关键词： 房树人测试   目标检测   特征提取   特征融合   绘画分类  

摘要： 房树人(HTP)绘画测试作为一种心理分析方法,与传统心理筛查方式相比,具有非语言性、投射性等优势,广泛应用于心理问题的发现与研究。然而,其依赖人工评定,分析结果易受主观偏差影响,且难以适应大规模测试需求。现有基于机器学习的端到端方法和多模块方法在房树人绘画分析中,难以准确捕捉绘画特征与心理状态间的关系,并且存在分析精度不足等问题。 针对上述问题,本文提出了一种结合计算机视觉和多维特征融合的多模块房树人绘画心理分析方法。该方法通过绘画元素检测、关键对象特征提取、多维特征融合和绘画心理投射分类协同作用,提高了房树人绘画分析精度及负向心理特征绘画筛查的准确率,为心理问题筛查提供了有力支持。本文的研究内容和成果如下: (1)针对房树人绘画检测中精度不足和模型参数冗余问题,优化了YOLOv10n模型。通过将标准卷积替换为深度可分离卷积、引入动态蛇形卷积、使用EIo U优化损失函数,并替换检测头为v10Detect＿LSCD,降低了模型计算复杂度,提高了绘画检测精度。 (2)为准确提取房树人绘画中关键对象的形状特征,对Sketch-DeepNet网络进行了改进。在RDP算法中引入基于邻近点距离的动态分割策略,并简化多点采样过程。将改进后的RDP算法作为Sketch-DeepNet的下采样机制,并结合双重注意力机制,提升了网络对关键对象的形状分类性能。 (3)采用特征拼接策略融合多维特征,以增强特征的表达能力。针对融合后存在线性不可分问题,采用核支持向量机进行心理投射分类,提高了绘画心理投射分类的准确性。 (4)设计并实现了一个基于全局异步非阻塞技术的心理分析系统,包含绘画测试、分析和结果展示等功能。其中,系统核心算法为本文提出的基于轻量化YOLOv10与特征融合的房树人绘画心理分析方法。 在房树人绘画相关数据集上进行实验,结果表明,相比原始模型改进后的YOLOv10n在绘画元素检测中,m AP50提升了1.2%,计算量降低了2.3 GFLOPs。相比原始网络改进后的Sketch-DeepNet在形状特征提取中,提取准确率提升了5.44%。在最终的绘画心理投射分类任务中,基于轻量化YOLOv10与特征融合的房树人绘画心理分析方法达到了91.50%的分类准确率。该方法有效降低了推理开销,并能高效筛选负向心理特征绘画,在绘画心理分析相关研究中具有实际应用价值。

关键词： 深度学习   船舶目标检测   特征融合   注意力机制   软件系统  

摘要： 船舶作为人类探索海洋、联通世界的核心载体,在民用领域,船舶通过促进海上贸易、资源开发与科技合作,持续赋能全球经济与可持续发展;在军事维度,船舶目标检测与识别技术可以实时监测船舶的运行状态,对船舶的航线规划提供帮助,还可以实时监控敌军船舶的位置、航向和速度及类型,为战术决策提供情报。目前,由于受到复杂海洋环境条件、船舶识别数据集缺乏、不同尺度和方位条件下的船舶目标成像差异大等不利因素影响,模型在识别时表现出识别精度低,目标检测性能不能满足实际应用需要等问题。针对上述问题,本文开展了复杂背景下多尺度船舶目标检测与识别技术研究。主要完成了以下方面工作: (1)构建了 SAR船舶检测数据集SSDD和高分辨率SAR图像数据集HRSID,并对数据集中的图像进行了预处理。形态学的权重自适应图像去噪方式进行去噪处理来改善图像质量;对数据集中的船舶目标数量,大小和类别分别进行了统计;对处理后得到的图像使用K-Means聚类算法获取锚框以优化目标检测模型的性能。 (2)提出了一种基于SAR图像与YOLOv7目标检测算法的复杂场景下多尺度轻量级船舶目标检测与识别模型,称为SC-YOLO。首先使用轻量化主干网络GhostNetV2来提升模型检测速度,其次为了更好的特征提取和提升模型的精度,在主干网络中引入CA-M注意力机制来提高精确度,加入ASPP特征提取模块来提高准确性和效率,并且采用SIoU损失函数以提高模型在复杂背景中从海洋船舶图像中提取相关特征的能力,最后使用网络修剪来压缩网络模型以减小模型大小和计算量提高模型的检测速度。实验结果表明,本研究所改进的模型参数为51.6M,在SSDD和HRSID数据集上的检测速度为56.7f/s,检测精度分别达到了 91.56%和91.74%,与其他主流模型相比均达到最高。 (3)构建了基于SC-YOLO目标检测网络的船舶目标检测与识别软件系统并完成测试。首先,进行了系统需求分析,之后构建了符合用户需求系统功能框架。用户登录系统后,即可利用目标检测与识别网络对图像、视频中的船舶目标进行实时检测。系统能够高效识别船舶目标的大小、位置信息,并即时反馈目标在图像中的坐标位置及识别置信度。

