关键词： 多目标跟踪   多模态融合   跟踪嵌入   轨迹修正  

摘要： 点云和图像的多模态特征具有很强的优势互补性,能够有效提升三维多目标跟踪的性能。然而,由于跟踪场景的复杂性和目标状态的不确定性,使得目标跟踪仍面临许多挑战。基于此,提出多模态嵌入与轨迹修正的三维多目标跟踪算法。首先构建多模态嵌入学习网络,通过多尺度语义特征学习与多模态再融合模块,学习更具判别性的嵌入表示;其次,提出多特征综合关联模块,联合跟踪嵌入和几何信息,同时修正角度预测错误,实现更精确的数据关联;最后,提出双流轨迹修正与管理算法,修正错误消失轨迹,以提升轨迹的准确性。在KITTI数据集上对提出的方法进行评估并与其他先进方法进行比较,该方法的HOTA指标达到了77.72%,MOTA指标达到了88.24%,整体体现出较好的跟踪性能。实验证明该方法有效地提升了跟踪精度,并减少了跟踪错误的发生,具有良好的跟踪性能。

关键词： YOLOv5   羽毛球   目标检测   卷积神经网络  

摘要： 提出一种基于YOLOv5目标检测模型的羽毛球落点检测与统计系统.该系统通过摄像机拍摄羽毛球运动视频或图片,运用YOLOv5目标检测模型对羽毛球进行识别和落点统计,实验验证了系统的有效性和准确性,应用该系统有助于提高羽毛球运动员的训练水平和竞技水平.

关键词： 密度聚类算法   图像处理   视觉模式   频率   可辨性  

摘要： 为提高图像的分类精度和对视觉模式进行有效挖掘,对深度特征密度聚类算法(DNN-FDC算法)进行了改进,提出了一种基于频繁性和判别性的特征密度聚类算法(DNN-JFDC算法).该算法通过注意力机制对目标图像中最具判别性的区域进行定位,采用分类任务对具有判别性的目标图像进行定位,并利用图像的多尺度特征信息与底层特征信息,提高图像识别精度.研究表明:DNN-FDC算法的分类精度为0.994,而DNN-JFDC算法的分类精度和F1分数(均为0.997)比DNN-FDC算法的分类精度和F1分数分别高14.43%和8.22%.这表明,DNN-JFDC算法具有较高的分类精度,可有效挖掘良好的视觉模式.研究结果可为同类问题的解决提供借鉴与参考.

关键词： 湖北钉螺   拟钉螺   深度学习   人工智能   计算机视觉   云南省  

摘要： 目的建立基于EfficientNet-B4模型的云南省湖北钉螺滇川亚种视觉智能识别模型,并评估不同数据增强方法和模型超参数对钉螺识别效果的影响。方法2024年6月,于云南省永胜县采集湖北钉螺和拟钉螺样本各400只,各选取300只,鉴别分类后进行图像样本采集。将采集的925张钉螺和1062张拟钉螺图像作为数据集,按照8∶2的比例分为训练集和验证集;对剩余的100只钉螺和100只拟钉螺样本分别采集352张和354张图像作为外部测试集。对采集的图像进行裁剪、调整大小等预处理操作。采用基线(baseline)、Mixup和高斯模糊等3种数据增强方法;模型超参数包括自适应矩估计(adaptive moment estimation,Adam)和梯度下降法(stochastic gradient descent,SGD)2种优化器,焦点损失函数(focal loss)和交叉熵损失函数(cross entropy loss)2种损失函数以及余弦退火(cosine annealing)和多间隔调整(multi-step)2种学习率衰减策略。基于EfficientNet-B4模型建立湖北钉螺滇川亚种和拟钉螺智能识别模型,并将不同数据增强方法和不同超参数组合为7个不同训练策略组,采用外部测试集对模型性能进行测试。采用准确率、精确率、召回率、F1指数、损失值、约登指数和受试者工作特征(receiver operator characteristic,ROC)曲线下面积(area under curve,AUC)等指标评价不同训练策略下模型性能。结果采用不同数据增强方法的各组模型间损失值差异较接近。同时采用Mixup和高斯模糊数据增强方法的第4组模型性能最佳,外部测试集测试准确率为90.38%、精确率为90.07%、F1指数为89.44%、约登指数为0.81、AUC为0.961。采用SGD优化器的组别模型准确率较采用Adam优化器的组别降低29.16%(χ^(2)=81.325,P<0.001),采用交叉熵损失函数的模型准确率较第4组降低0.80%(χ^(2)=3.147,P>0.05),采用多间隔调整学习率衰减策略的模型准确率较第4组提高0.65%(χ^(2)=0.208,P>0.05)。采用基线+Mixup+高斯模糊的数据增强策略与自适应矩估计+焦点损失函数+多间隔调整学习率衰减策略的超参数配置模型性能最高,外部测试集测试准确率为91.03%、精确率为91.97%、召回率为88.11%、F1指数为90.00%、约登指数为0.82、AUC为0.969。结论基于EfficientNet-B4模型的云南省湖北钉螺滇川亚种智能识别模型可实现钉螺和拟钉螺的准确鉴别。

