关键词： 智能视频监控系统   机场安防   计算机视觉  

摘要： 随着全球航空业的迅速发展,机场作为重要的交通枢纽,其安全问题日益受到社会各界的关注。智能视频监控系统作为一种新兴的安防手段,在机场安全管理中发挥着越来越重要的作用。在此背景下,概述智能视频监控系统及其发展,并阐述智能视频监控系统在机场安防领域的具体应用和未来发展趋势,以期为机场全面增强安防效果提供帮助。

关键词： GSConv   目标检测   轻量化   嵌入式设备   权重量化  

摘要： 生活垃圾及其危害已引起人们的关注,而机器人与目标检测技术的发展为生活垃圾的自动化处理带来了可能性;针对目前生活垃圾检测算法在背景复杂、目标尺寸多样的情况下检测精度低,模型参数量大,深度学习检测算法综合性能不平衡以及在嵌入式设备难以部署等问题,提出了一种改进YOLOv5的轻量化垃圾检测算法;在YOLOv5模型中用GSConv模块代替传统卷积降低计算复杂度,引入了CBAM注意力机制,以提取和融合空间和通道信息,增强了网络对目标的表达能力,通过权重量化将模型进行压缩以减少模型大小加快推理速度;实验结果表明,相比于原始的YOLOv5算法,改进算法在模型的准确率和平均精确度分别提高了3%和2.3%,文件大小减小了26.6%,综合性能超越了传统的深度学习目标检测算法,对嵌入式平台更加友好。

关键词： 景观设计   图像采集   目标检测   YOLOv7网络   精度优化  

摘要： 为在航拍过程中采集到更加准确的目标图像,针对城市景观设计场景中的城市景观图像采集场景,提出一种基于改进YOLOv7网络的城市景观图像目标检测方法。其中,以YOLOv7网络作为基础的目标检测方法,引入环形平滑标签并使用基于深度可分离反卷积的上采样方法对算法进行改进,以进一步提升检测性能,进而实现更高精度的目标图像采集。试验结果表明,与改进前的YOLOv7网络相比,改进后的YOLOv7网络在检测精度上得到了明显提升;与其他类型的目标检测方法相比,本研究所构建的目标检测方法在检测精度上具有一定的优势,在水平目标和旋转目标检测上的mAP分别达到了0.81和0.85。综上,构建的基于改进YOLOv7网络的城市景观图像目标检测方法性能良好,能够进行精度较高的目标检测,将其应用于实际的城市景观设计场景中,可在实现准确的目标检测的基础上,采集到更加准确的城市景观图像,提升景观设计质量,具有一定的实际应用价值。

关键词： 图像处理   息肉分割   局部通道注意力   不确定性估计   主观逻辑证据理论  

摘要： 为了进一步提高现有息肉分割技术的准确性和可信性,提出了一种基于局部通道注意力的可信息肉分割方法。首先,该方法利用改进的金字塔视觉Transformer编码器提取息肉区域特征,解决传统卷积神经网络特征提取能力不足的问题;然后,利用局部通道注意力机制来融合级联的特征,在精确定位息肉的前提下,逐步恢复边缘细节信息,提升模型的整体表征能力;最后,基于主观逻辑证据理论构建可信的息肉分割模型,推导出息肉分割问题的概率和不确定性,对分割结果进行可信性度量。利用多个公开数据集进行了大量实验,实验结果表明,与现有典型方法相比,本文方法具有更好的准确性、鲁棒性和泛化性,并且可以得到较为可信的息肉分割结果。

关键词： 图像识别   目标检测   黄瓜   选择性采摘   RT-Detr   级联群组自注意力机制  

摘要： 为了实现光照变化等复杂环境下果实的选择性采摘,该研究以黄瓜为研究对象,以RT-Detr为基线网络,提出了RT-Detr-EV模型。首先在主干网络中添加RepVGG模块,以加强网络特征提取能力,并减少推理时计算量;加入轻量化自注意力机制,减少计算量,增加网络深度;最后使用MPDIoU(minimum point distance based intersection over union)替换原模型中的损失函数,加快模型的收敛,提高模型的检测准确率。研究表明,改进RT-Detr-EV的平均精度均值mAP50相较于原模型提升了3.2个百分点,检测速度相较原模型提升了17.4帧/s。与YOLOv7-X、YOLOv8-l相比,对非适宜采摘的黄瓜识别准确率分别提升4.6、6.5个百分点,检测速度分别提升了40.6、25帧/s,参数量分别减少了55.5%、27.3%。同时试验证明,模型对光照条件多种变化的采摘场景也具有一定的鲁棒性与泛化能力。该研究提出的RT-Detr-EV模型能够满足复杂生长环境黄瓜果实的实时检测需求,可为后续移动式选择性采摘的研究提供技术支持。

