关键词： 目标检测   视觉定位   鸭蛋   识别   YOLOv8n   机器人操作系统  

摘要： 为解决鸭蛋捡拾机器人对中远距离散养鸭蛋识别困难与定位精度差等问题,该研究先以YOLOv8n原始模型为基础,采用添加针对小目标检测的P2检测头的升级模型YOLOv8n-P2,使模型能够在目标特征保存更完整的大尺寸特征图中进行检测,并引入卷积模块注意力机制模块(convolutional block attention module,CBAM)与Involution内卷算子,增强特征图不同通道之间的联系,提高模型网络在通道维度上的感知能力和对小目标的检测能力。其次,在图像目标识别的基础上,提出了一种基于机器人操作系统(robot operating system,ROS)的视觉定位方法,通过机器视觉识别与坐标变换(transform,TF),实现了鸭蛋捡拾机器人搭载深度相机在运动过程中对目标鸭蛋的高精度实时视觉定位。试验结果表明,改进模型YOLOv8n-P2-CBAM-INV的权重文件大小为20.80 MB,每秒浮点计算量为51.4 G,单张图像平均检测用时14.5 ms,精确率和召回率分别为98.30%和96.60%,相较于原始模型YOLOv8n,在测试集上平均精度均值提高了7.1个百分点,该模型在6.0 m距离测试,平均精度均值达到98.0%,相较于原始模型YOLOv8n提高了29.4个百分点。最后,通过在0.5~3.0 m范围的移动机器人视觉定位试验表明,该定位方法可实现移动捡蛋机器人在实验室内对中远距离鸭蛋的高精度实时运动定位,最大定位误差可控制在0.03 m以内。此改进模型可部署到移动边缘计算图像处理平台,不仅可为移动捡蛋机器人提供支持,也可为类似的自主移动采收作业机器人提供一定借鉴。

关键词： 图像处理   场景重建   YOLOv8   改进Criminisi算法   泊松融合  

摘要： 基于典型场景环境实测数据的仿真场景的等效构设,其相较于传统辐射渲染下的仿真模型搭建,展现了更高的准确度和逼真度,同时等效构设过程中形成的特征库也能支撑仿真建模校验。然而,场景等效构设过程中目标与背景的解耦问题一直是制约其逼真度提升的关键难题。为此,本文提出了一种结合改进YOLOv8和Criminisi算法的背景解耦技术。首先,利用YOLOv8精确提取目标掩膜;接着,用改进Criminisi算法补全背景,保持结构连贯性。最后,通过泊松融合算法将目标与背景融合,提升仿真场景的逼真度。实验结果表明,用该方法等效构设的仿真环境与真实采集到的图像相似,解决了在仿真场景实时渲染过程中场景目标单一、构设逼真度不高等问题。

关键词： 卷积神经网络   目标检测   FPGA   MobileNetV1   并行计算   硬件加速  

摘要： 卷积神经网络是目标检测中的常用算法,但由于卷积神经网络参数量和计算量巨大导致检测速度慢、功耗高,且难以部署到硬件平台,故文中提出一种采用CPU与FPGA融合结构实现MobileNetV1目标检测加速的应用方法。首先,通过设置宽度超参数和分辨率超参数以及网络参数定点化来减少网络模型的参数量和计算量;其次,对卷积层和批量归一化层进行融合,减少网络复杂性,提升网络计算速度;然后,设计一种八通道核间并行卷积计算引擎,每个通道利用行缓存乘法和加法树结构实现卷积运算;最后,利用FPGA并行计算和流水线结构,通过对此八通道卷积计算引擎合理的复用完成三种不同类型的卷积计算,减少硬件资源使用量、降低功耗。实验结果表明,该设计可以对MobileNetV1目标检测进行硬件加速,帧率可达56.7 f/s,功耗仅为0.603 W。

关键词： Photoshop   图像处理   职业技能大赛   技术应用  

摘要： Photoshop作为图像处理的主流工具,在职业技能大赛中扮演着至关重要的角色。研究深入探讨了Photoshop在职业技能大赛中的应用现状、关键技术及优化策略,研究结果不仅为参赛者提供了具体的技术指导,还为职业教育的发展提供了实际的参考价值,有助于促进图像处理技术在实际场景中的优化应用。

