关键词： 轨枕裂纹检测   目标检测   全维动态卷积   轻量化结构   特征融合网络  

摘要： 针对高铁轨枕运行年限增加导致裂纹缺陷增多的安全隐患,以及高铁轨枕表面裂纹漏检与误检问题,提出改进的YOLOv5s轨枕裂纹目标检测算法.在YOLOv5s算法主干网络中使用基于多维注意力机制的全维动态卷积代替传统卷积,提升网络整体的特征提取能力以提高细小裂纹的检测精度;根据ConvNeXt模块和深度可分离卷积提出改进的轻量化C3结构,压缩模型体积和加速网络的收敛以提高检测效率;使用尺度优化的加权GFPN特征融合网络,解决小目标多尺度下采样过程中细节特征丢失的问题,改进的YOLOv5s轨枕裂纹目标检测算法能够有效改善轨枕表面细小裂纹漏检问题.实验结果表明:改进后的算法模型参数量减少了19.7%,精确率、召回率、平均精度均值分别提高了1.8、2.4和4.2个百分点,检测速度达96帧/s.结果表明,提出的轻量化YOLOv5s-OCG算法模型为轨枕表面裂纹的实时性检测提供了一种有效解决方案.

关键词： 肩关节复发性脱位   图像处理技术   肩胛冈取骨   自体骨移植   关节镜  

摘要： [目的]介绍图像处理辅助肩胛冈取骨镜下肩胛盂前植骨修复关节盂骨缺损的手术技术和初步临床结果。[方法]处理术前3D CT图像,在患侧肩胛冈区域设计切取骨移植物。患者全麻后患肢外展前屈牵引固定,标记肩峰、肩胛冈、喙突及肩部后侧、前侧及前外侧入路。于肩胛冈距肩峰后外侧角约5 cm处做一横切口,剥离肩胛冈软组织及骨膜,按术前设计切取骨块移植物,钻2个孔,备用。通过前方入路工作套管,扩大松解前方盂唇关节囊复合体,置入锚钉,将骨块从前方工作套管内送入关节腔,置于肩胛盂前下缘,采用双滑轮锚钉缝线将肩胛盂、移植骨块和盂唇-关节囊复合体固定。[结果]所有患者手术均顺利完成。其中4位患者出现术后患侧指端麻木,均于3 d内消失。术后均未发生血肿、感染、关节僵硬、术后再脱位/半脱位、固定物失败以及再次翻修等严重并发症。末次随访肩关节ASES评分(81.8±11.9)分,Constant评分(85.6±10.4)分。末次随访时,移植骨块愈合率为100%,大部分患者恢复日常运动能力。[结论]图像处理辅助肩胛冈取骨镜下肩胛盂前植骨术治疗肩关节复发性前脱位可有效缩短恢复时间,减少术后并发症,初步临床结果满意。

关键词： 目标检测   无人机技术   模型压缩   低空安全  

摘要： 随着人工智能的快速发展,边缘无人机设备对多任务、高实时性的需求激增。然而,若采用现有大模型来提升检测能力,则会使低算力、少负载的无人机增加计算与存储负担。针对上述问题,提出了基于协作推理技术的IB-YOLOv8目标检测算法,在保证模型表现的前提下实现对无人机端的模型压缩。该方法将YOLOv8s的Backbone部分部署到边缘端,将网络的其他部分部署到云端,基于信息瓶颈(Information Bottleneck,IB)对YOLOv8s的Backbone部分进一步压缩。在此基础上通过Triplet Attention和Label Smooth技术对因IB而损失的模型性能进行补偿。实验证明,改进后的模型在边缘端的参数量降低了75%,较YOLOv8s有0.1%的平均精度提升,并且IB策略在一定程度上能抵御模型逆向攻击,有效地对无人机的计算开销和模型性能进行平衡。

