关键词： 图像处理   空间坐标   预警监测  

摘要： 阐述基于一种空间化算法模型,设计露天矿山越界开采的预警系统,通过计算得出矿山采掘设备的坐标信息,并与矿山审批范围的图层坐标进行实时比对,实现对矿山越界开采行为的判定。

关键词： 计算机视觉技术   无人驾驶汽车   目标检测  

摘要： 在当今科技飞速发展的时代,计算机视觉技术已成为推动无人驾驶汽车发展的核心动力。这项技术通过模拟人类视觉系统,使计算机能够从图像或多维数据中识别、处理和理解周围环境,其精准的目标检测、语义分割等功能为无人驾驶汽车提供了感知周围环境的能力,确保了驾驶的安全性和可靠性。该文概述计算机视觉技术,探讨计算机视觉技术在无人驾驶汽车中的具体应用,展望计算机视觉技术在无人驾驶汽车中的应用趋势,以提升计算机视觉技术在无人驾驶汽车中的应用水平。

关键词： 计算机视觉   图像处理   电气设备   自动化检测   特征匹配  

摘要： 为提升电气设备的检测效率和准确性,研究提出基于计算机视觉的电气自动化智能检测方法,通过图像预处理提高图像质量,利用计算机视觉算法对预处理后的图像进行特征识别。数据显示,自适应中值滤波后图像的信噪比为32.3 dB,图像结构相似性为0.91,均高于均值滤波和中值滤波。通过特征点数量和筛选匹配优化的加速稳健特征算法的识别准确率平均值为96.1%,匹配成功率平均值可达97.3%。基于计算机视觉的系统的平均准确率为94.5%,高于传统观察法和维修记录法。研究表明,基于计算机视觉的电气自动化智能检测方法在提高电气设备检测效率和准确性方面的潜力。该方法可以有效地应用于电气自动化领域,实现对电气设备状态的自动化监测和诊断。

关键词： 遥感影像   目标检测   自动化处理   铁路外部环境监测  

摘要： 针对铁路遥感影像处理流程复杂、效率低下的问题,文章提出一种基于Python的自动化处理技术。该技术利用GDAL等开源图形库,实现了影像预处理、裁剪、配准、增强和切片等功能的自动化,有效提升了处理效率,并快速构建了目标检测算法所需的影像数据集。实验结果表明,该技术能够为铁路外部环境安全监测提供高质量的数据支撑。

关键词： YOLOv8n   废旧塑料瓶   分类识别   目标检测  

摘要： 针对废旧塑料瓶在回收过程中不同颜色存在价值差异的情况,为解决颜色识别分选问题,提出一种基于深度学习的YOLOv8n改进模型废旧塑料瓶颜色高效识别方法。在颈部(neck)网络中引入加权双向特征金字塔网络(BiFPN)进行多尺度特征融合,提升模型的泛化能力;头部(head)网络的解耦头(decoupled-head)结构中两个分支均仅采用1个Conv2d模块,并在分支前端添加重参数化卷积——RepConv模块,减少计算量并提升训练精度;选用WIOU v3损失函数替换CIOU损失函数,提升模型的检测精度。通过对比实验可知,文章提出的模型优于传统目标检测模型。结果表明:文章提出的模型参数量较原模型减少了44.8%,计算量较原模型减少了34.6%,在50%交并比下的均值平均精度(mAP50)较原模型提升了2.7%,对废旧塑料瓶颜色进行识别时,每秒检测帧数(FPS)可达66,较原模型提高了40.4%,实现了对废旧塑料瓶颜色实时且准确的检测。

关键词： 点云数据   一阶段目标检测   CYM-Net   轻量化模型   特征金字塔  

摘要： 目标检测在机器人、自动驾驶等实际应用领域中具有广泛的应用。在这些场景下,目标检测任务需要在资源有限的平台上实时执行,对目标检测算法的参数量和检测速度有着较高的要求,因此需要实现目标检测算法的轻量化和高效化。然而传统的卷积神经网络(convolutional neural networks,CNNs)由于网络结构复杂、对算力要求较高,难以满足移动端的应用需求。为解决以上问题,本文提出了一种基于点云数据的一阶段轻量化目标检测算法CYM-Net模型。该模型融合了MobileNetV3的bneck模块设计思想和YOLOv4目标检测思想,并对特征金字塔进行了改进,从而显著减少了模型的参数量。本文在KITTI数据集上对CYM-Net模型进行了训练和验证。实验结果表明,CYM-Net模型在鸟瞰图和3D检测两个任务上均展现出更优异的性能,并且其检测速度也优于其他方法。通过本研究,本文为机器人、自动驾驶等领域的目标检测问题提供了一种高效轻量化的解决方案。

