关键词： BOPPPS模式   教学设计   图形图像处理   教学理念   参与式学习  

摘要： 为了改善中职院校学生学习主动性不强的现状,文章采用具备较强实践性与针对性的BOPPPS模式对传统的教学方式进行了优化。在“图形图像处理”课程教学中以“图像色调的调整”为例,对课程内容进行了模块化教学设计,以学生为中心,引导学生主动参与学习,使他们自发掌握相关知识点,并加深其对学习内容的理解。整个教学设计以学生为核心,采用问题驱动的探索式学习方法,旨在唤起学生的学习热情,提升教学的有效性。

关键词： 弧光检测   受电弓   深度学习   图像处理   实时监控  

摘要： 随着高速铁路技术的迅猛发展,受电弓的安全运行成为确保动车组稳定供电与高效运行的关键。针对受电弓运行过程中可能发生的弧光现象,本研究开发了一套基于深度学习技术的弧光检测系统,旨在实现受电弓安全性的实时监控。该系统通过分析高速摄像机捕捉到的视频数据,利用图像处理技术自动为图像标注“电弧”或“非电弧”,有效降低了数据处理难度。此外,通过关键帧提取和差分技术,本系统显著提升了数据处理效率,减少了对计算资源的需求。实验结果证明,该检测系统能够准确地识别出电弧现象,为评估受电弓的安全状态提供了强有力的技术支持。未来的研究将致力于模型的进一步优化,特别是提升系统在极端环境条件下的适应性和检测准确性,并探索减少硬件成本的方法。本研究不仅对提升铁路运输安全性有着重要意义,也展现了该技术在电力工业和化工产业等其他领域的安全监控潜力。

关键词： 多尺度特征   深层特征   高效提取   脉冲解耦检测头  

摘要： 由于出色类脑机制和自身节能性,脉冲神经网络(SNN)受到广泛研究,且在目标分类任务中取得显著进展,但其在目标检测领域的研究尚处于初步阶段。针对现有SNN目标检测算法在复杂场景下检测精度低的问题,本文构建了一种深层特征高效、轻量提取的脉冲神经网络目标检测架构——ES-YOLO。该架构提出了高效特征提取模块(SDF-Module),并结合多尺度特征提取的空间金字塔设计,显著提升了模型在复杂目标检测任务中的性能。此外,通过引入脉冲解耦检测头,进一步优化了模型的检测精度和实时性。实验结果表明,在VOC2012数据集上,ES-YOLO模型获得了60.5%的mAP@0.5和37.1%的mAP@0.5:0.95的性能指标,相比EMS-YOLO分别提升了4%和3.7%。该模型不仅缩小了与同等架构ANN模型的性能差距,而且整体能耗为同等架构ANN的1/5。为后续SNN在目标检测任务中的广泛应用提供支持。Due to the outstanding brain-inspired mechanisms and energy efficiency, Spiking Neural Networks (SNN) have garnered widespread attention and achieved significant progress in object classification tasks. However, research on SNNs in the field of object detection remains in its early stages. To address the issue of low detection accuracy of existing SNN-based object detection algorithms in complex scenarios, this paper proposes a novel, deep-feature-efficient and lightweight SNN-based object detection architecture—ES-YOLO. The architecture introduces an efficient feature extraction module (SDF-Module) and incorporates a spatial pyramid design for multi-scale feature extraction, significantly improving the model’s performance in complex object detection tasks. Furthermore, by integrating a spiking decoupled detection head, the model’s accuracy and real-time performance are further optimized. Experimental results on the VOC2012 dataset demonstrate that the ES-YOLO model achieves 60.5% mAP@0.5 and 37.1% mAP@0.5:0.95, representing improvements of 4% and 3.7% respectively compared to EMS-YOLO. The model not only reduces the performance gap between SNNs and equivalent ANN models but also achieves overall energy consumption that is only 1/5 that of the equivalent ANN architecture. This work provides support for the broader application of SNNs in object detection tasks in the future.

关键词： 人工智能时代   测绘遥感技术   图像处理  

摘要： 为解决传统测绘遥感效率低、精度差等问题,以智能化测绘遥感工程为例,对人工智能时代下的测绘遥感技术进行研究,提出基于机器学习,加强测绘图像识别;利用机器视觉,进行图像处理;采用深度学习,开展目标检索等方法处理遥感数据,以期为智能化测绘遥感工程提供技术参考。