关键词： 堆叠废旧手机分拣   大语言模型   多智能体   计算机视觉   知识图谱  

摘要： 随着废旧手机数量的迅猛增长,如何实现高效、智能化的回收处理已成为资源循环利用领域亟待解决的重要课题。受限于市场上手机型号的多样性和传统专用拆解设备的局限性,现有人工分拣方式存在效率低下、成本高昂、准确性不足等问题。基于深度学习、计算机视觉和多智能体系统等前沿技术,本文提出了一种面向废旧手机的智能分拣方法,研究内容主要包括以下几个方面: 首先,针对堆叠状态下废旧手机的位姿估计问题,分析了复杂堆叠场景下手机定位与识别的核心挑战,设计了一种基于改进型Mask RCNN实例分割与ICP点云配准的位姿估计方案。通过构建涵盖真实和合成数据的堆叠手机数据集,结合多模态特征提取与优化配准方法,实现了高精度的手机分割与位姿估计。实验结果表明,该方案在复杂堆叠环境中的分割精度和位姿估计准确率均有显著提升。 其次,为系统性集成废旧手机拆解知识,构建了专用的知识图谱体系。通过本体构建、信息抽取及知识图谱化技术,对废旧手机拆解流程与关键技术信息进行多维度关联,实现知识的系统集成与重用。拆解知识图谱为后续智能分拣系统提供了知识推理和决策支持,提高了拆解路径规划和设备执行的准确性与效率。 进一步,针对智能分拣系统的协作与运行问题,设计了一种基于多智能体协同架构的智能分拣系统。系统由视觉感知、分拣决策和数据优化三个核心功能模块组成,并引入管理层智能体实现模块间的高效协同。通过模块化设计和任务分解,智能体系统在复杂场景中展现出优异的适应性与可靠性。 最后,结合实验评估,验证了本方法的有效性与可行性。实验结果表明,改进后的Mask RCNN模型在实例分割任务中的性能显著提升,训练过程中引入合成数据与真实数据混合策略进一步强化了模型的鲁棒性。此外,基于多智能体的分拣系统在应对多样化手机型号和复杂堆叠场景时表现出较高的分拣准确率和运行效率。结果表明本章所提的堆叠废旧手机位姿估计算法精度ADD-S达到5.56mm,速度达到每帧0.85/s。

