关键词： 卡通动漫人脸   目标检测   模型轻量化   深度学习   YOLOv5算法  

摘要： 许多知名的卡通动漫IP衍生出的大量周边产品和文化影响力带来了不可估量的商业价值。针对当下不经创作者同意就私自盗用知名动漫IP用于盈利用途的现象，提出一种基于YOLOv5算法进行改进的卡通人物脸部检测方法。首先基于高效率和低FLOPs的工程应用需求，使用FasterNet网络对YOLOv5原有的骨干网络CSPDarknet53进行替换和改进得到更加高效轻量化的模型。其次，针对卡通动漫形象脸部构成不规则的面部特点，利用非对称加权双向特征金字塔(ABiFPN)结构，对原特征融合模块进行改进来提升网络对矩形感受野的接收能力。测试结果表明，改进后的算法准确性提高、模型更加高效，相比于之前的YOLOv5模型，改进后的网络精确度达到了90.7%,提高了4.6个百分点，网络参数量减少了55%,能够满足实际使用需求。

关键词： 深度学习   机器人视觉   目标检测   YOLO算法   注意力机制  

摘要： 深度学习技术在机器人视觉系统中的应用日益广泛。通过对改进型YOLO算法的设计与优化，实现了机器人进行实时目标检测与识别。本研究采用改进的特征提取方法，在ResNet50骨干网络基础上引入注意力机制，显著提高了目标检测准确率。实验结果表明，改进后的算法在目标检测速度和准确性方面均优于传统方法，其平均检测精度提升15.3%，处理速度提升23.7%。该系统可以使工业机器人在视觉检测等实际应用场景中具有良好的适应性和稳定性。

关键词： 计算机视觉   物联网   智慧校园安防   高职院校  

摘要： 为了全面提高高职院校校园安全水平，实现智能化、自动化校园安防，文章在简要分析物联网(Internet of Things, IoT)与计算机视觉技术的基础上，设计了融合两项技术的高职智慧校园安防系统。该系统架构可明确划分为系统感知层、网络层和应用层，具备面向用户端的防火报警、视频监控、门禁系统等关键技术。测试结果显示，该系统运行稳定，通信效果理想，能很好地满足高职院校智慧校园安防的要求。

关键词： 滚装电梯   异常载客检测   YOLOv3-R   深度学习   目标检测  

摘要： 滚装电梯因高效运载而被广泛应用，但其异常载客行为存在安全隐患。传统检测依赖重量传感器、视频监控、人工巡检，存在实时性差、误检率高、成本大等问题。基于网络通信与服务器架构的AI检测，因受传输延迟与带宽限制的影响，存在检测延迟、数据丢失等风险。提出YOLOv3-R异常载客检测系统，采用高分辨率工业相机采集数据，并结合智能预处理与深度学习识别超载、闯入、违规运输等行为。结果表明，YOLOv3-R在精度、误检率、推理速度方面优于传统方法，可实现高效、低延迟的实时监测，为电梯安全管理提供智能检测方案。

关键词： RT-DETR   EMA   CAMixing   Shape-IoU   轻量化  

摘要： 在目标远距离和背景杂乱的红外成像场景中,由于噪声和背景纹理信息的干扰,导致图像中目标与背景对比度低、特征混淆,从而难以准确提取和检测目标。为应对这些难题,本文基于深度学习理论探索了一系列创新的红外微小目标检测方法。主要包括以下三个方面: (1)为了提高红外图像的对比度和细节可见性,本文在图像预处理阶段引入了改进的双边滤波算法对原始图像进行分解,有效保留边缘细节的同时平滑噪声。并结合动态范围增强(DDE)与多尺度Retinex(MSR)算法的优点对图像进行增强。实现图像动态范围的扩展和多尺度亮度信息的融合,从而强化了目标区域的特征表现。该改进方法显著提升了目标区域的可分辨性,有效抑制了背景干扰,为后续检测模块提供了更加清晰和高质量的输入数据。 (2)针对现有检测网络在红外微小目标检测任务中存在的特征提取能力不足、定位精度不高等问题,本文对RT-DETR网络进行了结构性优化,提出了三项关键改进措施:首先,在Backbone中引入EMA注意力机制,增强多尺度特征表示能力,改善微小目标在不同尺度下的感知效果;其次,在级联上下文融合模块(CCFM)中引入CAMixing卷积注意力机制,从空间和通道两个维度提升对细粒度目标的关注能力;最后,改进预测框筛选规则,引入Shape-Io U优化回归过程,采用ATFL提升网络分类能力。实验结果表明,改进后的算法相比原算法,平均精度(m AP)提升了3.2%,并在不同复杂背景下展现出良好的鲁棒性和适应性。 (3)为了进一步提高模型的运行效率和适应性,本文进一步进行轻量化设计,提出了一种基于轻量化RT-DETR的目标检测模型。通过替换主干网络和特征融合模块,显著降低了模型的计算复杂度。实验结果显示,改进后的方法在红外图像目标检测任务中的最高推理速度达到了157FPS,参数量减少了55%,FPS提升了26%,在实现高效检测的同时保留了较高的检测准确率,具备良好的工程实用价值。 综上所述,本研究提出的方法在提升图像质量、优化网络结构和提高运行效率方面取得了显著成效,为红外弱小目标的准确检测提供了新的解决方案。

