关键词： 目标检测   深度学习   玉米病害   YOLOv8   注意力机制   知识蒸馏  

摘要： 玉米作为我国关键的粮食作物,在保障国家粮食安全中扮演着举足轻重的角色。然而,玉米病害的威胁对其产业的稳定增长构成了挑战。因此,实现对玉米叶片病害类型的快速且精确识别,对于推动玉米产业的健康发展具有至关重要的作用。早期肉眼识别病害的方法和传统的机器学习算法存在着误差大、效率低等问题。近年来,深度学习技术逐步向农业领域持续渗透与拓展,其中基于智能算法的植物病害智能诊断研究正成为学术界与产业界共同关注的热点方向。因此,本文基于YOLOv8模型进行改进,构建了一种更高效的玉米叶片病害识别算法。本文的研究内容主要为以下几点: (1)本研究实验数据源自田间采集数据和Plant Village公开数据库,重点选取其中包含灰斑病、叶锈病和叶斑病等典型玉米叶部病症的标准化图像样本构建基础训练集。由于深度学习模型需要大量数据集作为支撑,因此将选取的图片通过随机翻转、调节对比度和添加噪声等预处理方法对数据集进行扩充,并对数据集病斑区域进行标注,以便模型可以更好的学习病害区域的特征。 (2)本文首先采用了更轻量化的MobileNetv3模型来替换YOLOv8的原始骨干网络,有效减少了模型的参数量和计算负荷;然后,依次引入视觉Transformer模型Biformer和双层路由注意力机制(BRA),以进一步提升网络的特征提取能力和整体性能,解决模型检测时出现漏检、误检等问题;最后,为了应对新增模块可能引起模型的参数量和计算量增加,采用知识蒸馏的方法,通过教师模型来训练学生模型,确保学生模型在保持与原始模型相近的高精度的同时,实现网络参数的有效压缩。本文改进后的模型检测准确率提升至90.1%,模型参数量精简至1.85MB,且对每张图片的检测速度仅需0.132秒。这些改进使得模型不仅在整体效能上超越了原始模型,还展现出了更强的泛化能力,能够适应不同的检测环境和条件。 (3)基于本文改进后的模型,开发了玉米叶片病害识别系统,系统功能主要包括对上传的玉米叶片病害图片进行检测和识别、病害信息科普和用户意见反馈功能。经过系统测试,验证了该系统的可行性和效能,它能够协助用户快速且精确地辨识玉米叶片的病害类型,通过病害科普提升用户的专业知识,还能够反馈系统使用过程中的意见,实现了更人性化的管理系统。系统的开发对于玉米病害的预防和治疗工作具有重要的实际意义,能够有效提升农业生产的智能化水平和病害管理效率。

关键词： 有机光电二极管(OPD)   突触   图像处理  

摘要： 制备一种具有功能切换特性的有机光电二极管（Organic Photodiode,OPD）。在负偏压条件下，该器件表现出优异的光探测性能，能够精确感知外部光信号，为图像处理提供高质量的基础数据支持。在正偏压条件下，器件展现出显著的突触模拟能力，可高效处理输入信号并实现学习功能，从而根据不同的信号模式做出动态响应。这种结合突触功能的图像处理方式不仅具备低功耗优势，还因其器件特性而易于集成。这一研究成果为光电领域提供了全新的技术路径，同时为显示技术的创新发展提供了重要的技术支持，展现了广阔的应用前景。

关键词： 煤矸石   目标检测   EMBS-YOLOv8s模型   深度学习   分选系统  

摘要： 煤矸石分选是煤碳生产过程中的重要环节,但现有煤矸石分选方法存在着环境污染严重、分选效率低等问题,已难以满足煤碳行业绿色智能化发展的需求。为此,本文设计了一种基于深度学习的煤矸石检测与分选系统,并针对现有煤矸石目标检测算法存在检测精度低、模型结构复杂等问题,提出了一种多尺度融合轻量型煤矸石目标检测算法,实现了煤矸石的精准检测与智能分选。本文主要研究内容如下: (1)煤矸石检测与分选系统设计。通过对煤矸石检测与分选系统的需求分析,确定了系统的整体方案,并对系统方案中的硬件进行了选型和设计。设计了一款可视化的煤矸石检测软件,可实时显示检测后的煤矸石类别信息和位置信息。 (2)煤矸石数据集采集与构建。通过模拟实际煤矸石分选现场的多工况场景搭建了煤矸石图像采集平台,完成了不同数量、不同照度以及不同带速下的煤矸石图像采集。利用限制对比度自适应直方图均衡化算法对图像进行预处理操作,使煤矸石图像的质量得到优化。利用图像数据增强操作,扩充了煤矸石图像的数量。提出了一种煤矸石数据集半自动标注方法,实现了煤矸石数据集的高效率标注。 (3)煤矸石目标检测算法研究。针对现有煤矸石目标检测算法存在检测精度低、模型结构复杂等问题,提出了一种基于EMBS-YOLOv8s模型的多尺度融合轻量型煤矸石目标检测算法。将YOLOv8s模型的原颈部网络替换为EMBSFPN结构,提高了模型的检测精度,降低了模型结构复杂度;将原损失函数替换为Wise-SIo U损失函数,使模型的收敛性和稳定性得到了提升。通过实验结果表明,EMBS-YOLOv8s模型在自建煤矸石数据集上的m AP为96.0%,与其他深度学习模型相比总体处于最优水平;模型参数量、计算量、体积分别相对于原YOLOv8s模型降低了29.59%、12.68%、28.44%,实现了模型的轻量化;模型的FPS为93.28帧,满足实时检测的需求。基于该模型的目标检测算法能够实现对煤矸石的实时精准检测。 (4)系统搭建与实验验证。搭建了基于深度学习的煤矸石检测与分选系统实验平台。通过相机标定和手眼标定获取到了煤矸石的实际位置信息。利用该实验平台进行煤矸石动态检测、定位和动态分选实验。实验结果表明,系统对煤矸石检测的平均准确率为96%、煤矸石的定位误差在5 mm以内、平均分选成功率为90.98%,证明了本文提出的系统能够实现对煤矸石的精准检测与智能分选。

