关键词： 自动驾驶   点云数据   3D目标检测   弱特征目标检测   局部上下文学习  

摘要： 3D目标检测在自动驾驶与具身智能等领域应用广泛,但其对场景中弱特征目标(如远小或遮挡物体)存在判别性差、检测难度大的问题,为此,本文提出了一种局部上下文增强的快速3D弱特征目标检测方法。首先,为解决弱特征目标特征表达稀疏的难点,提出了一种局部稀疏特征增强模块(Local Sparse Feature Enhancement Module,LSFE),通过自适应调整局部空间位置的特征权重增强稀疏特征的表达能力,提升模型对稀疏特征的敏感度。其次,针对弱特征目标易受背景干扰的难点,提出多尺度上下文学习模块(Multi Scale Context Learning Module,MSCL),联合空间和通道维度的注意力机制,获得多尺度的空间上下文信息,抑制背景干扰。最后,为了更好地利用目标的浅层特征,在网络检测头结构中增加了高分辨率特征层,增强弱特征目标的细节感知能力。在KITTI数据集上的实验结果表明,本文方法与基线方法相比,显著提高了弱特征目标检测精度,Pedestrian类别的mAP提高了12.78%,Cyclist类别的mAP提高了2.69%,Car类别的平均精度均值(mAP)提高了6.84%。本文方法在实现高精度检测的同时保持了实时推理速度,为复杂场景下的3D目标检测提供了有效解决方案。

关键词： 显著目标检测   半监督学习   知识蒸馏   分割万物模型   双分支网络   边缘重建   空间自适应归一化  

摘要： 为了解决弱监督学习性能不足以及半监督学习在显著目标检测领域的系统性研究尚不充分的问题,提出了一种基于知识蒸馏的半监督显著目标检测算法。该算法在蒸馏过程中引入了分割万物模型,显著提升了教师模型的预测精度。训练阶段采用双分支边缘重建网络,并通过空间自适应归一化机制有效重建边缘特征,进一步优化显著目标的边界信息。在5个公共数据集上的大量实验结果表明,所提出的半监督学习方法不仅能够减小模型对监督信号的依赖,还展现出了优越的性能。

关键词： 太阳电池   目标检测   深度学习   YOLOv8   BiFormer   GIoU  

摘要： 针对当前太阳电池缺陷检测模型存在识别精度低、检测不准确等问题,该文提出一种新的太阳电池缺陷识别方法YOLO-DSBF。首先,将YOLOv8头部网络中的C2f层融合动态蛇形卷积(DSConv)设计C2f_DSConv模块,使其能够自适应聚焦于细长局部缺陷;其次,在颈部网络中引入动态稀疏注意力机制(BiFormer)实现更灵活的内容识别和计算调配,提升模型的特征提取能力;然后,针对微小缺陷点,添加小目标检测层,降低漏检率;最后,采用GIoU损失函数替代原有的综合交并比(CIoU)损失函数,有效提升算法的回归性能。实验结果表明,相较于基准模型YOLOv8n,该模型mAP@0.5、mAP@0.5:0.95、精确度分别提升5.64%、5%、13.29%。该模型对比其他检测模型,在不增大模型尺寸的同时提高了检测精度,能更好的适用于太阳电池缺陷检测任务。

关键词： 生成式人工智能   扩散模型   图像处理   创新应用  

摘要： 本文通过构建科学实验平台与评价体系做系统对比分析,表明扩散模型在图像质量方面有明显优势,而GAN架构在计算效率上表现突出。实际应用场景测试进一步验证了不同技术路线的适用边界,为特定领域部署提供了科学依据。

关键词： 视网膜血管分割   U-Net   深度学习   图像处理  

摘要： 视网膜血管分割研究旨在促进眼底疾病的早期诊断及病变分析,为医生评估患者眼部健康状况提供重要依据。深度学习技术的迅猛发展为视网膜血管图像分割带来了新方法和分割性能的新突破,U-Net以出色的性能表现成为该领域的主流分割模型。详细整理了近年来U-Net及其改进模型在视网膜血管分割领域的应用进展,在介绍视网膜血管分割常用数据集与评价指标的基础上,概述U-Net模型及其主要结构改进策略。将U-Net变体划分为单网络模型与多网络模型,并从单网络模型中的注意力机制、残差结构、多尺度特征模块、卷积模块,以及多网络模型中的级联U-Net、双路径U-Net、生成对抗网络的融合、Transformer与Mamba模型的融入等角度对U-Net模型及其变体的改进进行了详细梳理,归纳对比分析了各研究在模型结构、特征提取、性能优化等方面的改进与缺陷,以及在公开数据集上的实验结果,并讨论了该领域目前存在的挑战与未来展望。

