关键词： 计算机视觉   人工智能   深度学习   图像识别  

摘要： 近年来,深度学习技术在多个学科领域均取得了显著成效,尤其在计算机视觉领域表现尤为突出。综述了人工智能技术在计算机视觉领域内的应用与发展趋势,强调深度学习核心架构的运用,分析其结构特征、独特优势及存在的局限性,探讨了深度学习架构在物体识别、面部验证、行为识别及人体姿态估计等计算机视觉核心任务中的应用实例,展望了深度学习模型在计算机视觉问题设计上的发展方向及其面临的挑战。

关键词： 施工隧道   图像处理   人员流动监测   隐患识别  

摘要： 施工隧道环境中,复杂的人员流动和潜在的安全隐患对施工安全管理提出了较高的要求。文章提出了基于图像处理的隧道施工人员流动监测与隐患识别方法,使用图像采集设备实时获取隧道内部人员动态信息,并对图像数据进行预处理,提取有效特征。采用深度学习算法构建人员流动监测模型,实现人员位置跟踪和流动轨迹分析,识别异常聚集、无防护装备等潜在隐患行为。系统经过异常行为检测模型对人员在隧道内的活动进行实时监控,结合数据分析和预警机制,实现了对不安全行为的早期预警与反馈。

关键词： 深度学习   目标检测   遥感图像   小目标   解耦检测   特征提取  

摘要： 针对典型目标检测模型在遥感图像检测任务中因检测目标小而密集、尺度差异大、方向随机而背景复杂,导致漏检率高、边框回归精度差等问题,提出一种特定任务上下文解耦和快速部分卷积的遥感图像检测方法FasterYOLO-TSCDH。将检测方法改进为特定任务上下文解耦检测方法,将分类任务和回归任务分开处理,分别融合不同空间特征和语义特征的特征图,降低不同任务的相互干扰,提高检测精度和鲁棒性。提出一种快速部分卷积多层次聚合模块,改进特征提取阶段的跨阶段分部卷积模块,强化特征提取能力,同时减轻解耦头带来参数量和运算量暴增的问题。采用一种对锚框质量动态评估的边框回归损失Wise-IoU,减少过高质量或过低质量锚框对边框回归的负面影响,提高边框回归的整体性能。实验结果表明,在DOTAv2和AI-TOD两个公共遥感图像数据集进行目标检测任务时的平均精度均值(mAP@IoU=0.5)达到65.4%和51.3%,相较基准模型提升了3到5个百分点,证明了改进方法的可行性和有效性。

关键词： 目标检测   RT-DETR   复杂条件   特征融合   小目标  

摘要： 该研究旨在深入探究在复杂多变的交通环境下交通标志与信号灯的联合检测问题,分析并解决恶劣天气、低光照和图像背景干扰等不利因素对检测精度的影响.为此,采用了一种改进RT-DETR网络的策略.基于资源有限的运行环境,并为提高模型对于遮挡以及小目标的检测能力,提出PE-ResNet(ResNet with PConv and efficient multi-scale attention)网络作为主干网络.为了增强特征融合能力,提出了NCFM(new cross-scale feature-fusion module)模块,有助于更好地整合图像中的语义信息和细节信息,对复杂场景的理解更为全面.最后引入MPDIoU损失函数,更精确地衡量目标框之间的位置关系.改进后的网络相较于基线模型参数量降低了约14%.在CCTSDB2021数据集、S2TLD数据集以及自制的MTST(multi-scene traffic signs)数据集上,mAP50:95分别增加了1.9%、2.2%和3.7%.实验结果表明,改进之后的RT-DETR模型可以有效地改进复杂场景下目标检测精度.

关键词： 目标检测   军用飞机   YOLOv8   倒置瓶颈   注意力模块   特征金字塔  

摘要： 针对现有的轻量级目标检测算法在应用于遥感图像军用飞机目标检测任务所面临的模型参数大、检测速度慢的情况,提出一种基于YOLOv8n的轻量级遥感图像军用飞机目标检测算法:LeYOLO-MARs。采用了优化后的倒置瓶颈模块替换原始主干网络中的经典瓶颈模块,更换高效的骨干网络特征提取模式,在保持特征提取能力的同时,有效降低了计算需求并提升了计算速度;颈部网络中引入了快速金字塔架构网络,减少了卷积层数并提高了语义信息共享的效率,减少了锁定和等待时间,同时考虑了有限的并行化机会和架构的复杂性;使用轻量级解耦网络头,通过逐点卷积简化检测头结构;使用Inner-SIoU作为新的定位回归损失函数,提升对小目标样本的学习能力并加快回归边界框的收敛;加入了轻量级金字塔压缩注意力机制模块,有效整合局部注意力和全局注意力,以建立long-range通道依赖关系。实验结果表明,改进的算法在保证检测速度的同时取得了95.7%的检测精度,比基线模型高0.4%,模型参数缩小43%,计算量减少63%,较主流算法在检测效果上有一定的提升,能够对军用飞机目标进行高质量实时检测。