关键词： 车辆检测   复杂交通场景   多尺度特征融合   频域信息   复合颈部结构  

摘要： 智能车辆的环境感知技术是实现其自主决策的核心基础,涉及多学科交叉与技术融合。当前研究已取得显著进展,但仍面临多维度的技术挑战。智能车辆的视觉方案是实现环境感知的核心技术路径之一,视觉目标检测技术在常规场景下已趋近成熟,但极端环境适应性、小目标检测能力及实时性约束仍是核心挑战。 针对现实交通场景复杂多变、车辆间遮挡严重、检测目标尺度分布跨度广等问题,致力于提升车辆目标检测和定位精度,本文分别从扩大模型感受野、多尺度特征融合、结合频域信息抑制干扰、缓解信息传播损失、增强特征提取性能等方面进行了模型改进,基于开源的交通场景数据进行了验证和泛化实验,并对检测效果进行可视化分析。具体研究内容如下: (1)针对交通场景小目标、遮挡目标检测和定位精度低的问题,以及检测效果易受对比度变化及图像噪声影响,提出一种改进的车辆目标检测模型YOLO-CDC,并与YOLOv8n轻量模型进行对标: 首先,提出了一种结合Transformer结构全局特征提取能力的多分支模块C2Former,并设计了重感知的门控线性单元优化Transformer分支非线性表达能力,实现高质量全局信息聚合; 其次,设计了多尺度特征融合分支整合特征:结合可变形卷积和SPDConv模块提取P2层高分辨率信息,捕获更精细的边缘特征;设计引入大核卷积及频域特征的CSP＿FRM模块用以平衡计算负担; 最后,构建一种特征增强模块:采用大核卷积与条状卷积扩大感受野补充上下文信息,结合非跨步卷积补充局部细粒度信息;采用了一种多频单通道注意力形式与通道特征结合以及设计一种耦合空间和频域信息的注意力机制抑制图像噪声和背景干扰。 对比YOLOv8n模型,YOLO-CDC模型在UA-DETRAC数据集上召回率和m AP50-95指标分别提高2.8%和3.6%,在SODA10M数据集上召回率和m AP50-95指标分别提高3.1%和4.1%,验证了模型在现实交通检测场景下的检测和定位精度,且对远距离、密集目标,以及路侧、遮挡、弱光和局部过曝光场景中具有更优质的检测效果。 (2)针对交通场景困难检测目标特征提取不足的问题,提出一种改进的车辆目标检测模型YOLO-NPDL,并与YOLOv8s精度模型进行对标: 首先,为减少逐层信息瓶颈造成沿网络深度方向的信息丢失,提出一种具有复合主干的颈部结构:设计基于三重尺度特征融合的辅助检测分支,增强特征提取性能;精简颈部结构中的上采样路径,减少深度方向上的信息丢失;将辅助检测分支与颈部主干网络中的信息加权跳跃融合,提高模型表征能力; 其次,引入结构重参数化模块Rep Block,在训练过程中采用多分支结构提高模型特征提取性能;添加P2检测层捕捉更多小目标细节特征,丰富网络内小目标的特征信息流;采用Dynamic Head检测头,将尺度、空间和任务自注意力机制融合到统一框架中,提高检测性能; 最后,采用基于层自适应幅值得剪枝算法进行模型轻量化改进,提升实时检测性能。 对比YOLOv8s模型,YOLO-NPDL模型在UA-DETRAC数据集上召回率和m AP50-95指标分别提高0.3%和2.7%,在SODA10M数据集上召回率和m AP50-95指标分别提高5.2%和4.4%,验证了模型在现实交通检测场景下的检测和定位精度,且在雨天、夜间等检测场景无明显误检、漏检情况,检测性能更加稳定。

关键词： 距离测量   双模态图像   深度学习   目标检测   时间序列  

摘要： 在警戒探测领域，目标距离信息获取十分重要。传统的测距手段，如雷达测距和激光测距，因在使用过程中需要主动向目标发射电磁或激光信号而存在可能暴露自身位置的风险，具有一定的局限性。为了解决这一问题，提出了一种基于单目双模态图像处理的智能测距算法。该算法利用计算机视觉技术和深度学习模型，通过对目标进行图像采集和分析来实现非接触式被动测距。首先利用单目相机获取目标的图像序列，并通过预训练的深度神经网络（Deep Neural Networks,DNN）模型对这些图像进行目标特征提取；再采用图像成像原理结合深度学习技术，通过神经网络预估成像原理测距误差来估计目标与观测点之间的相对距离。在条件约束下，该算法的测距误差低于10%。经过对连续帧和长时序列校正策略进行的消融实验表明，相较于单帧输入，平均误差降低了0.74 km，平均百分比误差降低了3.69%，对于远距离被动测距应用具有参考意义。

