关键词： 深度学习   卷积神经网络   注意力机制   组卷积   膨胀卷积   图像分类   目标检测  

摘要： 为解决目前的注意力模块中参数量大、通道压缩导致信息丢失、空间信息学习不充分的缺点,提出一种基于组卷积、通道清洗和膨胀卷积的轻量注意力模块。采取组卷积和通道清洗的方式学习通道权重,能够在不压缩通道的前提下减少大量参数,使不同组之间产生交互,充分学习通道信息。采取连续的膨胀卷积,合理设置膨胀率充分且均衡的学习空间信息。通过CIFAR100和VOC 2007+2012数据集对所提模块在图像分类和目标检测中进行实验,验证其能够在较少的花费下带来较大的提升。

关键词： 深度学习   Faster R-CNN   气象观测场   图像处理  

摘要： 为确保气象站点实况观测数据的准确性,观测场地需要有良好的环境。该研究利用深度学习技术中的Faster R-CNN模型,自动检测气象观测站场景中可能干扰仪器读数的视觉障碍物。通过收集并详细标注实际观测场景的图像数据,建立一个包含环境对观测设备产生影响情况的数据集,涵盖正常与异常环境情况的百叶箱和雨量筒图像及其标注信息。对Faster R-CNN模型进行微调和超参数优化,以适应该特定识别任务。实验结果验证了模型在识别和定位障碍物方面的高效性,准确率为97.1%,展现出了较好的鲁棒性。该项研究将图像识别处理用于自动站探测环境,不仅证明了深度学习在改善气象观测条件中的有效性,也为相似领域的应用提供了方法论上的指导。

关键词： 甲骨文   深度学习   目标检测   数据集   YOLOv8算法  

摘要： 甲骨文目标检测是甲骨文数字化研究中重要一环,主要依靠深度学习模型实现对甲骨文图像中位置信息和分类信息的识别。为了避免模型过拟合,深度学习模型的训练一般需要依赖大规模的数据集,而在甲骨文目标检测领域,目前可用于深度学习的大规模数据集较少,很多研究所用的数据集均依靠专家人工标注和整理,这使得甲骨文目标检测数据集存在整理成本较高、数据量较小、数据质量不高、类别间均衡性差等问题。提出了动态两阶段Mosaic算法及甲骨文大规模数据集生成技术,解决传统Mosaic算法在处理甲骨文图像中存在的拼接图数量有限、图像的多样性和差异性不足、空白背景较大、信息缺失等问题,并设计了完整的数据集生成流程,实现了从甲骨文单字符图片到大规模数据集生成的流程化、智能化处理,从根本上解决了甲骨文目标检测领域的数据困境。通过此研究方法,生成了标注位置信息和类别信息且规模庞大的甲骨文数据集,共生成57万张甲骨文图像和57万份对应的标注文件,包含甲骨文类别416类,样本数量最少的类别包含了516个甲骨文字符,且数据集规模和各类别样本数量可动态调整以避免类别间样本不均衡。采用YOLOv8模型对生成后的大规模数据集进行训练,在经过200批次训练后,模型精度(Precision)达到96.45%,mAP50值为97.75%,mAP50-95值为96.96%,从模型训练曲线看,训练过程表现出较好的稳定性和高效性,模型训练结果表明,研究的数据集生成技术可应用于甲骨文目标检测。

关键词： 水果采摘   目标检测算法   深度学习   卷积神经网络   计算机视觉  

摘要： 中国在水果产量方面处于全球领先地位,但因人力资源减少和老龄化问题,传统的人工采摘方式已经无法满足快速高效的采摘需求,研发集成计算机视觉的自动化水果采摘设备成为解决劳动力短缺难题的关键。水果大多呈类球状,相关的识别算法研究居多,探讨了柑橘、蜜桃等类球状水果的识别算法。根据应用场景的不同,分析了传统类球状水果识别算法与基于深度学习的类球状水果识别算法在网络结构方面的差异与改进,对水果采摘识别算法进行总结并提出算法的未来发展趋势。传统算法在简单场景下表现有效,但在复杂环境中往往会受到设计特征的限制,基于深度学习的算法因其高效性和准确性更适合自动化水果采摘的需求。总结了类球状水果识别算法的研究进展,在处理复杂环境时深度学习算法具有良好的有效性和适应性,更适合部署在自动化采摘设备;也提出了未来的研究方向,即通过优化算法性能、数据集构建及扩增,以及结合多模态数据提升算法的精度和适应性。

关键词： 人-物体交互检测   计算机视觉   深度学习   目标检测   视觉关系  

摘要： 人物交互(human-object interaction,HOI)检测在复杂场景理解中发挥着至关重要的作用。目前的大多数方法都以一阶段的方式将参数交互查询直接映射到一组HOI预测中,这导致丰富的交互结构没有被充分挖掘和利用。对此可以通过多模态数据获取更多维度的信息,从而更全面地理解人物之间的交互行为。为此设计了一种Transformer风格的HOI检测器,该检测器基于查询的方式检索对比语言图像预训练(CLIP)知识,然后执行交互建议生成,通过结构感知网络将非参数交互建议转换为HOI预测。本文创新性地将CLIP知识迁移到HOI检测中,并通过对整体语义结构和局部空间结构进行额外编码提高了预测结果的准确性。实验结果表明,所提模型在公共数据集V-COCO上的准确率达到了64.83%,在HICO-DET数据集上的准确率达到了28.78%,与现有的HOI检测算法相比展现出优越的性能,证明了该算法的有效性。

