关键词： 信号处理   语音识别   图像处理  

摘要： 阐述信号处理在语音识别领域、通信领域、图像处理等领域的广泛应用。介绍信号处理系统的基本原理,分析信号处理系统在电子信息工程中的应用,并对信号处理系统优化提出合理途径。

关键词： 图像处理   YOLOv7   农作物虫害   目标检测  

摘要： 为提高农作物虫害检测的准确率和效率,提出了一种基于YOLOv7的农作物虫害识别模型。首先,使用信息聚集−分发机制改进YOLOv7的特征融合模块,增强了不同层级之间的特征融合能力;其次,将损失函数替换为最小点距离交并比来计算边界框回归损失,更好地对齐预测框和真实目标框,提高了边界框回归的准确性;最后,通过在SPPCSPC层后添加感受野增强模块,增强了模型对小尺度害虫的识别能力。实验结果表明,改进后的YOLOv7模型平均准确度为80.4%,精确率为85.3%,召回率为75.1%,较改进前分别提升了3.4%、3.2%、2.6%。该模型对农业害虫具有更好的识别效果和鲁棒性,为农业害虫监测与防治提供了更准确和可靠的工具。

关键词： 铁路工程   隐蔽工程影像   YOLOv8   图像识别   目标检测   自动识别  

摘要： 铁路隐蔽工程影像作为留存查证的重要资料常包含海量工程数据,现有的影像资料管理系统为工程验收提供重要平台。为提高工程影像的审查效率,实现隐蔽工程审查少人化和规范影像验收管理,选择较为成熟的目标检测模型YOLOv8,建立可保障误差方向传播过程可执行的损失函数CIOU,用于精准识别验收人员、标识牌、量尺图像等验收目标。选取精确率、召回率,以及精确率与召回率的加权调和平均值作为衡量模型的评价指标。试验结果显示验收人员和标识牌的检测精度均在90%以上,量尺在80%以上,且相较于其他模型具有更好的目标检测效果。隐蔽工程自动识别处理软件可服务于工程影像检查要素的自动识别。研究成果可为规范铁路工程施工影像验收管理及隐蔽工程检查验收智能化管理提供参考。

关键词： 图像处理   自动驾驶视觉联合感知   任务特征解耦   语义融合   双分辨率解耦  

摘要： 针对现有自动驾驶视觉联合感知算法耦合解码网络未考虑各子任务不同特征需求,导致检测任务内部竞争及边缘分割粗糙问题,提出一种基于任务特征解耦的自动驾驶视觉联合感知(TFDJP)模型。在目标检测解码部分,设计逐级语义增强模块及空间信息细化模块,聚合不同语义层次特征,对分类与定位子任务梯度流分离编码,减少子任务间内部冲突,同时在定位部分增加交并比感知预测分支,加强子任务间关联,提升定位精度。在可行驶区域分割及车道线检测解码部分,构建双分辨率解耦分支网络,对目标低频主体区域及高频边界像素分离建模,采用边界损失引导目标完成从局部到整体的训练学习,实现目标主体及边缘的逐步优化,提升整体性能。在BDD100K数据集上的实验结果表明,与YOLOP相比,TFDJP的目标检测平均精度提升2.7百分点,可行驶区域分割平均交并比提升1.3百分点,车道线检测准确率提升10.6百分点。相较于其他多任务模型,TFDJP实现了准确性与实时性的有效平衡。

关键词： 人工智能技术   现代食品检测   机器算法   计算机视觉  

摘要： 食品检测关乎国计民生,对社会经济的稳健发展和人类健康至关重要。本文以人工智能技术为研究切入点,阐述了其概念与技术原理,从食品安全、质量和真实性鉴别方面梳理了人工智能技术的分类、应用范畴与优势。结合现代食品检测需求,探讨了人工智能技术在食品检测中面临的挑战与应用趋势,为食品检测的智能化发展提供理论参考。