关键词： 应力分布   弹道冲击   聚类算法   计算机视觉   有限元分析  

摘要： 为探究不同聚类算法在处理有限元结果应力云图时的表现,研究建立单层Twaron^(®)平纹织物弹道冲击有限元模型,以其应力分布结果图像为例,采用k-means、高斯混合模型(Gaussian Mixture Model,GMM)、均值漂移(Mean-shift)、基于密度的带有噪声的空间聚类(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)共4种不同的聚类算法对应力云图进行聚类处理和结果对比分析。研究结果表明:Mean-shift和DBSCAN聚类算法并不适用于处理大量有限元应力云图;k-means和GMM聚类算法相较于传统手动处理效率提升了74.24倍和172.64倍,但GMM聚类算法在图像色彩无明显区分时会产生误差;k-means聚类算法在保证高效的同时,误差仅在0.85%以内,因此k-means聚类算法是这4种算法中最适用于大量应力云图的快速、客观、定量的分析。使用k-means聚类算法测量出单层Twaron^(®)平纹织物在受到冲击的1~15μs内,0~600 MPa应力区间面积减小,应力面积变化速率为5.61×10^(7) mm^(2)/s;600~1200 MPa应力区间面积增大,应力面积变化速率为5.27×10^(7) mm^(2)/s。

关键词： YOLOv11   安全帽检测   深度学习   目标检测   注意力机制   机器视觉  

摘要： 针对施工现场安全帽检测出现的小目标漏检、遮挡误判以及复杂背景干扰等情形,在注意力机制、增强型多尺度特征融合途径和残差连接位置选择等部分,对YOLOv11算法进行了优化调整。实验表明:在标准安全帽检测所采用的数据集上,改进算法的检测精度达到88.4%,比原始模型提升了6.1%;召回率增加8.3%,达到89.8%;检测速度提高了15.2%,在常规显卡设备达到27.8 f/s的实时处理能力。尤其在复杂场景测试阶段,针对光照变化、密集遮挡等干扰,误检率降低了34%,小目标检测精准比率提升22.5%。实际部署验证说明,此系统可稳定辨认5 m外佩戴安全帽的工人,满足工地监控对精度与实时性的双重规定。

关键词： 计算机视觉技术   智能控制技术   烟叶   烘烤  

摘要： 烘烤是烟叶初加工的核心工艺,决定着烟叶的品质与经济价值。本文从烘烤过程中烟叶图像的采集、烟叶特征的提取和温湿度智能控制3个方面,对国内外计算机视觉和智能控制技术在烟叶烘烤中的应用研究现状进行了综述,并对今后的研究趋势和方向进行了展望,以期为提高烟叶烘烤质量提供参考。

关键词： 发电机转子   螺栓松动检测   目标检测   图像处理  

摘要： 大型发电机转子在长期运行过程中,螺栓可能发生缓慢松动,传统检测方法难以实现高效、精确的检测。通过高速相机采集图像,采用改进的YOLOv8算法实现螺栓的高精度检测与跟踪,并结合螺母标记计算松动角度。实验结果表明,该方法的松动角度计算平均误差为1.827°,对于松动角度超过3°的螺栓,检测准确率可达到100%。本研究为发电机转子螺栓松动的在线监测提供了一种新的方法。

关键词： 数字图像处理   艺术设计教育   数字化  

摘要： 本文深入探讨了数字图像处理技术与艺术设计教育相结合的教学策略,旨在通过精心设计的课程内容、创新的教学方法和完善的教学评价体系,培养具备数字化设计能力的创新型人才。随着信息技术的迅猛发展,数字图像处理技术已成为艺术设计领域不可或缺的重要工具,其高精度和高灵活性的特性为艺术设计开辟了全新的创作空间。本文通过分析当前艺术设计教育的现状,并结合数字图像处理技术的独特优势,提出了一系列切实可行的教学策略,以期推动艺术设计教育与技术的深度融合,全面提升学生的综合设计能力。