关键词： 合成孔径雷达   目标检测与识别   卷积神经网络   超参数优化  

摘要： 合成孔径雷达(Synthetic Aperture Radar,SAR)凭借其全天时、全天候的工作特性在卫星、飞机、无人机等平台上广泛应用,遂行海洋监测、地形测绘、灾害预警等民生保障和制导火控和预警监视等国防军事任务。SAR图像目标检测与识别是SAR图像解译的核心技术,是实现高效信息挖掘与态势分析的重要技术途径。在宽覆盖、高分辨SAR成像技术趋势下,基于电磁散射机理的传统目标检测与识别方法存在复杂度高、准确率低、普适性差等不足,致使算法难以在端侧部署,需部分下传至地面高性能计算平台进行处理,导致信息完整性与时效性受损。随着神经网络处理器(Neural Processing Unit,NPU)算力功耗比大幅提升以及SAR成像数据的大量积累,基于深度学习的SAR目标检测和识别技术成为热点。本文基于现有的深度学习方法开展研究,对相关模型进行改进,进一步增强针对SAR图像目标的检测与识别效果,并基于某国产NPU对模型进行部署与优化,支撑该技术在端侧的部署与实际应用。本文主要工作如下: 1、提出了一种基于改进YOLOv8的SAR图像目标检测与识别方法,以提高复杂背景条件下SAR图像的目标检测与识别效果。该方法通过在骨干网络(Backbone)中引入残差空洞多速率卷积模块,增强多尺度特征融合能力;在特征融合网络(Neck)部分引入混合空洞残差注意力模块,通过空洞卷积与注意力机制的结合,提高对复杂目标的表征能力。基于SAR-AIRcraft-1.0数据集开展实验,实验表明改进方法在复杂背景下的检测精度与召回率上均取得显著提升。 2、提出了一种基于贝叶斯优化的超参数调优方法,以加速模型训练的超参数调优过程,进一步提高改进方法的检测精度。该方法通过阶段性加速收敛策略,通过分步调整搜索空间,有效提高了超参数优化效率。在较少的迭代次数内完成了模型超参数的高效调优。 3、基于国产NPU构建计算平台并部署改进模型,测试模型在该计算平台上的推理效率和检测精度。通过混合量化、算子融合以及模型融合等技术优化模型在计算平台的性能,实测验证了部署后模型的实时性与有效性。