关键词： 柑橘   果园环境   目标检测   小目标   CBAM   Ghost   SimSPPF  

摘要： 为了实现柑橘采摘的智能化,果园环境中对柑橘快速而精准的识别成为关键.针对现有目标检测算法对环境的适应缺陷和效率低下的问题,提出一种基于YOLOv8n模型的轻量化柑橘成熟度检测算法YOLOv8n-CMD(YOLOv8n citrus maturity detection).首先,优化backbone网络结构,提高小目标检测能力;其次,添加CBAM注意力机制,改善模型分类效果;然后,引入Ghost卷积,将YOLOv8原模型中的颈部C2f模块与Ghost结合,减少计算量和参数量;最后使用SimSPPF模块代替原网络金字塔池化层,提高模型检测效率.实验结果表明:YOLOv8n-CMD算法相较于原模型的模型参数量和计算量分别减少了31.8%和7.4%,精准度提高了3.0%,更适合果园环境下的柑橘检测研究.

关键词： 机器视觉   自动化装配线   质量控制   图像处理   缺陷识别  

摘要： 文章围绕基于机器视觉的自动化装配线质量控制系统进行深入研究,提出了一套集成先进机器视觉技术的质量控制方案。通过使用高精度的图像捕捉设备和智能算法,对装配线上的产品进行实时质量监控,实现自动化识别与缺陷检测。介绍了机器视觉在自动化装配线质量控制中的应用背景和研究意义,详细阐述了系统设计的具体实施步骤,包括图像采集、图像处理和缺陷识别等关键技术。总结了研究成果,对未来的研究方向进行了展望。

关键词： 小目标检测   特征融合   空洞卷积   无人机图像   Swin Transformer  

摘要： 针对无人机(UAV)航拍图像中目标场景复杂、目标尺度多样、小目标密集和目标遮挡严重的问题,提出一种多尺度空洞卷积的UAV图像目标检测算法Swin-Det。首先,采用Swin Transformer作为主干特征提取网络,并在主干网络中引入空间信息交融模块(SIBM),从而解决因物体间遮挡而导致的目标信息模糊的问题;其次,提出一种融合空洞特征金字塔网络(FDFPN),通过多分支的空洞卷积融合特征信息,以有效提高网络的感受野以及特征信息的复用,使模型可以学习到不同维度的细节特征;最后,采用线性插值法和多任务损失函数解决预测区域不匹配和样本不平衡的问题,提升模型的检测精度。在VisDrone数据集上的实验结果表明,Swin-Det算法的平均精度均值(mAP)达到了27.2%,与原始Swin Transformer相比,提高了4.1个百分点,且在同一训练批次下收敛更快。可见,Swin-Det算法可在复杂场景下实现对无人机图像目标的高精度检测。

关键词： 低光照图像增强   上下文注意力   自适应融合   图像处理  

摘要： 在照明环境不良的情况下获取到的图像具有可见性低、对比度差、色彩失真以及噪声等问题,严重地干扰了其在后期图像处理中的使用。为了改善这种情况下采集图像的质量,以获得图像中更多有用的信息,针对上述存在的问题,提出了基于上下文注意力的自适应低光照图像增强方法。该方法首先通过卷积对图像进行初步的特征提取,获得四个不同上下文信息的特征;再利用含有像素和通道注意力机制的特征增强模块对提取出的特征进行提炼;最后将学习到的增强特征输入自适应融合调节模块与前面的浅层特征进行融合调节,恢复出符合真实光照的图片。实验结果表明:相比较于一些经典算法,所提出的方法在主观视觉感受上及客观评价指标(PSNR,SSIM,MAE)上均能够得到较好提升。

关键词： 目标检测   坐标注意力   非极大值抑制   YOLOV5  

摘要： 针对海洋牧场对海参、海胆及扇贝等目标生物,检测实时性和准确性的更高要求,提出了一种基于多聚合和多尺度的YOLOV5水下目标检测算法。该算法引入CIoU Loss损失函数以及DIoU-NMS非极大值抑制方法,以改善数据密集场景下目标漏检的问题;在网络中增加小目标检测层,提升小目标的检测精度;引入了坐标注意力机制CoordAtt,提取不同层次特征图的坐标信息;改进了特征融合网络结构,以提升目标检测坐标定位准确性以及获取更丰富的特征信息。在实验分析中引入了目标检测常用的平均精度(AP)、平均精度均值(mAP)以及检测速度作为评估标准,通过消融实验,以及与其他一阶算法结果进行对比验证算法的性能,实验结果显示该算法取得了更好的检测效果。