关键词： 计算机视觉技术   烟叶烘烤   智能化  

摘要： 计算机视觉技术是一个发展十分迅速的新技术,近年来,已经应用到了农业各个方面,包括路径识别技术、采摘收获技术、种子分选技术和农产品分级技术等,机器视觉技术的出现解决了人工方式存在的很多问题,可以对农机作业环境进行实时监测和分析,提高作业的效率和质量,降低劳动成本,具有广泛的发展潜力。但目前对于计算机视觉识别技术在农产品烘干中的应用研究甚少,以云南省烟叶烘烤为例,综述了计算机视觉技术在烟叶烘烤中的一些应用研究情况。

关键词： 目标检测   无人机航拍   损失函数   注意力模块   YOLOv5  

摘要： 针对架空地线破损检测场景,传统计算机视觉的手工特征泛化性差,主流通用目标检测网络迁移效果差等问题,提出一种以YOLOv5n作为主干网络的目标检测算法。首先,提出一种交叉上下文特征提取模块替换原主干特征提取模块,提升了模型针对遥感场景的特征提取能力。其次,颈部部分引入DAnet中的位置注意模块和通道注意模块提升模型复杂背景下多尺度目标的检测能力,抑制显著无关目标的特征,提升模型检测精度,并且进行了跨层特征图连接和增添了一层小目标检测层,提升模型对于细微小目标的感知能力。最后设计了一种类内聚合且类间分离的损失函数,显示引导模型提取更具可判别性的特征。相较于原YOLOv5n结构,改进算法在精确率方面提升了9.1%,召回率方面提升了7.4%,mAP50提升了10.7%。实验结果表明:改进YOLOv5算法能够高效且准确地识别出复杂背景下的架空破损地线目标。

关键词： 纱线条干   条干均匀度   图像处理   三维仿真   三维测量  

摘要： 针对传统纱线三维模型仿真方法精度不高、纱线条干均匀度二维测量方法无法全面表征纱线立体结构的问题,基于双斜交平面镜成像原理,以纱线的多视角图像绘制圆形并将其拟合为纱线条干横截面,堆叠所有横截面,重构纱线条干三维模型,并从二维、三维层面分析所提方法的有效性和可靠性。结果表明:所提方法能够精确构建纱线条干三维模型并全方位展示纱线条干情况;在二维层面,纱线条干三维模型横截面平均面积与USTER TESTER 5所测纱线直径的相关系数为0.996,横截面面积变异系数与USTER TESTER 5所测条干均匀度变异系数的相关系数为0.834,这表明所提方法能够较为准确地反映纱线条干的特性;在三维层面,纱线条干横截面面积变异系数与现有纱线外观三维测量方法的条干均匀度相关系数为0.965,进一步验证了所提方法在纱线条干三维模型仿真上的有效性,并探索了其在纱线外观三维测量上应用的可能性。

关键词： 体质测试   辅助训练   姿态识别  

摘要： 文章针对高校学生体质测试训练的需求,以立定跳远和引体向上项目为研究重点,提出了一种基于计算机视觉的智能体测辅助训练方案。通过分析训练者不同动作的关键点,自动捕捉动作的轨迹与姿态变化,实现动作规范性的智能评估,从而帮助受训者全面了解动作表现并加以改进,提升训练质量和测试成绩。该方案为高校体质测试训练的智能化与标准化提供了技术支持和创新思路。

关键词： 水果分拣   YOLOv5   流水线系统化   目标检测  

摘要： 为解决当下人工分拣水果成本高、耗时长等问题,本文设计一种能够自动、高效、准确地分拣水果的系统。该系统以树莓派5搭载YOLOv5作为视觉识别部分,流水线分拣部分以stm32f407开发板作为控制系统,接收并处理识别的数据来控制步进电机、数字舵机、编码电机进行分拣操作,不仅具有对水果种类、形态识别的功能,而且能高效地判别优劣质水果并进行分类。加上位置传感器后,分拣拨片对不同种类水果分拣准确率高达98.9%以上。由于系统实现方法相对简单,大大提高水果生产线的分拣效率和分拣后的水果质量,降低人力成本,促进水果产业的发展,有较好的市场应用前景。