关键词： 粗粒土   三轴试验   CT试验   图像处理   剪切带   破坏  

摘要： 粗粒土被广泛应用于筑坝材料,宏观力学性质受其细观层面的颗粒运移和局部变形演化影响。通过对风化千枚岩进行CT三轴试验,并结合数字图像处理技术,量化分析粗粒土在控制速率加载下的颗粒运动和局部变形破坏过程,揭示其宏细观力学特性。结果表明:采用USM锐化以及材料分割对CT图像进行增强处理,有效凸显土颗粒的边界特征。试样内各区域的变形差异显著,靠近试样端部以较均匀的轴向压缩为主,破坏面附近局部变形表现为压缩和侧向扩移;剪切区域CT数平均值呈明显的先增后减规律,应变分布可由颗粒运动与局部变形反映。围压较大的试样剪切带发育为颗粒间的切向错动与法向扩移的耦合效应。试样沿着剪切面连续渐进发展,轴向应变16%左右各局部区域依次加速破坏。剪切带的形成经历了压密、孕育、扩展,直至贯通的渐进演化过程。

关键词： 计算机视觉   AI美容设备   皮肤病诊断   应用  

摘要： 本文深入探讨了基于计算机视觉的AI美容设备在皮肤病诊断中的应用,涵盖了其技术架构、实际运用效果及未来发展与所面临的挑战。分析了AI美容设备中核心的计算机视觉系统构成及其工作原理,解释了图像捕获与处理在皮肤病诊断中的关键性作用,同时,阐述了机器学习算法在皮肤纹理识别中的应用和深度学习技术在模式检测方面的显著优势。进而,评估了AI美容设备在数据采集领域的多维度效能、与传统方法相比的诊断准确性提升,以及在用户体验上的界面友好性和操作简便性。最后,讨论了扩充数据集以增强诊断覆盖的重要性,以及为适应日益复杂的病理变化而进行的技术迭代和算法优化的必要性。

关键词： 草莓   深度学习   YOLOv5   损失函数   目标检测  

摘要： 草莓检测对草莓的自动化采摘具有重要的意义和价值,针对目前草莓模型检测精度较低、模型占用较大等问题,基于深度学习技术,提出一种改进YOLOv5的目标检测方法。首先,使用Ghost模块对YOLOv5主干网络进行优化,降低模型参数量和复杂度;其次,使用坐标注意力模块CA,提升模型对草莓关键特征的关注;然后将YOLOv5中的定位损失替换为SIoU,考虑边界框回归之间的向量角度。结果表明,该模型的平均精度均值为94.8%,相较于目前经典的目标检测模型,检测能力提升显著,一张图片的预测时间为25.2 ms,模型大小仅为10.4 MB,具有较快的推理速度且模型尺寸较小。为草莓检测提供更加准确快捷的检测方法,更为容易地应用到移动式和嵌入式设备中。

关键词： 损失函数设计   降采样   缺陷检测   目标检测  

摘要： 针对PCB在生产过程中会出现短路、漏孔等缺陷,已有的损失函数和降采样算法存在定位不准确等导致缺陷检测收敛缓慢、检测结果不准确的问题,提出了一种基于掩模降采样和微小缺陷交并比损失的一阶段缺陷检测器.首先,提出基于面积损失的微小缺陷交并比损失函数,以进行更精确的微小缺陷回归定位;其次,提出基于动态掩模的降采样算法,以利于检测器在缩小参数矩阵尺寸过程中自动筛选重要特征、次要特征和噪声特征,提升缺陷检测器的特征提取能力.实验结果表明,提出的缺陷检测器在北京大学PCB缺陷数据集和Deep PCB数据集上可分别达到98.50%的mAP和99.02%的mAP,优于对比算法;提出的降采样算法使YOLOv5等检测器的mAP在北京大学PCB数据集中提升了1.6个百分点,提出的损失函数有利于YOLOv3和YOLOv4等检测器提升其在2个数据集上的检测准确率,展现出良好的鲁棒性.

关键词： 深度学习   缺陷检测   YOLOv8   图像处理  

摘要： 针对铸造零件X射线DR图像小目标缺陷特征不明显,现有目标检测算法精度不高的问题,提出一种基于YOLOv8的铸件DR图像小目标缺陷检测方法。首先通过CLAHE算法,增加图像对比度,突出缺陷细节。其次对灰度图像进行通道扩充,增加深度学习网络可学习信息。最后改进YOLOv8网络,使用空洞卷积提取更大感受野的初始特征;引入Sim AM注意力机制加强重要特征;添加小目标检测层获得较大尺寸的特征图。结果表明,改进的YOLOv8算法对铸件小目标缺陷检测的均值平均精度(m AP)和m AP@0.5∶0.95分别达到了86.1%和52.5%,较原模型分别提高了2.87%和10.10%,铸件小目标缺陷检测精度更高。