关键词： AI技术   计算机视觉   致境Ultra系列  

摘要： 在追求高品质生活的当下,厨房已经成为家居生活的核心区域。越来越多的年轻用户不再满足于单一的烹饪工具,转而更看重下厨时的体验感和便捷度,而这种需求的升级正在推动厨电产品向智能化与高端化加速迭代,同时也为更多厨电品牌开辟了广阔的市场空间。卡萨帝作为高端厨电领域的引领者,其最新力作——卡萨帝厨电致境Ultra系列,开创性地将计算机视觉、深度学习等前沿AI技术与厨电深度融合,通过独有的“AI之眼”科技,彻底打破了传统厨电的交互壁垒,重构了现代家庭高端厨电生态新体验。

关键词： 无人机图像   目标检测   图像分割  

摘要： 无人机(UAVs)视角下的图像与传统图像存在较大差异,传统图像处理技术在无人机领域应用中存在一定的局限性。因此,如何将深度学习算法更好地应用到无人机图像处理中成为近年来的热门课题。本文从不同应用场景出发,系统分析了基于深度学习的无人机图像处理技术的研究进展。针对目标检测任务,对比YOLO和单次检测多框探测器(SSD)算法的特性:YOLO适用于实时轻量化场景,SSD则在多尺度检测中更具优势;在图像分割领域,DeepLabV3+适合大范围语义分割,掩码区域卷积神经网络(Mask R⁃CNN)则在实例分割中表现优异。研究指出当前技术仍面临可用数据集匮乏、算力要求仍然较大、无法直接应用到无人机平台、数据信息来源单一等挑战,未来需通过轻量化模型和多模态数据融合推动智慧农业等场景应用。

关键词： 目标跟踪   计算机视觉   YOLOv5   UWB   TC264   PID算法  

摘要： 目标跟踪技术在智能机器人领域具有广泛的应用前景,但在复杂环境下仍面临多目标识别、抑制背景干扰和场景适应性等挑战。针对上述问题,设计并实现了一种基于计算机视觉的智能跟踪车系统。该系统以NVIDIA Jetson Nano为核心处理单元,搭载USB摄像头采集环境图像,采用YOLOv5s算法进行目标检测,结合加权聚类算法实现目标识别与定位,并且部署了超宽带(UWB)模块进行测距。各模块通过串口与TC264主控单元通信,TC264根据接收到的数据通过PID算法动态调整舵机角度和电机速度,实现目标跟踪。测试结果表明,该系统能够实现复杂情景下的目标识别跟踪,满足跟踪任务对精准性、实时性的要求。

关键词： 目标检测   优化量化   YOLOv5n   FPGA   硬件加速  

摘要： 依据YOLO系列网络在目标检测领域的出色表现,提出了一种基于FPGA的高能效YOLO目标检测系统;采用层融合优化设计目标检测网络YOLOv5n降低模型训练层数,并接着对优化训练的YOLOv5n模型采用量化感知训练量化权重数据;通过优化模型不同网络层的硬件子模块设计了一种混合流可配置的硬件加速器,并采用乒乓双缓存与层间流水线协同作用方式实现模型加速推理;采用软硬件协同设计实现目标检测硬件加速系统,通过软核处理器合理调度硬件子模块实现硬件加速器高效并行工作;目标检测硬件加速系统在Xilinx VC707 FPGA开发板上实际测试以100 MHz的工作频率,且功耗仅为2.88 W的情况下实现了27.15 GOPS的吞吐量,能效高达9.43 GOPS/W,满足目标检测系统的能效需求。

关键词： 移动机器人   固定栓检测   目标检测   轻量化   YOLOv11n  

摘要： 针对移动机器人视角下固定栓目标检测中存在的计算开销大及复杂场景干扰导致检测精度不足的问题,提出了一种改进的轻量化目标检测算法SPAD-YOLOv11。首先,引入了Pinwheel-shaped Convolution(PConv)替代原有卷积模块,在减少参数量的同时扩大感受野,从而提升目标特征提取能力;其次,使用Starnet模型作为骨干网络,显著降低模型的计算复杂度;最后,为提升通道间的特征表达能力,引入Adaptive Fine-Grained Channel Attention(AFCA)机制,通过融合多粒度的全局与局部信息实现细粒度的通道建模。同时,嵌入无归一化的可学习激活函数DynamicTanh(DyT),作为注意力模块前后的激活结构,提升训练稳定性并减少计算负担。在复杂环境下的自建数据集上的实验结果表明,与YOLOv11n相比,改进后的算法准确率提升1.7%,召回率提升2.3%,mAP@50提高0.1%,mAP@50-95提高1.2%,模型的参数量降低30.8%,计算量降低11.1%。这表明该算法在实现了轻量化设计的同时,又保证了较高的检测精度,能够满足移动机器人固定栓目标检测的实际需求。