关键词： 图像处理   贴图优化   多尺度视网膜增强色彩恢复(MSRCR)   非局部均值(NLM)   单体化   三维模型  

摘要： 本文针对建筑单体化三维模型贴图中存在的亮度不均匀和噪点问题,提出了一种基于多尺度视网膜增强色彩恢复(MSRCR)和非局部均值(NLM)去噪算法的自适应优化方法。为消除大范围黑色区域对后续处理的影响,研究中创建了掩码文件,并计算贴图法线,筛选出法线水平的贴图,过滤掉亮度适中的顶部和底部贴图。在特征提取阶段,本文计算了每组水平贴图的平均亮度和亮度直方图的阈值,以便更精确地进行亮度增强。采用基于MSRCR的亮度增强算法,对筛选出的低亮度贴图进行有效提亮。同时,利用NLM算法对贴图进行去噪处理,确保在去除噪点的过程中,原始细节和色彩得到保留。通过对处理结果进行主观和客观的评价,结果表明,本文方法显著提高了模型贴图的亮度和清晰度。在实际应用中,本文方法展示了其在提升实景三维模型贴图质量方面的高实用价值,为建筑三维建模领域提供了新的解决方案。

关键词： 番茄   YOLOv8   目标识别   可变形卷积   注意力机制  

摘要： 随着农业智能化进程的加快,基于深度学习、机器人等人工智能技术在农业生产中的应用也越来越受到关注。针对现有番茄果实识别方法在复杂环境下误识率高、定位精度低和采摘效率低等问题,本文提出了一种改进的YOLOv8网络模型,旨在提高番茄果实自动化采摘的检测精度和速度。该网络以YOLOv8为初始模型,在其骨干网络中添加了可变形卷积模块(DCN),有效提升模型对小目标的检测精度,降低漏检率;在Neck端引入SE注意力机制模块,提高对检测目标的关注度;采用Inner-IoU损失函数来替代原有的CIoU损失函数,提高目标检测中边界框的回归精度。本研究将改进后的YOLOv8模型与SSD、YOLOv4、YOLOv5、YOLOv7网络模型对比,平均精度分别提高了7.2、6.4、6.6、7.7个百分点,改进后的YOLOv8模型较原模型的准确率提升了3.8%,召回率上升了0.6%,同时mAP@0.5和mAP@[0.5:0.95]分别提高了约2.6%和1.9%。研究表明改进的YOLOv8模型能够有效提高番茄果实的自动化采摘检测精度和速度,对实现番茄的自动化采摘具有重要意义。

关键词： 幽灵卷积   幽灵分组卷积   高效耦合检测头   轻量化   YOLO11   目标检测   胡麻幼苗  

摘要： 胡麻生长后期叶茎团簇难以检测,苗期叶茎分明可做研究对象,但现有模型对硬件要求高,难以在低配置设备中实时检测胡麻幼苗目标。为此提出基于改进YOLO11n的轻量级胡麻幼苗目标检测模型,引入幽灵卷积(Ghost Convolution,Ghost Conv),提出C3k2G_Ghost主干网络结构;颈部网络重新设计,构造出幽灵卷积分组(Group Ghost Conv,GrGhConv),提出GrGh_Ghost颈部网络结构;研究引入高效耦合检测头(Efficient Coupled Detection Head,ECDH)替换原有检测头,用于降参数和稳精度。实验表明:所提模型对比原模型在体积、参数量和GFLOPs上分别降低56.86%、60.56%和65.00%;在FPS上提升60.33%。实现了模型轻量化效果。