关键词： 目标检测   YOLOv3   滑坡灾害   HetConv   CBAM   金字塔池化  

摘要： 针对YOLOv3模型体积大、效率低的问题,提出一种基于YOLOv3改进的滑坡区房屋识别方法YOLOv3-HA。使用HetConv替换常规卷积核,引入CBAM模块和金字塔池化结构改善模型性能,再使用更精确的EIoU作为边框回归损失。基于滑坡房屋数据集的实验结果表明,该模型体积与FLOPs相较于原始模型减小约70%,检测速度提升20%,检测精度提高4.27百分点,验证了该轻量化算法的有效性。

关键词： Android环境   人工智能   图像处理软件  

摘要： 随着移动设备计算能力的提升和人工智能技术的发展,实时图像处理在安防、自动驾驶、医疗影像等领域展现出广阔的应用前景。在基于人工智能的实时图像处理软件的设计中,通过模型压缩与加速策略,如剪枝与量化,本文优化了模型的计算效率,使其适应移动端资源限制。研究表明,所设计的系统在确保高识别精度的同时,能够有效提升实时性与响应速度,具有广泛的应用价值。未来的研究将进一步探索算法优化和硬件协同加速的结合,以进一步提升系统的性能和稳定性。

关键词： 船舶柴油机   性能预测   机器学习   图像处理  

摘要： 随着全球航运业的迅猛发展,船舶柴油机的运行效率与可靠性已成为确保航行安全及经济利益的核心要素。作为航运动力系统核心的船舶柴油机,其性能退化与故障不仅威胁航行安全,亦可能引发重大经济损失。本研究提出了一种结合数据驱动与物理模型的混合性能预测系统,旨在优化船舶柴油机的维护策略与紧急修复方案。该系统整合了实时数据监控、机器学习及图像处理技术,构建了一系列预测模型,以精确评估柴油机性能退化与潜在故障。实时数据监控模块利用传感器网络,将数据实时传输至数据处理中心。机器学习模块通过分析大量历史运行数据,训练出高精度的性能预测模型。图像处理技术则被应用于关键部件磨损情况的分析,并结合物理模型,实现对柴油机运行状态的全面评估。此外,本研究还探讨了相较于传统人工检修方法,该预测系统在提高诊断速度、降低维修成本及提升预测准确性方面的显著优势。基于数据驱动与物理模型的预测系统实现了连续、精准的监测与预测,有效提升了维修的时效性和准确性。

关键词： 智能图像识别   电网设备安装效率   目标检测  

摘要： 阐述智能图像识别系统在电网设备安装中的应用,探讨通过自动化设备识别、定位及安装过程辅助,提升安装的效率和精度,并分析智能图像识别技术架构与关键技术,展示了其在优化资源调配、减少安装时间和降低误差方面的应用。

关键词： 人工智能   计算机视觉   智能监控   运用探究  

摘要： 随着人工智能领域的迅速发展,智能化监控系统在保障社会安全、强化公共管理及优化商业运营方面的作用愈发凸显。传统监控系统多依托人工干预及基本图像获取技术,面临复杂场景及实时分析挑战时,其效能受限明显。在此背景下,融合计算机视觉与人工智能技术的先进监控系统应时而生,为现代监控领域带来更精确、高效的解决策略。本研究设计并实现了一套智能监控系统,该系统通过计算机视觉技术完成对象解析,并与人工智能算法协同作业,进行对象特征的快速提取与自动辨识,进而达到监控数据处理的自动化,为各领域实际应用提供了一个全面且可行的技术框架。

关键词： 水下生物   YOLOv8m   深度学习   小目标检测  

摘要： 水下目标检测技术对于自动化水下捕捞至关重要,可有效推动渔业的智能化发展。针对水下图像质量较差和小目标水下生物聚集导致漏检、误检等问题,本研究提出了一种基于改进YOLOv8m模型的水下生物目标检测模型——YOLOv8-BAN。该模型首先在骨干网络中嵌入双向路由自注意力机制,以增强网络的特征提取能力;其次在颈部结合自适应特征融合模块,优化特征融合效果,增强了模型对多尺度目标的检测能力;最后设计了一种小目标损失函数,通过精确标签分配进一步提升了水下生物小目标的检测精度。在URPC2018和Brackish数据集上的测试结果显示,YOLOv8-BAN模型的平均检测精度分别达到86.9%和98.6%,较YOLOv8m分别提高了3.5个百分点和3.3个百分点;与其他6种模型相比,YOLOv8-BAN模型具有更高的检测精度和较快的检测速度。本研究结果可为水下机器人进行水产捕捞作业提供了技术支持。