关键词： 草莓叶枯病   病害诊断   RT-DETR   目标检测  

摘要： 为实现草莓叶枯病的快速实时诊断,文章以端到端的实时目标检测模型RT-DETR为基础架构,提出一种改进型MNV2IF-DETR轻量级草莓叶枯病识别方法。使用MobileNetV2替换原RT-DETR骨干网络的ResNet,最优特征子集选择MobileNetV2网络架构的{S2,S4,S6}特征输出层组合,在丰富特征提取能力的同时,使模型轻量化。通过把原架构的普通卷积替换为DW深度卷积,并添加SE注意力机制,构建改进的ImFuze特征融合模块,大幅降低计算量,同时减少冗余特征,提高编码器对关键特征的响应能力与提取效率。试验结果表明,相较于原模型,改进的MNV2IF-DETR模型的mAP达90.3%,准确率提高0.5%,模型大小仅为22.1 MB,减小48.4%,另外,参数量和浮点计算量也分别下降31.7%和67.6%,在GPU上的单张平均检测时间仅14.2 ms,速度提高28.3%。模型综合性能优于其他对比检测算法,可以为草莓叶枯病害防治领域的技术发展提供参考。

关键词： 水下目标检测   YOLOv8   残差网络   注意力机制   损失函数  

摘要： 针对水下图像目标检测中错检、漏检现象导致检测精度低的问题,提出一种改进YOLOv8n的轻量级水下图像目标检测算法,旨在提升水下目标图像的检测精度。首先,用残差网络ResNet10来替换YOLOv8中的骨干网络,以加强骨干网络的特征提取能力;其次,利用大卷积核注意力机制来改进快速特征金字塔模块,以提高模型融合多尺度特征的能力;再次,使用最新YOLOv9算法中的泛化高效层聚合网络替换原模型的C2f模块,使模型能够在保持高准确性的同时降低计算成本;最后,使用新的损失函数Inner-SIoU来提升模型的泛化能力,同时加快模型的收敛速度。通过实验,在URPC2020水下图像目标检测数据集上,改进后的算法mAP_(50)达到86.2%,比原模型提升了2.6个百分点的精度,相比于先进的YOLOv8s和YOLOv7-tiny检测器,以及相同领域的研究工作,本文方法都获得了较高的检测精度。

关键词： 激光视觉   改进的YOLOv5算法   图像处理   线结构光  

摘要： 为了满足自动化工艺的需要和获取更为清晰的焊缝原始图像,提出了一种基于YOLOv5和结构光的焊缝特征点提取算法。首先利用激光视觉系统获取焊缝图像,使用改进后的YOLOv5算法进行预训练;然后通过Steger算法提取结构光中心线,使用Harris算法对中心线图像进行处理,并确定焊缝坐标点的坐标;最后将坐标信息传输给PLC,控制十字滑台带动焊枪进行焊缝的跟踪操作。实验结果表明,改进后的YOLOv5算法mAP值更大、稳定性更高、鲁棒性更强。

关键词： 人工智能技术   自然语言处理   计算机视觉   机器学习   医疗健康领域   医疗服务模式   疾病筛查   应用场景  

摘要： 随着人工智能技术的加速成熟,其在医疗健康领域的应用场景不断延伸,从而不断重塑医疗服务的面貌。医疗人工智能不仅推动了医疗服务模式的创新,还极大地提高了疾病筛查、临床诊疗的效率和质量。近年来,随着计算机视觉、自然语言处理、机器学习等人工智能技术的全面融入,医疗健康领域正经历着前所未有的变革。

关键词： 弱监督目标检测   特征融合   注意力机制   半监督学习  

摘要： 为了降低标注成本,解决目标定位不准、细节信息遗漏等问题,提出双注意力引导特征融合的半弱监督目标检测算法,利用全标记和弱标记数据来平衡检测性能和标注成本,使用空间注意力将低层特征图与高层特征图进行像素级加权融合,使高层特征图具有丰富的低层信息,对融合后的特征图进行通道加权运算,得到细节、位置信息丰富的高层特征图。为了得到更准确的伪标注框,提出更具鲁棒性的候选框筛选策略。实验表明,本文提出的算法具有较优的检测性能,减少了全标记图像的数据量和额外的图像级标注。