关键词： 计算机视觉   视频插帧   特征匹配   超分辨率修复   疾病分类诊断  

摘要： 随着医学影像技术的快速发展,医学影像已成为临床诊断的核心依据。然而,传统的人工分析方法在处理庞大且复杂的影像数据时,效率低、工作量大,难以满足现代医疗对高效、低误差容忍的需求。因此,基于人工智能的医学影像分析与辅助诊断技术成为提升诊断质量与效率的关键。计算机视觉技术在疾病诊断、影像重建和图像配准等智能医疗应用中展现出巨大潜力。然而,医学影像种类繁多,其成像模式、数据分布及应用场景均存在显著差异这种复杂性导致相同的计算机视觉方法在不同医学影像场景下执行相同任务时可能表现出显著差异,往往需要应对特定医学场景下的挑战。因此,解决多场景医学影像分析与辅助诊断的挑战,仍是当前医学影像研究的重点任务。 为应对这些亟待解决的问题与挑战,本论文围绕医学影像分析与辅助诊断课题中的四个关键研究展开,主要研究内容如下: 提出了一种创新的运动聚焦分解视频帧插值技术,克服了现有技术在复杂叠加运动轨迹估计中的局限,尤其是医学视频中常见的目标与背景运动叠加导致的帧插值伪影问题。框架通过新颖的运动分解公式,将目标与背景运动分离,分别进行轨迹预测和插值计算,有效去除了复杂运动的干扰。在静态背景下,该框架仅对运动目标进行插值预测,大幅提高了效率并节约了计算资源。实验验证了该方法在胎儿心脏超声视频及自然视频中的优越性,有效解决了医学视频帧率压缩导致可读性差的问题,表现出广泛的临床应用前景。 提出了一种创新的特征匹配方法,有效解决胃肠内窥镜视频中因组织受到挤压、镜头移动等因素引起的特征严重形变、模糊,导致难以准确匹配特征的问题。通过新颖的桥接策略,将特征变形过程逐步分解,采用二次非线性中间插值帧模型预测形变过渡过程,从而实现精确的特征匹配。此外,为突破传统线性运动假设的局限,首次提出了基于至少六张光流图的双向预测二次非线性运动模型,精确拟合复杂的非线性运动轨迹,显著提高了中间帧的生成质量。该方法还设计了针对不同运动模糊类型的去模糊网络,增强了方法的鲁棒性,并构建了一个大规模的胃肠内窥镜影像数据集,支持多种医学任务。 提出了基于扩散模型的超声医学影像超分辨率修复模型,旨在高效恢复低质量超声影像中的细节,生成高分辨率图像以支持临床诊断。通过将传统的随机噪声扩散过程替换为均值回归驱动的随机微分方程,引导噪声流动至低质量图像,优化去噪过程,进而实现高精度图像修复。此外,研究引入对比学习损失,进一步优化生成结果的一致性,提高超分辨率影像的结构保真度和医学可信度。研究还构建了一个包含胎儿心脏超声影像的大规模数据集,涵盖多种解剖结构与病理状态。 提出了一种医学结构感知的多视图联合辅助诊断端到端框架,专注于胎儿先天性心脏病的异常诊断,突破了现有方法仅关注四腔心切面视图的局限,综合多个切面视图中的病理信息,提升了诊断准确性。通过创新的联合诊断策略,框架能够有效整合不同视图中的潜在病理线索,增强了对模糊超声图像中细微分类线索的识别。研究结合类激活映射技术,精准定位心脏关键结构,并引入额外的解码器进行像素遮挡重构,从而优化编码器的特征提取能力,提升对胎儿心脏结构和细节特征的理解。该方法在高质量内部测试集上取得了94.22%的准确率,在外部验证集上取得了83.67%的准确率,均优于所对比的近年来热门的先进方法。此外,本研究构建了一个面向胎儿心脏筛查的超声影像大规模数据集,并引入外部数据验证。