关键词： 物候识别   遥感数据   气象数据   深度学习   目标检测  

摘要： 准确识别玉米物候信息有助于优化农业管理,提高农业生产效率,确保粮食安全。遥感技术的发展为玉米物候信息的准确识别提供了数据和技术支持。然而,现有的识别方法存在一定的局限性。一方面,利用观测站点、人工采集的地面验证数据获取较难,其时空分辨率受到一定限制。另一方面,现有方法对作物的精细物候期的研究较少,传统遥感方法提取物候期通常需要全年的数据采集完成后才能进行分析,这对实时获取作物生长信息提出了挑战。为了实现玉米物候期的高精度识别以及区域尺度的实时监测,本研究融合多源遥感数据开发了一个大区域尺度的玉米物候实时监测的研究方法,并利用深度学习算法模型对无人机收集物候数据进行训练,用于地面验证数据的扩充。 针对地面验证数据不足的局限,本研究利用改进的YOLOv6模型训练无人机采集的玉米物候数据用于拓展地面验证数据。在YOLOv6颈部网络引入了空间和通道重构模块（RCBlock）和高效多尺度注意力模块（EMABlock）改进模型性能,降低了模型卷积的空间通道冗余,提高了每个尺度特征的提取。实验结果表明,RCBlock和EMABlock模块的加入使模型的平均准确率（mean average precision,mAP）提高了2.1%,其中参数量和浮点运算数分别减少了2.91M和2.68G,mAP50达到97.9%,mAP75达到80.5%,大中型目标的mAP分别提高了1.9%和2.6%,整体召回率达到98.57%。为地面验证数据扩充模型的构建提供了基础。 对于玉米物候期的区域尺度监测,本研究创新性的将玉米的绿红植被指数（GRVI）为零的时间节点(DOYGRVI=0)作为模型特征选取的重要时间节点,并利用DOYGRVI=0对应的遥感反射率数据及累积气象数据融合构建遥感数据集,借助XGboost模型训练。实验结果显示,模型在训练集和测试集中的R2高于0.95和0.65,整体识别误差小于5天,此外,通过地面收集的无人机数据与遥感识别结果进行交叉验证,展现较小的识别误差（开花期:≤7天、成熟期:≤5天）。值得一提的是,该模型能够利用早期遥感特征预测达到目标物候期所需的累积光照,无需全年时间序列数据能实现玉米物候期的实时识别。 借助遥感技术,本研究实现了大区域尺度的玉米物候期监测,结合深度学习算法与无人机技术扩充了地面验证点,为高精度、大区域物候识别提供了新的研究思路。

关键词： 图像分类   恶意软件分类   轻量级网络   计算机视觉  

摘要： 随着互联网的普及与网络技术的不断发展,恶意软件已成为网络安全的一大威胁。传统恶意软件检测方法主要依赖于特征匹配和行为分析,难以满足实际需求。通过引入计算机视觉技术,对恶意软件进行可视化处理并用卷积神经网络进行分类在一定程度上突破了传统方法的局限性。然而,当前网络模型通常需要大量的计算资源,难以满足实际需求。此外,恶意软件类别不均衡使得网络模型难以学习有效的分类特征,导致模型偏向多数类别而忽视少数类别,给实际应用带来了挑战。 本文致力于提高恶意软件分类准确率与分类效率设计了更加高效的BCM-MobileNetV3。基于卷积神经网络中空间特征贡献不同,提出CSRU(跨空间重组单元)来增强特征表达以提升分类准确率。基于不同通道特征的贡献不同,通过通道排序和通道剪枝删减低贡献特征通道以节省计算资源。除此之外,本分深入分析Maloid-DS数据集的类别不平衡问题,采用数据增强生成更多样本,并通过引入Focal Loss提升模型对少数类的识别能力。通过实验,恶意软件的分类准确率和精确率分别提升了3.5%和3.1%,并且数量较少的类别的分类准确率提升更明显。实验结果表明本文提出的方法有效提升了恶意软件分类能力,有效缓解了类别不平衡带来的影响。本文的具体工作如下: (1)提出了CSRU(跨空间重组单元),通过空间注意力机制学习空间重要性并设定权重阈值对特征进行拆分,再对分离后的特征进行交叉融合以减少空间冗余并增强特征表达。 (2)根据特征通道的贡献度对其进行优先级排序然后进行分支处理以实现网络对不同特征通道的不同关注,并通过剪枝掉贡献最低的特征通道以节省计算资源加快模型推理速度。 (3)通过深入分析Maloid-DS数据集,针对数据集的类别不平衡问题,采用数据增强技术生成更多样本以提升模型对少数类别的识别能力,并进一步引入Focal Loss,通过调节聚焦参数降低易分类样本权重,迫使模型关注难样本与少数类。 图[26]表[17]参[75]