关键词： 瞳孔测量   闭合眼睑   蒙特卡罗方法   图像处理  

摘要： 瞳孔测量在临床护理中具有重要的诊断和监测价值,尤其在神经外科、神经内科和重症监护等领域,其持续监测对评估患者神经系统功能状态和预测潜在疾病至关重要。然而,对于昏迷或闭眼状态的患者,传统的瞳孔监测方法存在一定的局限性。具体来说,反复撑开眼睑易导致角膜干燥损伤、医源性眼睑创伤,且若无法实现持续监测,可能延误脑疝等急性病理变化的早期识别,而这些病变在数分钟内即可造成不可逆神经损伤。因此,本文针对闭合眼睑场景下的瞳孔监测难题,系统研究了一种基于红外成像的闭合眼睑瞳孔测量方法,实现了高准确度的连续瞳孔监测,主要研究内容如下: (1)对人眼的结构进行简化的等效建模,通过一款基于蒙特卡罗方法的光子模拟器MCX(Monte Carlo e Xtreme)Cloud,模拟了不同光源入射角度对闭合眼睑瞳孔红外成像效果的影响。结果表明,当入射光角度在40°～60°范围内,人眼眼睑表面的透射光子数较多,可以保证较好的成像质量。此外,利用3D打印模具进行了实验验证,结果表明,光源入射角度为60°时可以获得清晰的瞳孔图像。 (2)针对人眼的光学特性,确定了闭合眼睑瞳孔图像采集系统硬件的选择,基于张正友棋盘格对瞳孔图像进行了标定,结果表明,标定平均重投影误差在0.35左右,标定值的平均误差约为0.1 mm。 (3)使用三种不同的图像预处理算法对实验采集到的瞳孔图像进行阈值分割,结果表明分水岭阈值分割算法可以保留瞳孔中心区域的信息,而去除边缘干扰信息。之后将睁眼瞳孔图像与二维标准高斯分布函数进行卷积计算,得到了预测的闭合眼睑瞳孔图像,并使用三种不同的优化算法应用于闭合眼睑瞳孔尺寸的迭代优化,结果表明,将分水岭阈值分割算法与差分进化算法结合,在50次迭代内使适应度最低,瞳孔尺寸计算误差为0.25 mm。 (4)对闭合眼睑瞳孔对光反射动态响应进行了测试,成功观察到瞳孔尺寸在白光刺激下的动态变化情况。

关键词： 大数据   人工智能   计算机视觉技术  

摘要： 文章深入探讨了大数据时代背景下人工智能计算机视觉技术的发展脉络、现状以及在多领域的广泛应用，分析了大数据对其发展的影响，梳理了该技术面临的挑战，并提出了相应对策，旨在全面呈现该技术在当下的重要性、发展态势及应用价值，为其进一步发展与应用拓展提供参考。

摘要： 随着移动互联网的快速发展和智能手机的普及,短视频已成为人们日常生活中不可或缺的一部分。短视频平台上的内容种类繁多,包括娱乐、教育、新闻等多个领域。然而,如何从海量的短视频中筛选出精彩片段,成为一个亟待解决的问题。传统的视频剪辑方法需要人工参与,不仅耗时耗力,而且难以保证剪辑的准确性和一致性。因此,研究一种能够自动剪辑短视频精彩片段的算法具有重要意义。