关键词： 小样本学习理论   船舶目标检测   目标识别   船舶数据集   人工智能   深度学习  

摘要： 针对船舶视频目标多样性、新增样本有限等问题,提出了一种基于计算机视觉信息小样本学习理论的船舶目标检测技术,通过构建时空对称卷积神经网络,融合时序对称的视觉和语义特征,实现视频质量增强,基于初始化表征学习与随机梯度下降理论,实现边缘极少样本数据的快速训练与迭代,通过自建船舶样本数据集进行模型训练,实现了基于视频的船舶目标检测,并结合AIS数据实现了船舶属性信息与视频的融合,建立了一种不依赖于船载终端的主动式非接触船舶监管系统,面向海事监管人员和水运行业参与人员提供智能化便捷化的监管服务,依托该平台打造海事智慧之眼、建设水运服务大脑。

关键词： 物流   分拣搬运   视觉引导   目标检测   匹配定位  

摘要： 针对物流环境中纸箱拆垛、分拣及搬运的多样化需求,文章提出了一种基于视觉引导的机器人作业系统解决方案,通过互联网的方式连接拍摄设备、终端系统、分拣机器。终端系统主要用目标检测和匹配定位两大算法提取图像中的坐标信息、物品体积大小、物品的包装种类。为了获取更加精确的定位信息,在图像处理流程中,文章首先执行图像预处理步骤,随后进行形态学运算,接着采用边缘检测技术,以识别并获取最大的连通区域轮廓,最终确定该轮廓的最小外接矩形。

关键词： 现场可编程门阵列   Cortex-M3处理器   片上系统   硬件加速  

摘要： 针对单一的嵌入式处理器很难高效地完成图像处理等巨量计算任务的问题,基于FPGA(Field-Programmable Gate Array)和Coretx-M3处理器内核设计了一套具有图像处理功能的SoC(System on Chip)。硬件设计基于Xilinx公司的Kintex-7 FPGA和Arm公司提供的Cortex-M3内核,在FPGA上实现处理器架构,利用IP(Internet Protocol)核与Verilog设计存储器、总线系统和基本的外设,并通过总线与处理器相连,设计图像处理单元,将常用的数字图像处理算法映射为硬件描述语言,并设计总线接口与处理器相连,为SoC提供图像处理能力。软件设计基于Keil MDK工具和C语言,为SoC的外设和图像处理单元编写驱动程序,仿真了系统功能,同时以二值化算法为例将基于Matlab的数字图像处理与SoC中的图像处理单元进行充分的对比测试,结果表明该图像处理SoC不但性能优良,同时拥有FPGA与SoC的全部优势。笔者成功开发出了基于FPGA平台的具有图像处理功能的SoC,该系统在Xilinx公司的Kintex-7系列,型号为XC7K325TFFG676-2的FPGA上进行了板级验证。该设计体现出FPGA平台设计该系统的高度灵活性与高效性,提供了单一嵌入式处理器很难高效完成图像处理等巨量计算任务弊端的一种解决方案。该系统基于可重构平台设计,可实现外设功能根据需求的定制化,具有灵活度更高的优势。

关键词： 实验室安全   目标检测   轻量化   危险源辨识  

摘要： 随着高校实验室规模的不断扩大及研究活动的日益频繁,实验室安全问题愈发突出,特别是人身伤害风险的监测和评估亟须加强。本文基于YOLOV5(You Only Look Once Version 5)目标检测技术,设计了一套针对高校建筑工程实验室的人身伤害风险评估系统,旨在通过实时监控与危险源辨识,有效降低潜在风险。系统基于YOLOV5的轻量化模型,实现了对实验室环境中人员及危险源的快速检测与定位,提高了响应速度与准确性。同时,通过引入多层次的风险评估理论,结合实验室的具体风险因素,建立了系统化的风险评估框架,以实现对人身伤害风险的动态评估。案例分析表明,此系统在实际应用中显著提高了实验室的安全管理水平,提供了科学可靠的决策依据。基于YOLOV5的风险评估系统不仅具有良好的应用前景,而且为高校实验室安全管理提供了新的研究方向。

关键词： 目标检测   半监督   稠密伪标签   阈值   软伪标签  

摘要： 为了解决当前半监督三维目标检测算法中,传统的固定阈值方法在过滤伪标签时不够灵活,舍弃了大量有价值的伪标签,没有充分利用潜在有价值样本的问题,提出了一种基于潜在有价值样本挖掘的半监督三维目标检测方法。首先,不再使用固定阈值过滤伪标签,采用基于得分聚类的自适应阈值生成方法,分别为不同的类别生成过滤伪标签时需要的阈值,保留更多有价值的伪标签;其次,由于标签由类别和边界框信息组成,提出了一种联合置信度过滤伪标签的方法,使用对象置信度、分类置信度和IoU置信度的乘积来过滤伪标签,改善伪标签的质量;最后,对样本数量较少的类别生成稠密伪标签,筛选未通过联合置信度过滤的部分数据,以软伪标签的形式保留伪标签,更充分地利用潜在有价值的样本。在KITTI数据集上,与PV-RCNN方法相比,所提方法在仅1%标记数据的情况下,汽车类提高了6.5百分点,行人类提高了9百分点,自行车类提高了25百分点,实验结果证明了所提方法的有效性。