:首先,为了学习语义知识,引入图像场景理解大模型,对图像组中的图像进行理解,并得到表示结构语义的文本描述组,这些文本描述组以文本的形式描述图像的显著内容;接着,为了获取协同显著信息,设计协同提示提取(CoPE)模块,通过在一组描述文本中使用协同注意力机制获取协同显著文本;最后,为了将协同显著文本转化为协同显著掩码,引入SAM,将协同显著文本以文本提示的方式引导SAM分割协同显著目标,获取最终的协同显著检测掩码。在3个公开数据集CoSal2015、CoCA和CoSOD3k上的实验结果表明,SSKNet模型的综合评估指标Fβ的取值分别为0.910、0.750和0.887,达到了先进水平。

关键词： 小目标检测   YOLOv7网络模型   损失函数   深度学习   机器视觉   SE-Net注意力机制   Swin Transformer  

摘要： 为提高小目标的检测精度,提出一种基于改进的YOLOv7的目标检测算法(SM-YOLOv7)。使用Swin Transformer(STR)模块替换主干特征提取网络中的E-ELEN模块,将SPPCSPC网络改进为SPPCSPF网络,在预测部分增加小目标检测头,设计MPC3模块避免网络定位空间信息丢失。通过NWD代替YOLOv7网络模型中的CIoU损失函数,输出端采用SE-Net注意力机制。在Okahublot公开的FloW-Img数据集上验证,实验结果表明,SM-YOLOv7平均精度均值mAP为84.8%,相比基线YOLOv7网络模型提升了6.6%,检测性能优于原网络模型与传统经典目标检测网络模型。

关键词： 计算机视觉技术   档案数字化   人工智能   深度学习  

摘要： 在信息时代,高校档案管理面临着日益增长的信息量和复杂的管理需求。文章就计算机视觉技术在高校档案管理中的应用展开探讨与分析。首先,对计算机视觉技术进行概述,然后分析其在高校档案管理中的应用场景,包括文本识别、图像增强和恢复、相似图像检索、数据安全和隐私保护、目标检测和识别。研究表明,计算机视觉技术能为高校档案管理的现代化和智能化发展提供理论指导和实践借鉴,提升高校档案管理工作的水平。

关键词： 红花   目标检测   改进YOLOv5   数据增强   非结构环境  

摘要： 为实现农业非结构环境下采摘机器人对红花的准确识别,提出了一种基于改进YOLOv5的红花目标检测算法。将CBAM注意力机制嵌入到YOLOv5网络,提高了小尺寸目标物在高层次特征中的表现力;建立一种Alpha-IoU目标位置损失函数对原损失函数GIOU存在的梯度消失问题进行改进,提高了被遮挡红花的预测率,并通过在目标检测网络中增加分割检测模块,提高宽和高小于最低像素的小目标物检测精度,利用图像扩增数据集对改进后的YOLOv5算法进行训练,再分别与改进前后YOLOv5网络和Faster R-CNN网络在不同红花品种、不同自然光照情况、不同天气条件和不同遮挡情况下进行对比。试验结果表明:改进后的YOLOv5算法P值、R值分别为90.45%和0.90,对非结构环境下盛开期的未采摘红花mAP值达到94.48%,在不同影响因素下都可以准确识别出红花且置信度较高,可为红花采摘机器人自动化作业中的红花识别提供技术支持。