关键词： 智能优化算法   杆件优化   目标检测   精准对穴覆土  

摘要： 马铃薯是中国西北旱作物之一,为抑蒸保墒,采用了先覆膜后破膜播种的栽培模式,能有效解决水分缺失而影响播种的问题,在中国西北寒旱作区得到了大面积的推广应用。针对该栽培模式,孙伟等研发出了双曲柄多杆式马铃薯膜上打孔种植机,但目前其核心部件双曲柄多杆式膜下成穴机构会出现撕膜、挑膜的问题,另一个核心部件对穴覆土装置会出现重覆、漏覆的问题,这些都会对马铃薯的生长造成严重的影响,造成显著的马铃薯产量损失。因此,需要对这两个核心部件进行改进优化,遏制当前的这些问题。为此,结合现有研究现状,通过对智能优化算法和图像识别领域进行了解,本文提出了用改进PSO-GA算法进行双曲柄多杆式膜下成穴机构的多元耦合优化和基于YOLOv4-tiny的马铃薯膜上穴孔检测系统的精准对穴覆土装置。具体研究内容如下: (1)对于成穴机构的结构优化提出了一种整体角度分析的思路,该思路更全面的还原了机构对作业对象的影响,同时为了表征双曲柄多杆式膜上成穴机构的破膜大小和土壤扰动程度,构建了3个性能参数,并建立了关于这3个性能参数的目标函数。同时,设计了一种适用于多元耦合函数优化的混合智能优化算法,使用CEC2017测试集的F4和F15测试函数对改进的PSO-GA进行性能对比测试,测试结果表明新算法在耦合的环境下和混合地形环境下表现出了强大的综合寻优能力,为复杂机构参数优化提供了一种高效解决方案。 (2)将改进PSO-GA混合智能优化算法对目标函数进行优化,得到双曲柄多杆式膜下成穴机构的九个几何参数的最优解,采用Recurdyn动力学仿真软件对优化结果进行了运动学验证,结果显示双曲柄多杆式膜下成穴机构的破膜宽度缩小了87.34%,穴孔的垂直投影最大宽度缩小了84.98%。 (3)基于机械式的动作与电子信息控制结合的思路,设计了一种基于YOLOv4-tiny的马铃薯膜上穴孔识别检测系统,通过试验表明该系统检测的平均准确率为98%,单帧处理时间为66 FPS,在实际的田间作业环境中可以实现较好的实时检测性和抗干扰性。而后研制一种基于该系统的精准对穴覆土装置。 (4)将优化完毕的双曲柄多杆式膜下成穴机构和改造后的精准对穴覆土装置应用在马铃薯膜上打孔种植机上,进行田间试验,试验结果表明,双曲柄多杆式膜下成穴机构的膜下播种深度合格率为92%,穴孔错位率为2%、穴距合格率为93%、地膜采光面机械破损程度平均值为28.10 mm/m2;基于马铃薯膜上穴孔检测系统的精准覆土装置膜孔全覆土率为99%、对穴覆土宽度合格率为96%、对穴覆土厚度合格率为92%,可以满足双曲柄多杆式马铃薯膜上打孔种植机的作业要求。

关键词： 目标检测   目标跟踪   深度学习   YOLO   DeepSORT   视频数据处理  

摘要： 人工智能技术的快速发展正在改变着人类的生产生活方式,计算机视觉的智能化已成为该领域的重要发展方向。基于深度学习的特征学习方法通过多层结构自动提取图像深层特征,提升了模型的识别精度。这一进步为目标检测与跟踪任务提供了重要支撑,推动了计算机视觉技术的发展。 随着复杂场景下视觉任务需求不断增加,现有算法面临多方面技术挑战。传统方法中,基于人工特征设计的算法受限于特征表达能力,存在泛化能力较弱、难于应对复杂情况等缺陷;采用滤波机制的跟踪算法容易受到背景干扰,在多目标跟踪场景中发生身份切换问题。基于深度学习的方法在目标被遮挡、低光照等复杂情况下,预测置信度可靠性直线下降;浅层细节特征与深层语义特征融合不充分,影响复杂场景下的目标检测精度。针对上述情况,本研究以YOLO模型为核心对多目标检测和跟踪算法进行研究与改进,主要研究工作如下: 1)本研究提出改进型YOLOv5＿CBAM模型,优化了YOLOv5模型在实际应用中存在的目标注意力缺失与定位精度低的问题,模型在进行特征提取中采用卷积注意力(Convolutional Block Attention Module,CBAM)模块,通过同步实施通道与空间策略,大幅改善模型的提取能力;采用最小点距交并比(Minimum Point Distance based Io U,MPDIo U)损失函数优化计算方式,通过几何解耦方式提升了检测框的定位精度。本研究提出YOLOv8＿Bi FPN增强框架应对原始算法在复杂场景下特征提取融合不足问题,构建双向金字塔(Bidirectional Feature Pyramid Network,Bi FPN)特征融合模块来增强模型对多尺度目标的表征能力;引入结构化交并比(Structure-aware Io U,SIo U)损失函数配合惩罚机制减少回归偏差。两种优化方案在实验场景下均表现优异,前者在推理速度上更具优势,后者检测精度更高,使用不同的改进方案应对不同场景的需求。 2)针对目标跟踪特征表征不足问题,本研究提出改进型DeepSORT算法,在骨干网络通过双分支网络并行提取RGB与灰度图像的空间特征,重构重识别模型的特征嵌入空间,并引入基于均分特征图的重识别训练方法,增加模型的稳定性和精准性,改进后的DeepSORT框架在多目标跟踪精度和身份切换次数(ID Switch)等关键指标上均有所提升。 3)在工程实践方面,本研究设计并实现了一套基于改进型算法的实时视频数据处理与分析系统,系统采用自适应平衡计算资源的动态匹配机制在保持实时响应的能力同时,降低遮挡导致的ID切换率。