关键词： 卷积神经网络   车道线划分   感兴趣区域ROI   可变形卷积神经网络   车辆多目标检测  

摘要： 在实际场景中,车辆目标往往会被其他车辆、建筑物等对象遮挡,背景也可能非常复杂,为了保障检测精度,提出一种基于融合卷积神经网络的车辆多目标检测方法。采用激光雷达采集车辆目标图像,将采集的车辆行驶图像根据其车道线特征划分为两侧区域,将车道线以内的区域作为车辆多目标检测初始感兴趣区域(ROI),在ROI中采用车底阴影假设区域分割法获取车辆检测目标的假设区域。在原始卷积神经网络的基础上作进一步优化,设计可变形卷积神经网络(DF-R-CNN)模型,将得到的假设区域作为网络模型所需的车辆多目标检测候选区域,通过该模型实现车辆多目标的精准检测。实验结果表明,所提方法的召回率最高值达到了85%,损失函数最低值约为1.8,说明其具有较高的检测精度和检测效果。

关键词： 机器视觉   目标检测   跟踪算法   人工智能  

摘要： 机器视觉是计算机科学与人工智能领域的一个重要分支,致力于模拟和实现人类视觉系统的功能。目标检测与跟踪算法作为机器视觉的核心内容之一,具有广泛的应用前景。从算法研究的角度出发,对基于机器视觉的目标检测与跟踪算法进行分析,以期为相关研究提供一定的参考。

关键词： 深度学习   玉米叶片病害   迁移学习   可解释性   图像处理  

摘要： 为加强农作物病害的识别,减少病害发生的频率与强度,提高农作物产量与品质,基于迁移学习构建5种深度学习网络,对玉米叶片锈病、大小斑病和灰斑病进行识别分类研究。通过对比AlexNet、VGG19、ResNet50、GoogLeNet和MobileNetV2深度学习网络,GoogLeNet的识别准确率最高,达到96.3%,模型收敛效果最好。通过进一步优化GoogLeNet模型架构,在inception模块中插入卷积注意力模块CBAM,使用LeakyReLU激活函数替换ReLU函数,改进后网络通道注意力增强,测试集的识别准确率达到99.0%,识别准确率提高2.7%。采用CAM和LIME算法对模型的可解释性分析,改进后网络的可解释性增强,更好地关注叶片病害部分。

关键词： 深度学习   对抗样本攻击   对抗样本检测   人工智能安全   图像分类  

摘要： 随着数据量的增加和硬件性能的提升,深度学习在计算机视觉领域取得了显著进展.然而,深度学习模型容易受到对抗样本的攻击,导致输出发生显著变化.对抗样本检测作为一种有效的防御手段,可以在不改变模型结构的前提下防止对抗样本对深度学习模型造成影响.首先,对近年来的对抗样本检测研究工作进行了整理,分析了对抗样本检测与训练数据的关系,根据检测方法所使用特征进行分类,系统全面地介绍了计算机视觉领域的对抗样本检测方法;然后,对一些结合跨领域技术的检测方法进行了详细介绍,统计了训练和评估检测方法的实验配置;最后,汇总了一些有望应用于对抗样本检测的技术,并对未来的研究挑战进行展望.

关键词： 钢结构施工   人机碰撞风险   工人定位   计算机视觉  

摘要： 起重机吊装是钢结构施工的重要环节,但相关安全事故频发,亟需有效的防范措施。该研究通过定位和测距等传感器实现了对起重机位置与姿态的实时监测,并结合起重机的作业特点,对其工作空间进行了危险等级划分。采用YOLO11-OBB模型和透视变换方法对施工现场工人的位置进行实时定位,并将起重机和工人的工作空间信息实时集成于三维平台,实现了两者碰撞风险的实时监测。测试结果表明:所提出方法的中、高风险的监测精度分别为±2.600 m和±2.611 m,工人定位方法在20 m范围内的平均绝对误差、平均相对误差和均方根误差分别为67.44 mm、4.32%和86.16 mm。针对西安某项目开展的为期9个月的实地监测表明,该方法有效提升了施工现场的安全警示能力,减少了工人进入起重机高风险区域的次数。

