关键词： 深度学习   再生骨料   目标检测  

摘要： 为解决建筑废弃物成分复杂,其中混凝土块和砖块由于密度和质量相似而难以用传统方法区分难题,采用深度学习方法,基于YOLOv5目标检测算法,通过大规模数据集训练,权重和参数的精细调整,构建了高效的神经网络。通过反复验证和调整,最终确定了优化的深度学习模型。结果表明,该模型能够显著提高砖混凝土识别精度,如部署到再生骨料智能分拣设备,能够极大的提高再生骨料的分拣质量,提升再生骨料的品质和利用价值,具有重要的工程应用价值。

关键词： 芯片制造   Zynq   FPGA   视觉伺服   图像处理  

摘要： 晶圆芯片定位精度直接影响到芯片制造的效率和质量,视觉伺服作为一种实时控制方法,引入了视觉反馈,不仅能够保证芯片定位精度还具有良好的鲁棒性;同时图像处理的实时性对视觉伺服至关重要;传统的使用PC机和网线的图像处理方式实时性和准确性较差,为了提高这一过程中视觉反馈的精度和实时性,提出并设计了一套面向视觉伺服的芯片图像Zynq预处理系统;系统通过在Zynq PL端的片内设计和PS端的控制设计,对采集到的芯片图像进行去噪、Sobel处理,并给芯片粗定位,为芯片的伺服控制提供有效数据;经实验表明,该系统实时性强,位置识别稳定,达到设计要求。

关键词： 目标检测   热红外图像   YOLOv7   ELAN-P   坐标注意力机制   WIoU  

摘要： 热红外图像具有分辨率低、高噪声、空间相关性强的特点。为解决道路交通红外目标检测算法存在的检测精度低、漏检和误检等问题,提出一种改进YOLOv7的算法。将主干网络原有的ELAN模块替换成ELAN-P模块,降低模型的参数量和计算量,使模型更加轻量化,增强对红外目标的提取能力;在主干网络和颈部网络引入CA注意力机制,将坐标信息嵌入到通道中,增强对模糊目标和密集目标的定位能力;将原有的CIoU损失函数替换成WIoU损失函数,提高对遮挡目标和弱小目标的检测精度。在中国热红外数据集CTIR上实验表明,改进算法相较于YOLOv7算法,参数量和计算量分别减少11.6百分点和19.5百分点,检测精度mAP值提高了3.1百分点,其中Car、Pedestrian、Cyclist、Bus和Truck五个类别的检测结果AP值分别提高了1.9百分点、1.9百分点、1.5百分点、4.9百分点和5.3百分点,检测性能有所提升。在公开数据集FLIR上进行泛化性对比实验,结果表明改进算法具有通用性。

关键词： 机器学习   甘蔗   遥感影像   目标检测   图像处理   智能农业   无人机高光谱成像   YOLO算法  

摘要： 文章探讨了机器学习在甘蔗种植区域精准识别中的应用,旨在解决传统人工识别方法耗时费力、易受主观因素影响的问题。鉴于甘蔗种植面积分散、统计易重叠的现状,文章提出利用无人机高光谱成像结合Python网络爬虫技术的图像采集方法,以获取高精度、多样化的图像数据。通过采用YOLO算法进行模型训练,实现了对甘蔗种植区域的快速识别和统计。实验结果表明,该方法能够有效识别甘蔗种植区域,为甘蔗种植户、农业管理部门及科研机构提供科学依据和技术支持,从而推动农业智能化的发展。

关键词： 图像处理   输电线路   Retinex算法   特征提取   支持向量机  

摘要： 为输电线路安全运行提供基础,提出基于图像识别的输电线路状态智能监测方法。利用多尺度Retinex算法对输电线路图像增强处理,提升输电线路图像质量,利用Mallat多尺度小波变换方法提取输电线路图像边缘的小波系数特征,选取模糊支持向量机方法依据小波系数特征进行实现输电线路状态智能监测。实验结果表明,该方法处理后输电线路图像信息熵高,可以有效识别输电线路的绝缘子覆冰、输电导线舞动等异常状态,输电线路状态智能监控效果理想。

关键词： 混合式教学   评价体系   BOPPPS  

摘要： 针对高职院校“图形图像处理”课程,基于BOPPPS模式的混合式教学评价体系具有一定的前瞻性和实践性。BOPPPS模式包括导入(Bridge-in)、目标(Objective)、预评价(Preassessment)、参与式学习(ParticipatoryLearning)、后评价(Post-assessment)和总结(Summary)6个部分,文章利用该模式实现了教学评价体系研究,为混合式教学提供了清晰的教学评价框架。