关键词： 目标检测   电动车识别   YOLOv8  

摘要： 随着城市化步伐的不断加快,电动车已成为城市居民日常出行的重要工具,许多居民为了充电方便,选择将电动车搬进居民楼,并通过电梯运输,这一行为导致了居民楼内电动车安全事故频发。因此,开发一种高效且准确的电梯内电动车检测算法显得尤为重要。首先,使用FasterNet中的FasterNet Block替换C2f中的Bottleneck,其降低了模型的计算量,提升了检测速度。在YOLOv8原结构中引入SEAttention注意力机制,把重要的特征进行强化来提升准确率。替换损失函数为Inner-CIoU损失函数,以提升模型检测性能和泛化能力。经过实验验证,改进后的YOLO-FSI模型在电梯内电动车数据集上的mAP50为93.7%,相较于原模型,参数量减少了23.3%,检测速度更是提升了5.2帧/秒。综上所述,YOLO-FSI模型可以有效提升电梯内电动车的检测能力,并且做到了轻量化及快速推理。

关键词： 诺贝尔物理学奖   深度学习   瑞典皇家科学院   加拿大科学家   机器学习   自然语言处理   人工神经网络   计算机视觉  

摘要： 瑞典皇家科学院当地时间10月8日宣布,将2024年诺贝尔物理学奖授予美国科学家约翰·霍普菲尔德(John JHo. pfield)和英国裔加拿大科学家杰弗里·欣顿(Geoffrey ***),以表彰他们“为利用人工神经网络进行机器学习做出的基础性发现和发明”.该技术是如今机器学习、深度学习、自然语言处理、计算机视觉等主流AI技术的基础.

关键词： 高光谱成像   苹果   图像处理   光谱超分   糖度预测  

摘要： 苹果风味独特,清脆可口,深受全世界消费者的广泛喜爱。糖度是衡量苹果品质的关键指标。高光谱成像(HSI)由于含有丰富的图谱信息在糖度无损检测中有着广泛的应用前景,然而仍面临仪器笨重昂贵、操作耗时等问题。光谱超分辨率(SSR)可通过建立映射关系从低光谱维度RGB图像获得对应高光谱维度HSI图像,在HSI图像的高效获取上有着极大的优势。因而,将探索苹果RGB图像的SSR,并基于SSR数据进行糖度预测。首先,选取大小均匀的苹果作为研究对象,利用黑色哑光胶纸对感兴趣区域(ROI)进行标定。采集苹果RGB图像和HSI图像后,利用全局阈值法确定ROI并经过图像分割得到220个RGB-HSI图像对。然后,使用密集连接网络、多尺度层级回归网络和Transformer网络实现苹果RGB图像的SSR。最后,提取SSR后图像的反射率光谱,采用全光谱和竞争性自适应重加权选择后的有效波长光谱结合偏最小二乘回归(PLSR)、随机森林(RF)和极限学习机(ELM)构建糖度预测模型。结果表明,基于Transformer网络SSR结果最好。在SSR预测集中,平均相对绝对值(MRAESP)为0.1359,均方根误差(RMSESP)为0.0262;SSR后方法的反射率光谱与真实光谱一致性最好。在糖度预测的过程中,全光谱下ELM模型预测效果最好,预测集决定系数(RP2)和均方根误差(RMSEP)为0.9255和0.003,PLSR次之,RF最差。经过有效波长光谱提取后,预测结果有所提升,其中ELM模型预测结果最好,RP2为0.9609,RMSEP为0.0022,PLSR次之,RF最差。总之,基于Transformer图像SSR完成了苹果糖度的准确检测,提供了低成本高效率HSI图像的获取方式,实现了快速便捷的新型糖度检测,扩展了图像在水果品质分析中的应用场景,为促进智慧农业和食品领域的发展提供了理论依据。

关键词： 卷积神经网络   生成对抗网络   图像转换   红外小目标   合成数据增强  

摘要： 近年来,卷积神经网络在红外小目标检测方面取得了良好的效果;但由于该技术中公共训练数据数量有限,在一定程度上导致分析结果不够精确;为了解决训练数据的稀缺问题,提出了一种生成红外小目标检测合成训练数据的方法;采用生成对抗网络框架,其中合成背景图像和红外小目标在两个独立的过程中生成;在第一阶段,通过将可见光图像转化为红外图像来合成红外图像;在第二阶段,将转换后的图像上植入目标掩码,将所提出的强度调制网络合成了真实的目标对象,可以从进一步的图像处理产生;实验结果表明,当使用由真实图像和合成图像组成的数据集训练各种检测网络时,检测网络比只使用真实数据产生更好的性能,优化了传统数据处理方法,使得训练结果更为精确。