关键词： 深度学习   计算机视觉   目标检测   多尺度特征融合   系统设计  

摘要： 近年来,随着算力水平的大幅提升,人工智能取得了卓越的进步与发展,计算机视觉是计算机科学技术与人工智能、数学等领域交叉的一门学科。它旨在使计算机系统可以如同人类视觉系统一般对图片、视频等进行分析、理解与处理。目标检测是计算机视觉领域中炙手可热的重要研究方向,在工业生产、智能制造、安保防卫等领域取得广泛应用。传统的目标检测任务多是依靠人力完成,然而人类的视觉与精力都是有限的,并且检测任务高度依赖后天经验与主观判断,缺乏统一标准,时常造成漏检误检。此外,许多恶劣环境下的检测任务也会带来人员安全隐患。这些因素大大推动了目标检测技术的发展,近年来涌现出许多优秀的检测方法。诚然,目前主流的目标检测方法已经能完成对大部分常见目标的识别与检测,但仍在实际应用中暴露出诸多亟待解决的问题与挑战。首先,大部分检测方法对图像中的小目标物体常有漏检和误检的情况,而许多应用场景要求检测方法拥有细粒度检测的能力,强调对微小目标的检测与识别。其次,目前基于深度学习的目标检测方法在追求检测质量的同时忽略了检测模型的复杂度,而大多数嵌入式设备本身资源受限,这为模型的实际部署带来困难。最后,虽然目前目标检测方法迭代迅速,检测性能指标也不断刷新,但是成熟的应用系统还有待开发。本文针对上述挑战,提出一种高效轻量化小目标检测算法,并以该算法为基础设计了一个多目标视觉检测系统。 (1)为了增强目标检测方法的小目标检测能力,同时尽可能保证检测模型的轻量化。本文提出YOLO-TLA目标检测方法。首先,以YOLOv5目标检测模型为基础,分析并提出了主干网络特征提取增强、小目标检测强化、模型轻量化等策略。其次,通过实验对比了每种策略的可行性与综合性能,采用逐步求精、逐层累加的设计思路提出YOLO-TLA目标检测方法的模型结构。再次,将YOLO-TLA方法在MS COCO数据集上训练,并提出YOLO-TLAs与YOLO-TLAm两个模型用于评估测试,实验结果表明YOLO-TLA目标检测方法具有优良的检测性能,在检测性能与模型复杂度之间做出了较好的平衡。最后,探讨了损失函数优化对检测性能的提升效果。 (2)为了增强YOLO-TLA目标检测方法的实用性,使其能够拥有更多的应用场景,本文设计并开发了一个多功能多目标检测系统。首先,分析了该系统的业务需求与功能需求,制定了详细的开发方案。然后,设计了系统工作流程,制作了系统工作流程图。其次,对系统进行详细设计与编码实现,系统的核心功能为实时检测。参数调节、模型选择、图像上传与结果下载为辅助功能。最后,对系统的所有功能模块进行测试,结果表明该系统在各种测试场景下都能满足实时检测需求,具有优良的检测性能。

关键词： 蚊虫识别   轻量化神经网络   注意力机制   嵌入式设备   目标检测  

摘要： 蚊虫是最危险动物之一,全球每年爆发的蚊媒疾病对人类健康与财产造成重大损失。为预防疾病,需要采集蚊虫样本以预测疫情风险。传统检测依赖野外捕获和实验室人工鉴定,效率低下且成本高昂。设计一种能在野外大规模部署的低能耗低成本的病媒蚊虫自动收集和识别监测系统可以有效地解决该问题。 本文针对野外蚊虫监测系统内存、算力资源有限、成本敏感的现状,提出一种基于改进YOLOv8的轻量化病媒蚊虫检测技术,旨在保持足够监测系统性能的同时降低对硬件平台的资源需求,便于在低成本的嵌入式平台中部署应用。 研究中,本文首先通过网络爬虫等多种渠道收集病媒蚊虫图像,并采用翻转、旋转等多种数据增强技术处理原始数据集,平衡不同类别蚊子的图像数量,构建了一个包含22439张图像的高质量数据集。该数据集一共有6个类别,分别为埃及伊蚊、白纹伊蚊、按蚊、库蚊、库利塞塔、日本/韩国伊蚊。 在算法改进方面,本文将轻量化模块MS-Block引入YOLOv8的C2f模块,形成MSC2f模块,并用改进后的MSC2f替换主干网络中的C2f模块,从而构建高效的轻量化主干网络。针对YOLOv8的Neck部分,使用轻量化卷积GSConv和GSC2f替换冗余的CBS和C2f模块,显著减少了网络的参数量和计算量。实验证明,这些改进措施在未显著降低检测精度的前提下,使模型的参数量和计算量下降了40.23%和45.68%,模型大小仅为4.1MB。 为了进一步提升模型性能,本文引入了多尺度注意力机制EMA,并将其加入到Head部分,提高了特征提取的效率和准确性。在模型训练阶段,本文采取迁移学习优化措施,进一步提升网络性能。实验结果表明,改进后的YOLOv8n-MSE性能优于YOLOv8n,m AP0.5:0.95达到了84.5%。 最后,本文将YOLOv8n-MSE部署到人工智能嵌入式设备Jetson Nano中,并进行Tensor RT加速和模型优化。实验证明,改进后的算法在平台上图片推理时间为101ms,经过Tensor RT加速后,推理时间降低到62ms,推理速度提升了1.6倍。使用部署了YOLOv8n-MSE算法的Jetson Nano嵌入式平台对测试图像进行推理预测,获得了病媒蚊子的检测精确率为90.2%,检测速度为14fps。对比YOLOv8算法有了较大的提升。YOLOv8n-MSE算法在推理预测时占用了30%的内存,对GPU的利用率平均达到80%。这些结果证明了改进后的算法在实际病媒蚊子检测任务中的有效性。