关键词： 激光视觉   改进的YOLOv5算法   图像处理   线结构光  

摘要： 为了满足自动化工艺的需要和获取更为清晰的焊缝原始图像,提出了一种基于YOLOv5和结构光的焊缝特征点提取算法。首先利用激光视觉系统获取焊缝图像,使用改进后的YOLOv5算法进行预训练;然后通过Steger算法提取结构光中心线,使用Harris算法对中心线图像进行处理,并确定焊缝坐标点的坐标;最后将坐标信息传输给PLC,控制十字滑台带动焊枪进行焊缝的跟踪操作。实验结果表明,改进后的YOLOv5算法mAP值更大、稳定性更高、鲁棒性更强。

关键词： 人工智能技术   自然语言处理   计算机视觉   机器学习   医疗健康领域   医疗服务模式   疾病筛查   应用场景  

摘要： 随着人工智能技术的加速成熟,其在医疗健康领域的应用场景不断延伸,从而不断重塑医疗服务的面貌。医疗人工智能不仅推动了医疗服务模式的创新,还极大地提高了疾病筛查、临床诊疗的效率和质量。近年来,随着计算机视觉、自然语言处理、机器学习等人工智能技术的全面融入,医疗健康领域正经历着前所未有的变革。

关键词： 计算机图像处理技术   纺织工业   深度学习技术   服装裁剪  

摘要： 在当今科技飞速发展的时代,计算机技术已经广泛渗透到各个工业领域,为传统产业带来了前所未有的变革。纺织工业作为历史悠久的制造业之一,也在计算机技术的推动下不断创新和发展。其中计算机图像处理技术发挥了至关重要的作用,基于对纤维图像的采集和分析,可以准确获取纤维的长度、细度、强度等关键参数,从而实现对原材料质量的精准把控,这对于保证后续纺织产品的质量具有重要意义。文章主要论述介绍计算机图像处理技术在纤维检测、织物设计、印染质量控制和服装裁剪中的实现方法及其带来的实际效益。

关键词： 弱监督目标检测   特征融合   注意力机制   半监督学习  

摘要： 为了降低标注成本,解决目标定位不准、细节信息遗漏等问题,提出双注意力引导特征融合的半弱监督目标检测算法,利用全标记和弱标记数据来平衡检测性能和标注成本,使用空间注意力将低层特征图与高层特征图进行像素级加权融合,使高层特征图具有丰富的低层信息,对融合后的特征图进行通道加权运算,得到细节、位置信息丰富的高层特征图。为了得到更准确的伪标注框,提出更具鲁棒性的候选框筛选策略。实验表明,本文提出的算法具有较优的检测性能,减少了全标记图像的数据量和额外的图像级标注。

关键词： 模型压缩   知识蒸馏   知识增强   特征重建   目标检测  

摘要： 目的知识蒸馏作为一种有效可行的模型压缩方法现已在图像分类领域得到了广泛的研究。由于目标检测网络的复杂性加大了知识蒸馏的难度,现有应用于目标检测的知识蒸馏方法效果并不理想。为此,提出一种适用于目标检测任务的知识蒸馏方法,即基于知识增强的特征编辑重建蒸馏,实现对目标检测模型的有效压缩。方法针对现有方法只在教师模型和学生模型的对应特征层之间进行蒸馏,无法充分利用教师模型中隐藏的“暗知识”的问题,通过空间注意力和通道注意力分别对教师特征进行自下而上和自上而下的多尺度特征融合以进行知识增强;针对当教师模型和学生模型能力差距过大时,学生模型无法理解教师模型的知识导致蒸馏性能受限的问题,通过将教师模型的部分特征作为先验知识融合到学生模型的特征中,以缩小教师模型和学生模型之间的表征能力差距,并删除学生模型特征的边缘、轮廓等细节信息,实现特征编辑,然后迫使学生模型利用剩余特征结合先验知识通过一个简单的卷积块来恢复删除的细节信息,进行特征重建,使学生模型在此过程中得到正向的反馈,从而学习到更好的特征。结果实验在两个数据集上采用基于ResNet50(residual network)的RetinaNet(retina network)、Faster R-CNN(faster region-based convolutional neural network)、FCOS(fully convolutional one-stage object detection)3种不同类型的检测器与最新的4种方法进行了比较,VOC2007(visual object classes 2007)测试集的平均精度均值(mean average precision,mAP)对比基线分别提高了2.1%、2.7%和3.8%;NEU-DET(Northeastern University surface defect database)测试集的mAP对比基线分别提高了2.7%、2.6%和2.1%,均高于当前性能最优的算法。结论本文所提出的方法能充分挖掘出教师模型的能力,有效提升学生模型的性能,同时适用于多种类型的目标检测器。