关键词： 计算机视觉   玉米   叶绿素   垂直分布   随机森林  

摘要： 采用智能手机拍照获取玉米大喇叭口期、抽雄期叶片图像,基于计算机视觉技术计算RGB颜色模型的16种颜色特征参数,探究玉米上、中、下层位叶片颜色特征参数与叶绿素相对含量(SPAD值)的相关关系,并基于随机森林算法建立了SPAD的预测模型。结果表明:两个生育时期玉米叶片叶绿素含量呈垂直异质性,中层叶片叶绿素含量显著大于上层和下层。不同层位叶片叶绿素敏感颜色参数略有不同,但总体上与G、R分量及其组合参数2G-R、2G-R-B、G/R相关性较好,且呈显著负相关。基于RF模型对各层位叶绿素含量进行预测,模型精度表现为上层>中层>下层。基于计算机视觉技术研究玉米叶绿素垂直分布具有可行性,可为及时掌握农作物的光合效率、水肥状况和生长状态,为高产育种和栽培措施调控提供理论依据与技术支撑。

关键词： 砀山酥梨   目标检测   深度学习   Mask R-CNN  

摘要： 目标识别对实现水果产业采摘自动化至关重要,但在自然环境下传统检测算法对酥梨果实识别效果不好。基于Mask R-CNN(mask region-convolutional neural network)神经网络模型,结合砀山酥梨图像的样本数据库,通过特征金字塔网络提取图像特征,运用RPN(region proposal network)网络处理特征图,对砀山酥梨目标检测效果进行分析。结果表明:采用Mask R-CNN模型检测的准确率为95.54%,召回率为92.79%,误检率为4.45%;Mask R-CNN模型能够在果实被枝叶遮挡、未被枝叶遮挡、果实重叠等场景下精准检测出酥梨图像的完整轮廓。为采摘机器人检测酥梨目标提供了技术支持。

关键词： 机器视觉   实训系统   标定   图像处理   特征提取  

摘要： 为培养学生解决跨学科复杂工程问题的能力,设计了由机器人、机器视觉、白酒瓶输送和计算机子系统构成的以太网架构实训系统。用五点标定法建立了从图像坐标系到机器人坐标系的变换矩阵;使用Python语言、PLC梯形图和AE机器人编程语言设计了实训系统的软件,实现了机器视觉引导机器人准确抓取滑台上任意放置的白酒瓶并放到处置箱的目的。

关键词： 安全设备佩戴检测   目标检测   轻量化   数据增强   实时检测  

摘要： 针对工业场景下检测模型参数量多、安全绳易与背景混淆问题,提出一种融合FasterNet和RepVGG的目标检测算法(you only look once version 5 fasternet-repvgg-cutmix-bifpn,YOLOv5s-FRCB)。通过引入轻量级网络结构FasterNet Block和RepVGG Block替换YOLOv5s部分卷积层,显著减少模型参数量和加快检测速度,满足实时性需求;通过BiFPN特征强连通性提升模型特征学习能力;改进Cutmix数据增强方法,随机将目标嵌入输入图像,更新标签,缓解标签类别不平衡问题,提高泛化性。在自建安全设备佩戴检测数据集上进行试验,结果表明:YOLOv5s-FRCB mAP值达到了96.3%,算法模型内存减少34%,是一种高效实用的安全设备佩戴检测方法;YOLOv5s-FRCB能在保证准确率的同时,进一步降低计算量。

关键词： 图卷积神经网络   特征提取   特征融合   目标检测   深度学习   无锚框方法   特征金字塔网络   Object-Box检测器   多尺度特征   全局特征  

摘要： 随着对目标检测任务研究的不断深入,以ObjectBox检测器为代表的无锚框方法引起了研究者们的关注。然而,ObjectBox检测器不能充分利用多尺度特征,也未充分考虑目标中心点与全局信息关联。为此,借助图卷积神经网络的节点相互影响原理,提出基于图谱方法的图卷积层模块GConv(graph convolution layer),学习图像全局特征;融合模块GConv与C3(cross stage partial network with 3 convolutions)得到GC3(graph C3 module)模块,进一步提取图像原始特征、细节特征以及全局特征;将GC3结合广义特征金字塔网络GFPN(generalized feature pyramid network),提出图广义特征金字塔网络GGFPN(graph generalized feature pyramid network),并嵌入ObjectBox算法,设计出ObjectBoxG算法。经典数据集的实验测试表明,提出的GC3模块比原C3模块具有更强特征提取能力;提出的GGFPN网络比GC3的特征学习能力更强;提出的ObjectBoxG算法具有优良的目标检测性能。

关键词： 深度学习   马铃薯幼苗   YOLO   图像处理  

摘要： 针对马铃薯幼苗检测中的关键挑战,提出一种基于YOLO-PS的目标检测模型。该模型在检测骨干中引入MobileNetV4-backbone以增强对不同状态幼苗的特征提取能力,并在检测头中引入DLKA注意力机制,从而增强模型对马铃薯幼苗局部特征的提取和关注。为优化边界框的精确定位,采用Focal Loss损失函数。利用Pyqt5设计马铃薯幼苗识别系统的交互界面,使其操作简便且可靠。通过试验验证,YOLO-PS模型在马铃薯幼苗检测任务中表现优异,在测试集上的精确率达到94.75%,召回率为95.58%,平均精确度均值高达96.67%。该模型在马铃薯幼苗检测中的有效性和优越性,也为类似作物的幼苗检测提供新方法。