关键词： 机器视觉   目标检测   YOLOv5算法   Transformer结构   电动三轮车  

摘要： 针对我国道路交通管理工作中的电动三轮车目标检测问题,以及当前检测模型在小目标检测和实时性上的不足,提出了一种基于改进YOLOv5s模型的检测方法。对原始的YOLOv5s模型进行改进,增加小目标检测头,引入结合高效加性注意力机制的Transformer结构,结合城市道路场景构建数据集。实验结果显示,改进模型在精确度、召回率和平均精度均值(mAP@0.5)等性能指标上分别提升了0.67、2.68、5.78百分点。同时,模型在帧率上达到了92 frame/s,表现出了良好的处理能力,能够满足实际道路交通场景下的实时检测需求。

关键词： 雾天   目标检测   金字塔网络   金字塔池化   注意力机制  

摘要： 针对在雾天条件下能见度降低和特征信息的丢失,行人车辆检测效果差的问题,提出了一种基于Yolov8改进的I-Yolov8网络模型。首先引入双向加权特征融合金字塔网络并新增了小目标检测头,以增强对多尺度目标的检测能力更有效地捕捉雾天条件下小目标的特征;其次对空间金字塔池化层进行优化,以提升模型对不同分辨率特征的整合能力;模型还集成了ECA注意力机制,以增强模型对图像关键特征的提取;最后采用WIOUV3损失函数以提高目标边界框的预测精度。在RTTS真实雾天场景数据集上的实验结果表明,改进模型的平均准确率达到76.6%,相较于基线模型提升了5.6%,同时保持了125的帧率,实现了检测精度与速度的平衡。

关键词： 图像高速存储   图像处理   应用分析  

摘要： 随着图像处理技术的快速发展,图像高速存储技术的重要性日益凸显。通过先进的存储架构和优化算法,图像高速存储技术显著提高了数据读写速度,为图像处理流程中的实时分析、复杂运算等操作提供了有力支撑。在医疗影像、卫星遥感、工业检测等领域,该技术能够确保图像信息的完整性和准确性,加速图像的传输与共享。同时,针对不同类型和规模的图像处理任务,图像高速存储技术可灵活配置存储资源,有效降低成本。鉴于此,本文将聚焦于图像高速存储技术在图像处理中的应用,详细阐述了其在应对海量图像数据时,如何实现快速、高效且稳定的存储,旨在为未来更高层次的数据处理需求提供有力支撑。

关键词： 计算机视觉   服装质量   质量检测  

摘要： 服装行业面临着日益严格的质量检测要求,传统质检方法效率低、精度差,已无法满足实际需求。计算机视觉能够通过自动化检测手段,对服装的缺陷、尺寸、形态、色差等方面进行精准识别,克服传统质检方法的局限性。借助深度学习等先进算法,计算机视觉不仅能够提高检测效率,还能够保证检测的高精度和高实时性。探讨计算机视觉在服装质量检测中的应用,为服装质量控制提供新的解决方案,并推动行业的技术创新与升级。

关键词： 人工智能   人脸识别   计算机视觉   机器学习   少年时期   创新能力   无线电   电视机  

摘要： 我的梦想是让人工智能落地。——李子青人工智能他在人工智能领域的创新能力,源于他少年时期玩无线电、制作音响电视机、修理马桶和砌砖盖房的实践乐趣。长大之后,他在计算机视觉、机器学习和人脸识别领域作出了巨大贡献,并在国际学术界产生了深远的影响。他就是国际知名AI学者李子青。

关键词： 烤烟等级   图像处理   机器视觉   深度学习   ShuffleNetV2网络  

摘要： 烤烟的等级识别是烟草产业的一个关键环节,为了降低烟农烤烟分级劳动强度,减少主观因素,提高识别精度,需要实现烤烟的自动分级。研究了深度学习中多种卷积神经网络的多层特征提取方法,并基于ShuffleNetV2网络提出一种改进的网络模型(ShuffleNetV2_FTC)。ShuffleNetV2_FTC网络是将ShuffleNetV2网络的主干单元进行更改,并引入CBAM(Convolutional Block Attention Module)注意力机制和SiLU激活函数。应用该模型对27种类别的烤烟图像进行识别分类。该模型的最佳测试准确率为93.09%,检测帧率达到每秒15.3张。相对原模型获得了0.24%(0.5×)、6.06%(1×)和4.73%(1.5×)的准确率提升,每秒检测12.3张图片到15.3张图片的检测帧率提升。ShuffleNetV2_FTC网络结合机器视觉技术可以很好地识别烤烟等级,为优化烤烟的收购、烘干和加工等流程奠定基础。

关键词： 计算机视觉   改进的时空图卷积神经网络   模型融合   SimAM   ReLU6-Sigmoid  

摘要： 近年来,单人姿态估计广泛应用在各个领域,降低单人姿态估计算法对标记数据的依赖同时提高其准确率是计算机视觉中一个具有挑战但是十分重要的课题。针对此问题,该文提出一种改进的时空图卷积神经网络(Spatio-Temporal Graph Convolutional Networks,ST-GCN)的方法。在原来的ST-GCN的基础上,融合MoveNet轻量级神经网络,利用MoveNet的关键点识别功能,解决ST-GCN需要预先标注关键点数据的问题。引入SimAM注意力机制,解决原来的ST-GCN不能很好地区分通道中重点信息,将所有的信息一视同仁的问题。增加ReLU6-Sigmoid组合激活函数,解决原有的激活函数训练波动,非线性拟合不足的问题。即:在提高了原时空图卷积神经网络的检测精度的同时,减少了应用过程中对于标记数据的依赖,降低了训练时的损失率精确率的波动。对于改进后的时空图卷积神经网络,在FLORENCE 3D ACTIONS数据集上证明了其有效性。结果表明,改进后的时空图卷积神经网络准确率从0.8695提升到0.956521。F1值由0.887566提高到0.965432。

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。