关键词： 车辆检测跟踪   图像处理   YOLOv5   DeepSort  

摘要： 为保障高速公路夜间行车安全,及时有效地获取车辆的运行信息,本文结合高速公路夜视摄像机视频数据,利用YOLOv5目标检测算法和DeepSort多目标追踪算法对夜间行驶车辆进行检测与轨迹追踪。首先,基于夜视摄像机数据构建了一个夜间车辆检测数据集,并进行了数据预处理和标注。其次,使用YOLOv5s模型作为目标检测的基准模型,通过自制数据集对模型进行训练,并评估模型的检测效果。最后,将YOLOv5的检测结果作为输入,使用DeepSort算法对车辆进行跟踪,并绘制出车辆的运行轨迹。研究结果表明,YOLOv5s模型的检测精度(Precision)达到了0.97,召回率(Recall)为0.96,平均精度均值(mAP@0.5)达到了0.98。同时DeppSort模型的多目标跟踪精度(MOTA)为0.75,多目标跟踪准确性(MOTP)为0.76,均表现优异。可见,基于YOLOv5和DeepSort的方法在夜间高速公路环境中能够有效地检测和跟踪车辆,具有较高的准确率和实时性,对智能交通系统和自动驾驶技术的发展具有一定参考价值。

关键词： 蚁群算法   人工势场算法   路径优化   图像处理   加减速分析  

摘要： 针对提高不同情况的残缺晶圆利用率,提出基于图像处理后对残缺晶圆芯片的检测路径进行优化。经过图像预处理后,采集芯片重要信息集合为散点图,便于路径优化问题得出最优解,设计一种融合人工势场改进蚁群算法的最短路径规划算法。对蚂蚁种群、启发因子、信息素相关参数调整的蚁群优化路径的基础上引入势场引力斥力进一步优化,得出一种能适应不同情况残缺晶圆的最短路径优化方案。试验结果表明,与传统方法相比,新提出的优化方案的检测路径能够缩短300~560 dmm,效率提升4.5%~6%。

关键词： 开放世界目标检测   区域建议网络   未知物体检测   标签偏差   提案校准   分类优化   特征聚合  

摘要： 针对未知物体检测精度低和标签偏差两个问题,提出了一种结合提案校准与分类优化的开放世界目标检测框架。其中,协助提案帮助器通过基于对象的类无关属性和边缘信息生成对象的候选区域,辅助未知探测区域建议网络在无监督的情况下准确识别未知物体提案。而类原型空间位置约束器模块包含提案特征聚合器和类原型分布约束器,前者对已知类物体分类,后者有效区分已知与未知类别,以此来解决未知物体误分类为已知类别的问题。在OWOD数据集上的广泛对比实验结果表明了该框架的有效性和优越性。

关键词： 目标跟踪   孪生网络   时空增强   注意力机制   模板更新  

摘要： 针对复杂运动场景中常见的遮挡和尺度变化问题,为了提升单目标跟踪算法在时间特征信息利用和目标空间特征表达上的综合能力,在单流跟踪网络OSTrack的基础上,提出基于时空特征增强的单目标跟踪算法OSTrack-ST.在空间特征增强方面,提出包含空间注意力和多头上下文关联注意力的多头空间关联注意力机制,增强模型对空间全局特征和局部特征的表达能力,有效提升模型在动态环境中对目标特征的捕获能力;在时空特征增强方面,提出基于时序漂移预测的时空模板更新策略,利用空间位置预测结果来控制时序模板更新,提升模型在长时序任务中的鲁棒性和准确性.实验结果表明,所提算法在LaSOT、GOT-10k和SportSOT数据集上的跟踪成功率分别达到了70.5%、73.7%和68.7%,运行速度超过49帧/s.此算法的综合性能优于EVPTrack等其他跟踪算法.

关键词： 无人机   目标检测   YOLOv10n   轻量化   检测头  

摘要： 针对无人机航拍图像目标检测中计算资源受限和多尺度小目标检测难度大,基于YOLOv10n模型,提出一种轻量化检测模型YOLOv10n-CIG。首先,设计C2f-CW(C2f with convolutional wise)替换C2f模块,通过结合部分卷积和逐点卷积优化计算资源,提升推理速度并增强多尺度特征融合效果。其次,去除Backbone的最后一次下采样层,并改进SPPF为SPPF-IP(SPPF with involution parallel structure),以保留小目标的细粒度空间信息,进一步提高多尺度特征融合性能。最后,引入了基于组卷积的轻量化检测头GHead(GConv Head,GHead),通过优化组卷积参数,使得检测精度、模型大小与推理速度之间达到了平衡。实验结果表明,YOLOv10n-CIG模型相较于原YOLOv10n模型而言,在mAP50上提升了5.3%,在模型大小上减少了1.12 MB,在推理速度上,分别在Ubuntu和Jetson提升59 FPS和9 FPS。与当前主流算法相比,YOLOv10n-CIG在各项指标上综合表现较好。