关键词： 机器视觉   目标检测   优化RetinaNet   特征融合   轻量化   结构重参化  

摘要： 针对目标检测算法中计算量大、模型复杂等问题,造成在嵌入式平台计算资源有限的应用场景下难以部署的现象,提出一种基于优化RetinaNet的自适应特征融合的轻量化目标检测方法。提出的算法参考了GhostNet中的Ghost Module模块以减少模型参数量。通过一种空间特征融合机制,提高特征的尺度不变性。融合了结构重参化的思想,增加训练深度,实现多分支训练,单分支推理,更好地提升模型的推理性能。提出的方法在PASCAL VOC2007和COCO两种常用的目标检测数据集上进行评估,平均精度为54.1%,优于RetinaNet的平均精度,实验结果表明,提出的方法推理时所占的内存为170.71MByte,是RetinaNet所占内存的44.27%,表明提出的算法在保证精度的前提下极大提高网络的推理速度。

关键词： 疫苗胚蛋   目标检测   YOLOv8   ShuffleNetV2   动态蛇形卷积  

摘要： 胚蛋活性检测对疫苗生产的质量与安全至关重要。传统机器视觉检测方法严重依赖人为设计的特征提取算法,对图像质量和环境条件要求高,检测结果稳定性和容错性差,导致实际检测过程中的通用性受到限制,为克服这种缺陷,该研究提出一种基于改进YOLOv8的疫苗胚蛋活性检测模型。采用自主设计图像采集装置,采集孵化10~11 d的胚蛋图像,通过几何变换、颜色调整、图像增强等方式构建并扩充数据集;采用Shuffle Net V2替换YOLOv8模型的骨干网络,在保持准确率的同时显著减少了计算复杂度,能更好地部署到嵌入式设备中;在YOLOv8颈部网络的卷积层后添加动态蛇形卷积层,通过其自适应地聚焦于细长和迂回的局部结构,准确地捕捉管状结构的性质特征,从而提高胚蛋检测的准确率;使用EIOU(embedding intersection over union)损失函数,用于适应研究中边界框对齐和形状相似的场景,构建了符合试验中胚蛋图像的网络模型,以实现疫苗胚蛋活性快速、无损、批量检测。试验结果表明,改进YOLOv8模型精确率、召回率、平均精度均值(m AP_(50-95))分别达99.2%、98.2%、96.9%,对比原始YOLOv8模型分别提高了2.0、0.3、1.5个百分点,模型计算复杂度与推理时间相较与原模型分别降低60.9%、60.5%。说明此模型可以更好地实现疫苗胚蛋活性无损检测,为自动化批量检测提供理论依据。

关键词： 多源遥感   FPN   多尺度   深度学习   河湖管理  

摘要： 为满足水利部关于河湖“清四乱”常态化规范化的要求,研发一套基于卫星遥感影像粗提取与无人机影像精识别相结合的“四乱”识别技术体系,采用FPN多尺度目标检测的深度学习模型,解决了传统遥感影像处理及人工目视解译存在的时效低、成本高、误差大等难题,实现了对多尺度、多类型、小目标的“乱占”、“乱建”等嫌疑区的快速识别和精准定位。与未融合FPN的识别模型相比,“乱建”目标识别的精确率、召回率和平均精度指标(AP)分别提升2.7%、5.7%和4.0%,“乱占”目标识别的精确率、召回率和平均精度指标(AP)分别提升13.8%、0.5%和6.0%。在河湖管理、水政监察执法等方面具有较好的应用潜力和价值。

关键词： 个人穿戴防护   计算机视觉   工业安全  

摘要： 在工业和建筑等高风险环境中,个人防护装备(PPE)的使用对于保障工人安全至关重要。然而,传统的PPE合规性检查通常依赖于人工监控,效率低下且容易出错。对此,文章提出了一种基于计算机视觉的自动化PPE检测系统,旨在提高检测的准确性和效率。该系统采用YOLOv5s深度学习模型,结合大量标注图像数据集,可对安全头盔、反光背心、防护眼镜、手套等PPE进行实时检测。通过数据增强技术和迁移学习,显著提升了模型的检测性能,为PPE检测提供了一种高效、可靠的解决方案,具有广阔的应用前景。