关键词： 变光照   图像采集   图像均匀化   目标跟踪   边缘计算   路端激光雷达  

摘要： 光照变化可能导致目标的外观发生显著变化。例如,当光照增强时,目标可能会变得更加明亮,细节可能变得模糊;而当光照减弱时,目标可能会变得暗淡,难以从背景中区分出来。为了降低光照变化对目标跟踪效果的影响,提出一种边缘计算结合路端激光雷达的变光照车辆目标跟踪方法。将VLP-16型路端激光雷达采集的点云坐标转换至图像坐标,实现车辆目标图像采集,并在边缘计算平台实时处理图像。采用基于引导滤波的SSR自适应图像增强方法,对图像展开均匀化处理,提高目标对比度。采用边缘演化技术获取目标边缘特征,同时将图像颜色信息和图像梯度角度直方图展开结合,获取目标颜色特征。在此基础上,将上述特征输入跟踪分类器中,实现目标车辆跟踪。实验结果表明,所提方法可以实现车辆目标的高精度跟踪。

关键词： 3D目标检测   点云   自动驾驶   KITTI   DAIR-V2X  

摘要： 针对现有三维点云目标检测模型在自动驾驶场景中精度与实时性难以兼顾的问题,提出一种高效的点云目标检测方法,旨在提升检测精度,同时满足实时边缘设备部署的需求,以推动自动驾驶和智能交通领域的应用发展。在基于柱体的点云检测框架基础上,设计了一种多柱特征融合模型。模型通过引入点云方差特征和位置编码增强柱体特征表示能力,提出多柱特征融合模块以提升相邻柱体间上下文信息的学习效果,并结合残差连接和Dropout正则化的骨干网络优化特征提取。此外,改进了一种点云数据增强策略,通过混合同类别目标点云提升模型对复杂场景的泛化能力。在KITTI数据集上的大量实验表明,本文提出的方法在3D mAP上达到了68.93,在BEV mAP上达到了75.02,模型的推理速度保持在55.65 FPS,同时在DAIR-V2X数据集上也展现出了优秀的性能。所提模型通过多柱特征融合和优化的数据增强策略,实现了检测精度与实时性的平衡,展现出在自动驾驶场景中的应用潜力。未来可进一步优化模型架构,适配嵌入式系统部署,以满足实际应用需求。

关键词： 矿井火灾   烟雾检测   改进YOLOv10s   注意力模块   特征权重  

摘要： 矿井火灾烟雾目标检测是防止矿井内发生火灾事故的重要预防措施之一。为了提高矿井内火灾烟雾检测的精度与速度,提出了一种基于改进YOLOv10s的矿井火灾烟雾检测方案。首先将收集的矿井火灾烟雾图像数据集通过在线平台完成标注,然后按7∶2∶1划分为训练集、验证集及测试集,在训练前对图片进行小波降噪及Auto-Msrcr算法增强处理;其次使用Focaler-IoU重构原始YOLOv10损失函数,以及添加强化卷积神经网络性能的注意力模块CBAM和使用跨阶段部分网络模块VoV-GSCSP替换颈部网络中的第三个C2f模块,从而提高模型的表征能力和决策性能,最终提高对矿井火灾烟雾识别的特征权重。试验结果表明,改进后的YOLOv10s模型与原模型相比准确率提升了3.5%,平均精度均值mAP@50和mAP@50-95分别提升了0.7%和2.2%,检测帧率提高了11.9帧/s;相较其他主流YOLO模型,改进后的YOLOv10s模型检测精度和速度更高,具有更好的综合检测性能,适用于高精度和高实时性的矿井火灾烟雾检测场景。

关键词： 行人重识别(ReID)   少样本学习   目标检测   图像识别  

摘要： 行人重识别任务通常依赖于大规模标注数据。然而,在少样本场景中,标注数据的有限性导致模型难以充分学习到类别间的判别性特征。为应对这一挑战,研究者们提出了多种方法以提升模型在数据匮乏条件下的性能表现。根据所需标注数据的依赖程度,相关研究可以归纳为以下四个主要类别:有监督学习的方法、基于弱监督学习的方法、基于半监督学习的方法、基于无监督学习的方法。随着对标注数据依赖的逐渐降低,行人重识别领域呈现出从有监督学习到无监督学习的技术发展趋势。系统性地总结了当前在数据集和评估指标上的研究现状,并对未来可能的研究方向进行了展望。