关键词： 安全工程   电网登高作业   违章作业   目标检测   幽灵模块   注意力机制  

摘要： 电网登高作业众多,登高违章易造成高处坠落等严重事故。构建了轻量化且高精度的登高违章作业检测模型,以实现对不安全行为的高效检出。首先,基于YOLOv8算法框架构建基础网络模型,之后在颈部网络中引入幽灵模块(Ghost module),以构建轻量化模型;其次,在主干网络中引入高效多尺度注意力模块(Efficient Multi-scale Attention module,EMA),在保证轻量化基础上,提高模型精度;最后,基于网络层次分析法和模糊综合评价法,将孤立的不安全行为融合为登高作业综合评价体系。结果表明:相较于基础模型,本模型准确率提高3.3%,召回率提高9.9%,均值平均精度(mean Average Precision,mAP)mAP@50提高8.4%,mAP@50:95提高4.6%;在轻量化方面,参数量降低17.6%,计算量降低11.1%,模型所占存储容量降低16.1%,且漏检情况有所减少。

关键词： 深度学习   轻量化   目标检测  

摘要： 为解决YOLO算法难以兼顾模型轻量化与高精度的问题,提出了基于轻量级骨干网络的目标检测算法。首先,利用复杂度更小、特征提取能力更高效的MobileNetV2轻量化YOLOV5的骨干网络,减少原网络的复杂度和冗余;然后提出融合深度可分离卷积与大核卷积的特征图金字塔模块,实现空间维度和通道维度信息的转换,高效增加目标感受野,避免小卷积核的低效堆叠,从而提升网络特征提取能力;最后,通过引入CIOU优化激活函数,增加检测框尺度的损失,获取更为准确的预测框,提升网络检测精度。在VOC数据集和COCO数据集上对提出算法进行验证,实验结果表明提出算法在保持较小参数量与计算量的同时具有更高的检测精度。

关键词： 机器视觉   缺陷检测   图像处理   卷烟  

摘要： 针对目前烟支表面缺陷检测中存在的可检类型单一、检测速度慢、准确率低等问题,设计了一种基于机器视觉的烟支缺陷检测系统。使用最大类间方差法(OTSU法)的类别方差作为判断依据,计算最佳分割阈值,并结合Canny算子优化其边缘。划分出感兴趣区域(ROI)之后采用使用基于形态学的Blob区域分析算法提取缺陷并进行判断是否剔除。以输送模块、图像采集模块、逻辑运算模块、剔除模块构建烟支缺陷检测系统。经实验验证,在实际加工条件下,该系统能有效检测出卷烟表面上的折痕、破损、脏污、水松纸错牙、爆口等缺陷,准确率可达98%,可以满足对工业生产线的在线检测要求。

关键词： 发动机探伤   图像处理   神经网络  

摘要： 发动机作为现代机械系统的核心,其运行可靠性直接关系到整体性能的优劣。发动机故障不仅可能造成巨大的经济损失,更可能引发严重的安全事故。因此,对发动机进行及时的探伤检测与故障类型识别,不仅具有重要的理论价值,也具有显著的工程应用意义。本文系统探讨了现有发动机探伤识别方法,包括传统的基于物理特性的检测技术和基于图像处理的识别方法,同时重点研究了基于神经网络等新兴技术的应用前景,为推动探伤技术的智能化发展提供了理论支撑与实践指导。

关键词： YOLOv5   注意力机制   CBAM   目标检测   Bi-FPN  

摘要： 由于变电站内设备悬挂异物的现象频发,为预防站内人员巡检不及时导致电力事故发生,在YOLOv5的基础上,提出融合注意力机制和Bi-YOLO的变电站异物检测研究。采用加权双向特征金字塔替代原有的特征金字塔网络,将坐标注意力模块嵌入C3结构,添加混合注意力模块,以提高变电站异物的特征提取能力和检测效率。实验结果显示,相较于YOLOv5算法,提出的检测算法多类别平均检测精度提高3.3%,mAP值达91.3%,满足实时性要求。

关键词： YOLOv5   注意力机制   石化设备   设备数据集   目标检测  

摘要： 为解决石化设备目标检测任务中,由于设备种类多、尺度跨度大和背景复杂等原因,造成设备目标检测误检率和漏检率较高的问题,研究多个CCbam3层、通道和空间注意机制、SiLU激活函数等对YOLOv5模型的作用机制,提出1种单阶段注意力机制增强的改进YOLOv5模型,该模型主干模块改进为焦点层、卷积层、多个CCbam3层和空间金字塔池化层;中间模块则使用通道和空间注意机制模块来优化不同设备尺度的特征图;此外,该模型使用SiLU作为激活函数,提高网络的自稳定性;最后,预测模块采用4个检测模块来检测不同尺寸的设备。研究结果表明:改进的YOLOv5模型在真实的设备数据集获得的P-R曲线平均精度为97.8%,石化设备均得到精确地检测和定位;在mAP50方面,较YOLOv5s,YOLOv5x分别提升3.2和0.4百分点;添加的注意力机制的模型有利于提取石化设备特征并更准确地进行目标检测。研究结果可为石化设备的智能化目标检测和过程安全风险防控工作提供技术支撑。