关键词： 小肠病变   人工智能   胶囊内镜   目标检测   YOLO   迁移学习  

摘要： 目的基于单阶段检测框架的YOLOv8网络开发人工智能辅助系统,用于自动检测胶囊内镜(Capsule Endoscopy,CE)拍摄的11类小肠病变图像。方法本研究采用来自3种不同品牌CE设备的图像数据集进行深度学习模型的训练与测试,该数据集包含13683张图像和24416个注释标签。评估模型性能的指标包括准确度、敏感度、特异性、假阳性率以及检测速度。结果在对包含2729张CE图像(共4801个注释标签)的测试集进行评估时,YOLOv8m版本在确保高精度的同时,也展现了较快的推理速度,与其他YOLO版本相比展示了更加优异的性能。YOLOv8m在所有类别上的整体准确度为0.9597、敏感度为0.8176。在11个分类中,“出血”类别的敏感度最高,达到0.9342,而“红斑”类别的敏感度最低,为0.6832。就处理速度而言,YOLOv8m处理2729张图像的总耗时为16.37 s。结论基于YOLOv8m网络的人工智能模型能够快速精确地检测与分类多种小肠病变,在辅助内镜医师提升CE诊断效率和准确性方面展现出较大的应用潜力。

关键词： 目标检测   神经网络   模型训练   AI芯片   国产化   硬件平台   Python  

摘要： 目前各类神经网络已经逐步在社会的各个方面得到广泛应用,神经网络模型的性能很大程度上取决于其训练策略的优劣,其落地部署也离不开相应硬件平台的支持,而为了保障当前形势下我国的信息安全和电子信息产业发展,相关国产AI芯片的替代迫在眉睫。本文以国产AI芯片替代为出发点,基于全爱QA-200RC开发套件,探究在国产平台上的神经网络算法部署流程,针对特定任务需求进行YOLOv6神经网络训练和主机程序的优化,在通过摄像头进行实时检测的情况下,实现对火箭残骸的目标检测,帧率达30 FPS,mAP_0.5为90.1%,功耗为8.1 W,满足了边缘平台上完成目标检测任务的需求,对促进国产芯片在相关领域的应用具有一定作用。

关键词： MobileNet-V2-SSD   矿井   机电设备   目标检测   FPN  

摘要： 为了实现矿井作业过程中机电设备工作状态的有效检测,研究并提出了一种基于单次多盒探测器的智能检测方法。所提模型进行了轻量化操作,并引入了特征金字塔网络,能够有效提升整体模型的计算速度和检测精度。仿真实验结果显示,所提模型在第176次迭代时,损失值趋于平稳,计算准确性和稳定性未出现较大波动;实际应用效果显示,构建的系统能够有效捕捉设备的振动加速信号,矿井机电设备的振动强度超过81 m/s^(2),可能存在一定的故障,验证了所提系统的有效性,因此具有较大的应用潜力。

关键词： 计算机视觉   语义通信   深度学习   无线图像传输  

摘要： 随着信息技术的融合创新及智慧城市等领域的迅猛发展,机器视觉任务和图像数据传输需求逐渐增加。语义通信技术通过提取和传输数据的语义信息,而非原始比特流,以提高数据的传输效率。卷积神经网络(Convolutional Neural Networks,CNN)和Transformer结构的结合为图像语义通信领域带来了新的突破。CNN在提取图像局部特征方面表现出色,而Transformer则擅长捕捉长距离依赖和全局特征。聚焦于图像的传输与处理,基于CNN和Transformer结构对于特征提取的优势,并加入注意力机制,提出了一种高效的端到端图像语义通信方案,以在优化传输性能的同时满足智能任务对图像数据传输的需求。结果显示,所提方案与现有方法相比不仅提高了计算效率,还具有更强的鲁棒性和适应性。

关键词： SAR图像   舰船检测   可变形卷积   舰船空间金字塔聚合结构   尺度扩展特征金字塔网络  

摘要： 由于环境复杂、舰船目标散焦和尺度的多样性,基于SAR图像的舰船目标检测仍然存在一些问题。提出了一种针对SAR图像的舰船目标检测算法。首先,基于可变形卷积构建舰船目标特征细化模块,提高对大长宽比姿态的舰船目标的特征提取能力;其次,在主干网络末尾引入了舰船空间金字塔聚合结构,增强对舰船目标的全局特征提取能力;最后,设计了尺度扩展特征金字塔网络,增强舰船浅层和深层特征信息的交互,提高对多尺度舰船目标的检测能力。实验结果表明,所提算法在HRSID数据集上的mAP达到了93.72%,F1分数达到了89.70%,优于所有比较算法,具有良好的检测效果。