关键词： 柑橘病害   YOLOv8   目标检测   注意力机制  

摘要： 柑橘作为一种重要的经济作物,其患病问题严重影响着果实的产量和品质。然而,柑橘患病叶片形态具有极高的复杂性,不仅在颜色、纹理上呈现多样化的病变特征,而且形状也因病害种类的不同而千差万别,同时患病种类繁多,涵盖了诸如褐斑病、炭疽病、溃疡病等多种常见且危害性较大的病害类型。传统人工观察方式在面对如此复杂的情况时,暴露出了诸多局限性。一方面,检测人员需要耗费大量的时间和精力对每一片叶片进行仔细甄别,检测速度极为缓慢,难以满足大规模果园的快速检测需求。另一方面,人工观察的准确性很大程度上依赖于检测人员的经验和专业知识,主观性较强,容易出现误判和漏判的情况,这对于柑橘病害的及时防控极为不利。 为有效解决这些问题,本文深入探索并提出了一种基于YOLOv8改进模型的柑橘叶片病害检测方法,旨在实现快速、准确且自动化的病害识别。在改进模型过程中,首先在网络的SPPF层之后接入了MHSA多头自注意力模块。多头机制的引入使得模型能够从不同的维度和侧重点关注输入特征。其次,针对柑橘叶片形状多变的特点,将网络中部分C2f模块中的常规卷积核替换为DCNv2可变形卷积核。可变形卷积能够依据输入特征的实际几何形状,为标准卷积核灵活地添加偏移量,使得卷积核能够动态地适应叶片的轮廓和病斑的不规则形状,从而提高了模型对不同形状病害叶部的适应性,避免了因叶片病害处形状不规则而导致的特征提取不充分或不准确的问题。 之后通过多个渠道搜集柑橘叶部病害数据集并使用数据增强技术扩充数据集。经过一系列的实验对改进后的YOLOv8模型进行了全面的性能评估。实验结果表明改进后的模型相较于原始的基准模型在多个关键指标上均取得了显著的提升。不同模型对炭疽病、树脂病和褐斑病三个病害类的mAP值方面,YOLOv4平均精度均值达到86.57%,YOLOv5平均精度均值达到86.94%,YOLOv8平均精度均值达到88.49%,YOLOv8+MHSA平均精度均值达到90.71%,而YOLOv8+MHSA+DCNv2平均精度均值达到92.27%,改进后的模型展现出了更强大的检测能力和精度。此外改进模型在召回率、查准率、F1分数、AP值都取得了全面的领先。同时随着训练次数的迭代,模型的训练损失值和验证损失值均有所下降,这表明模型在训练过程中的收敛速度加快,稳定性增强,能够更加有效地学习到柑橘叶片病害的特征。 最后根据系统需求分析设计了柑橘叶部病害识别系统。用户通过网页上传病害图片,经过系统处理并预测,成功实现了柑橘叶部病害识别的可视化。本文提出的改进YOLOv8模型为柑橘叶片病害检测提供了一种高效、可靠的解决方案,有望在柑橘种植产业的病害防控环节发挥重要作用,推动柑橘产业朝着更加智能化、精准化的方向发展,为果农带来显著的经济效益和社会效益。

关键词： 牛体尺测量   三维点云   多视角点云配准   目标检测   关键点检测  

摘要： 养牛业是畜牧业的重要组成部分,牛只的生长状况和市场估值直接影响养殖户的经济效益和市场竞争力。牛体尺是评估牛只健康、生长潜力和肉质质量的重要指标,精准测量有助于优化养殖管理和资源配置。人工测量费时费力,成本高,容易受主观因素影响。尽管当前自动测量技术发展迅速,但由于环境复杂多变、牛只站立姿势不一等因素对测量精度和稳定性造成影响,相关技术在实际应用中仍面临诸多挑战。 为解决这些难题,本研究设计一种多视角融合的全姿态牛体自动测量系统。在室外自然光照下,系统在通道不同位置部署三台双目相机,全面捕获牛只图像。采用YOLOv8n目标检测算法作为触发控制器,系统可自动采集多个视角同一帧的RGB图像、深度图像和三维点云。不同视角三维点云经过点云预处理后,成为局部牛体点云。利用点云粗细配准技术,将局部牛体点云配准成完整的三维牛体点云模型。 HRNet关键点检测算法精准识别不同视角RGB图像中的二维关键点,并结合相机内部参数及对应深度图的深度信息,将其映射到三维牛体点云模型上,生成三维关键点。基于这些关键点,系统可在不同姿态下自动测量体高、体长、腹围和胸围等关键牛体尺数据。为降低环境干扰对测量精度的影响,特别是围度数据的缺失和变形问题,引入支持向量机、曲线融合和贝塞尔曲线进行拟合与修正。 为验证自动测量系统的实用性和准确性,本研究对47头原产于中国的华西肉牛进行实地测量。将自动测量结果与人工测量结果进行对比分析,体高、体长、腹围和胸围时的平均相对误差分别为2.32%、2.27%、3.67%和5.22%,验证了系统的高精度与可靠性。 本研究相比于其他研究在更复杂的室外环境中开展实验,即使在牛只非标准站立姿势下,仍能保持较高的测量精度。该系统不仅为畜牧业中牛体尺的自动测量提供新方案,也为其他动物的体尺测量提供重要参考。相比以往基于室内受控环境的研究,具有更广阔的应用前景,为牲畜体型自动测量领域带来新的技术突破和思路。