关键词： YOLOv5   目标检测   病虫害识别  

摘要： 【目的】农田害虫种类多、信息复杂,传统人力监测手段难以满足现代农业需求,因此亟需更先进高效精准的监测技术与策略提高对农田病虫害的识别效率和准确性。【方法】提出了一种基于YOLOv5的农田病虫害图像检测识别系统,引入了Input、Backbone主干网络、数据增强技术、PIL图像处理库等,增强了网络提取图像特征的能力。同时,共收集了13 160张害虫的图像构建数据集,并按7∶3划分了训练集和测试集,通过多次测试计算精确率、召回率和F1值等性能指标,评估模型效果。【结果】在经过1 500世代的训练后,平均精确度约为0.83,平均验证精确度约为0.791,F1值约为0.877,充分证明了模型在复杂条件下的鲁棒性和高精度识别能力。【结论】运用深度学习的YOLOv5和数据挖掘技术进行农田病虫害图像识别研究,有助于实现自动化精准识别,为农业生产和生态保护提供支持保障。深度学习技术在农业智能化管理方面的应用潜力巨大,未来可以增加害虫的种类来扩充数据集,进一步提升识别精度,推动相关产业的健康发展。

关键词： 目标检测   超参数优化   则化策略   YOLO  

摘要： 为实现YOLO(you only look once)模型的超参数自动优化,提出基于正交优化策略的YOLO模型超参数优化方法(hyper-parameter optimization of YOLO model based on orthogonal optimization strategy,OOS)。首先基于统计学的正交试验原理,提出了种群的正交搜索方法与超参数贡献度分析策略,提高了算法的优化效率;然后,设计了均匀正交搜索策略和邻域正交搜索策略,以缓解YOLO模型陷入局部最优和早熟收敛问题。最后,在NWPU VHR-10和Pascal VOC两个目标检测数据集上,以YOLOv5、YOLOv5s-Transformer和YOLOv7为优化对象进行测试,测试结果表明,所提出的OOS超参数优化方法对于YOLO模型的识别精度均有所提升。在两个数据集上的平均识别精度mAP@0.5分别提升至93.94%、93.18%、93.45%以及85.81%、84.59%、90.62%;mAP@0.5-0.95提升至60.00%、60.08%、56.98%以及62.27%、58.89%、71.91%,可为目标检测模型的超参数智能优化提供一种新方法。

关键词： 毫米波雷达   点云聚类   稀疏点云   目标检测  

摘要： 毫米波雷达室内人员目标检测存在点云稀疏且有零散噪声点的问题,传统基于密度聚类算法受参数影响不能适应多变的目标点云数据,无法实现精准聚类。对此进行研究提出了一种针对人员目标稀疏点云的聚类算法。建立平均局部密度信息熵和邻域半径(Eps)的关系;利用DBSCAN算法识别零散噪声点并去除;利用每个点的局部密度和相对距离的乘积得到聚类中心权值,并画出降序图;在降序图中引入自适应指数衰减函数曲线,从而自动获得聚类中心,并完成聚类。通过实验验证,并与CFSFDP算法和DBSCAN算法进行对比,结果表明,提出的算法具有较高的ARI、AMI、NMI、FMI值,获得较好的聚类效果,适用于毫米波雷达室内检测场景。

关键词： 图像增强   沙尘图像   计算机视觉   深度学习  

摘要： 沙尘图像视觉增强技术旨在提高沙尘暴天气下成像设备捕获数据的视觉感知清晰度,以辅助高级视觉算法提高从数据中获取关键特征的能力。随着沙尘天气出现频次的增多,沙尘图像视觉增强技术逐渐成为图像处理领域的研究热点,在遥感勘测、无人驾驶、智慧交通等人工智能相关行业有着十分广泛的应用前景。为了更好地了解当前沙尘图像处理领域的研究进展,详细阐述了基于传统技术的沙尘图像增强算法和基于大气散射模型的沙尘图像复原算法,总结了基于数据驱动的沙尘图像重构算法,对当前公开数据集的构建进行了细致的研究和分析,并简单梳理了图像增强领域常用的评价指标。最后对所述内容做出总结,指出当前研究中存在的困难,并对未来沙尘图像增强技术的发展方向进行了展望。

关键词： 电子内窥镜   对比传递函数   调制传递函数   自动化检测系统   图像处理  

摘要： 介绍了一种基于人工检测电子内窥镜所改良的MTF测量装置测量方法,采用直接检测分辨率板成像对比度比较值的方法,求取反映光学系统成像本领的调制传递函数,整个过程采用自动一体的图像处理技术完成。实验数据以及安装在产线上的施行效果反映,人工检测目测法与本测量装置的检测法合格率分别为96%和94%,7.87~12.5 lp·mm^(-1)空间频段的MTF曲线与设计镜头理论曲线更为符合,验证了本文所提出的方法的有效性。该装置有助于降低人为误差、显著提高生产效率。