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。

关键词： 船舶尾气   SO_(2)紫外相机   光谱定标   图像处理   排放速率反演  

摘要： 排放速率对于研究污染气体扩散的动力学特性及污染物的时空演化规律至关重要,为此提出一种基于机器视觉的排放速率反演方法。首先通过自主设计的SO_(2)紫外相机系统,基于紫外成像测量原理和光谱定标法获取烟台港一艘客货船排放尾气羽流中的SO_(2)浓度信息。随后利用Farneback光流算法检测羽流图像中光流的运动方向及强度,对光流向量进行可视化处理,计算得出图像中船舶尾气的排放速度。最后,结合SO_(2)的浓度信息与计算得到的排放速度,对结果进行分析,实现SO_(2)排放速率精确反演。试验结果表明,基于机器视觉的反演方法能够有效估算SO_(2)排放速率,对船舶尾气排放监测具有实际意义。

关键词： 小目标检测   DETR   注意力机制   Transformer   残差链接  

摘要： 针对轻小型无人机图像目标检测中由于目标灵活多样、环境复杂多变导致的检测精度低等问题,提出基于改进RT-DETR无人机目标检测算法。综合考虑轻量级SimAM注意力和倒置残差模块改进ResNet-r18主干网络,提高目标检测模型的特征提取能力。采用级联分组注意力机制优化倒置残差模块和特征交互模块,提升特征选择能力,实现目标检测信息的精细化获取。颈部网络中引入160×160检测层,提升特征融合阶段小目标的感知能力。基于VisDrone2019数据集的实验结果表明,改进后的模型具有更低的参数量和更高的检测精度。在Alver_Lab_Ulastirma和HIT-UAV数据集上进一步验证了改进方法的有效性和鲁棒性。

关键词： 遥感场景   舰船目标   多目标跟踪   惯性预测   检测-跟踪范式  

摘要： 遥感场景下的舰船目标跟踪具有重要的战略意义和经济价值,如何克服遥感视角下舰船朝向任意性、近岸舰船密集排列等问题对跟踪性能的影响是一项具有挑战性的任务。针对遥感场景下舰船等大长宽比目标的多目标跟踪(multiple-object tracking,MOT)任务,提出一种基于惯性预测的多目标跟踪器(inertial predicting multiple-object tracker,IPMOT)。首先,利用检测-跟踪(tracking-by-detection,TBD)范式级联检测器和跟踪器有效避免训练过程对时序关系的依赖,通过公开的目标检测数据集实现对检测器的训练,解决跟踪数据集缺乏的问题。其次,针对TBD范式在检测阶段存在的漏检严重影响跟踪性能的问题,构建惯性跟踪模型(inertial tracking model,ITM),通过多步预测来实现检测器漏检时的跟踪保持,并利用角度修正消除边界处角度突变的影响。最后,为实现所提算法的模型训练和性能测试,制作舰船MOT(ship MOT,SMOT)数据集。实验结果表明,所提模型在MOT精度(MOT accuracy,MOTA)和识别F1分数(identity F1 score,IDF1)指标上分别提升3.9%和7.2%,在IDs和Frag指标上的表现有明显改善,具有较好的跟踪精度和稳定性。

关键词： 多模态融合   传感器   遥感技术   作物监测   计算机视觉   农业精准管理  

摘要： 多模态融合技术通过结合多源数据,可以克服单一模态的局限性。近年来,传感器以及遥感技术的发展为作物监测提供了更加丰富的数据源,光谱数据、图像数据、雷达数据以及热红外数据被广泛应用于作物监测中。通过利用计算机视觉技术以及数据分析方法,可以从中获取作物的表型参数、理化特征等信息,从而有助于评估作物的生长状况、指导农业生产管理。现有研究多数是基于单一模态数据展开,而单一模态的数据仅有一种类型的输入,缺乏对整体信息的理解,且容易受到单模态噪声的影响;部分研究虽然采用了多模态融合技术,但仍未能充分考虑模态间的复杂交互关系。为了深入分析多模态融合技术在农业领域应用的潜力,本文首先阐述了农业领域中多模态融合的先进技术与方法,重点梳理了多模态融合技术在作物识别、性状分析、产量预测、胁迫分析及病虫害诊断领域中的应用研究成果,分析了多模态融合技术在农业领域中存在的数据利用程度低、有效特征提取难、融合方式单一等问题,并对未来发展提出展望,以期通过多模态融合的方法推动农业精准管理、提高生产效率。