关键词： 地基雷达   慢速弱目标检测   模态分解   过门限处理  

摘要： 在复杂地物场景中使用地基雷达探测地面动目标时,慢速弱目标与地杂波的频谱通常难以区分,传统的目标检测手段性能受限。针对此问题,提出一种基于模态分解的地基雷达慢速弱目标检测方法。首先设置较低的门限进行单元平均-恒虚警率(cell average-constant false alarm rate,CA-CFAR)检测,初步筛选目标;接着对慢时间信号进行复经验模态分解(complex empirical mode decomposition,CEMD),分离地杂波和动目标;最后利用地杂波和动目标多普勒频谱的对称性差异检测目标。将该检测方法分别与CA-CFAR和正交投影-奇异值分解-恒虚警率(orthogonal projection-singular value decomposition-constant false alarm rate,OP-SVD-CFAR)检测的性能进行比较,并通过仿真数据和两组不同目标的实测数据进行验证。结果表明,所提方法能够提升目标的信杂噪比;在检测概率相同的条件下,其虚警率比CA-CFAR显著降低;在检测概率相同且较高的情况下,所提方法比OP-SVD-CFAR的虚警率也更低,证明了所提方法的有效性。

关键词： 针灸   针灸针小目标检测   深度学习   YOLOv5   小目标  

摘要： 随着针灸学科的科学化、现代化,各种针灸医疗设备不断创新,尤其是智能针灸诊疗设备的出现,针灸临床“留针”阶段的针灸针自动化识别成为需求热点。针对针灸针识别过程的输入图片尺寸过大、针灸针细长、针灸针分布密集等问题,本文提出一个适用于针灸针小目标的改进YOLOv5“留针检测模型”ANODM(Acupuncture Needle Object Detection Model):(1)输入预处理阶段,将图片切分为多个Patch分别预测,以放大小目标尺寸;(2)模型结构层面,在原3个检测层新增一个小目标检测层以提升对小目标的识别能力,将骨干网络的普通卷积替换为空洞卷积以增大感受野,对不同Stage的特征融合;(3)后处理阶段,使用Soft-NMS降低正样本的漏检率,并结合余弦相似度匹配降低负样本的错检率。实验结果表明,对比原YOLOv5算法,本文改进方法在针灸针小目标数据集上的检测精度提升4.2%,能较好地完成针灸针小目标检测任务。

关键词： 图像去雾   图像处理   深度学习   图像增强  

摘要： 图像去雾作为图像清晰化的技术之一,通过降低雾霾对图像质量的影响,增强机器视觉在雾霾天气下的鲁棒性及环境适应性,是低级视觉任务中的重要研究内容。首先,回顾了早期图像去雾算法及了解了图像去雾技术发展现状,总结梳理了国内外去雾算法文献,将去雾算法按是否考虑图像退化原理分为基于模型的去雾算法和无模型的去雾算法两大类进行研究讨论;其次,介绍了各类经典去雾算法,对其特点进行分析对比,总结各方法的优缺点;最后,对图像去雾算法未来的研究方向及趋势进行了讨论。

关键词： 番茄果实   EfficientNet   注意力机制   图像处理技术   深度网络  

摘要： 我国番茄的产量居世界前列,种植的主要方式为棚室种植,大多采用人工采摘,成本高、效率低,不利于种植产业的发展。为此,提出了一种基于A-ENet模型的图像处理技术,用于棚室番茄果实的识别。A-ENet模型在EfficientNet运行时引入注意力机制,用于优化深度网络运算结果。EfficientNet通过调整、完善网络的宽度、深度等网络参数提升网络的识别准确率,同时在网络提取输入信号特征时引入注意力机制用于捕捉输入信号特征的权重信息,主动忽略环境因素对目标信号的干扰。A-ENet模型能够解决由于识别目标之间的细微差异产生的识别错误的问题,且能够减少随机环境因素对识别过程的干扰,提高识别成功率,对棚室番茄果实识别问题起到积极的影响作用。实验结果表明:所提出的基于图像处理技术的A-ENet模型能够构建出效率更高、鲁棒性更强的目标识别系统。

关键词： 多模态特征融合   视频   图像   目标跟踪   多模态  

摘要： 现有的跟踪方法实际位置与目标位置存在误差,为此研究基于多模态大模型的多路视频图像目标跟踪方法。通过光学影像与SAR影像结合的方式构建多模态数据大模型,通过数据融合方式提取多路视频图像多种特征,并采用通道叠加方法将不同模态特征合并融合,实现优势互补。利用布莱卡滤波方法预测目标的可能位置,然后以该预测位置为中心,对周围区域内的像素点进行整合。根据导向概率来构建一个导向图,统计各视频块中的目标点与总样本点数的比率。通过与预设的阈值比较,动态调整跟踪窗口的大小,完成目标跟踪。实验结果表明,不论是单目标还是多目标的情况,通过扫描发现目标位置与实际区域达到最佳匹配,记录到最终位置的像素坐标为(30,550),与预期效果相符合。达到了良好的跟踪效果,实现了对多路视频图像中目标的精确跟踪。