关键词： 软件工程   自然语言处理   深度神经网络   计算机视觉   数据挖掘   图像处理   辨识技术   深度学习  

摘要： 随着数字经济的飞速跃进,深度学习技术犹如一股强劲的驱动力,正逐步塑造并引领着各行各业的科技创新格局。近年来,深度神经网络作为深度学习的核心架构,其强大的学习与泛化能力使得机器辨识技术在众多领域大放异彩,展现出独特的应用价值与巨大潜能。本文旨在深入剖析深度学习与软件工程之间的紧密联系,细致探讨深度学习在软件工程领域的多元化应用,如自然语言处理、图像处理与计算机视觉、数据挖掘与预测分析等。通过本文的深入分析,期望能够为软件工程领域带来新的视角和方法论,推动该领域在智能化、自动化和高效化方面取得更大的突破。

关键词： 虚拟试衣系统   计算机视觉   增强现实   算法与实现   人体建模   三维建模   沉浸式   电商平台  

摘要： 随着直播带货模式的兴起,消费者对线上购物体验的需求日益提升,越来越希望能在购买前直观、真实地感受衣物的穿着效果。本文探究了应用于电商直播带货的在线虚拟试衣系统的算法与实现过程,结合增强现实、计算机视觉、三维建模及机器学习技术探讨了人体建模、服装变形与贴合、光照与材质渲染等关键技术。该系统不仅能够提升电商直播带货的互动性和转化率,还能够降低电商成衣系统的退货率,提高电商平台的购物效率与客户满意度。本文旨在通过技术创新,为用户打造一个沉浸式的购物环境,让虚拟试衣成为电商直播带货领域的新标配,进一步推动服装零售行业的数字化转型与发展。

关键词： 基坑工程   目标检测   YOLOv7   风险识别  

摘要： 针对复杂工程现场人员、材料、机械设备等多种目标精准识别难的问题,本文采用基于YOLOv7框架的目标检测模型,通过航拍图片、场地实拍、视频流切片等方式制作并增强数据集,结合迁移学习、冻结训练等方式进行模型训练,并通过剔除小目标数据的方式增强了工程目标的检测精度,使得mAP(全类平均准确率)提高到79.47%,大大提高了对工程目标的识别精度和速度。

关键词： 机器视觉   实时检测   零件破损   目标检测   工业自动化   图像处理   特征提取   智能制造  

摘要： 随着工业自动化和智能制造的快速发展,对零件质量的实时监控变得尤为重要。本文提出了一种基于机器视觉的零件破损实时检测方法,能够提高生产效率和产品质量。该方法利用高分辨率工业相机采集零件图像,通过图像预处理、目标检测算法等来识别零件表面的破损。通过对大量标注数据的训练,建立了一个能够实时响应的检测系统,该系统能够自动识别并标记出破损零件。采用YOLOX-DC检测算法,不但能够提高网络的收敛速度,还可以增强网络检测性能。为了提高YOLOX-DCD网络的鲁棒性,本文对图像进行了数据增强地操作,运用 LabelImg 标注程序针对破损损伤予以标注,获取到 PASCAL VOC 格式的标注数据。此外,本文还探讨了系统的反馈与优化机制,以及如何将该检测系统应用到现有的流水线中。实验结果表明,该方法具有高准确性和实时性,能够显著提高生产的智能水平。

关键词： 智能传播   国际传播   计算传播   社交机器人   人像政治   计算机视觉   社交媒体平台   Twitter  

摘要： 人像在政治传播活动中具有特别意义,以人像为中心的视觉政治实践近年来面临传播媒介的社会化、平台化与智能化挑战。研究以海外社交媒体平台Twitter的涉中国议题为切入点,结合社交机器人识别技术和计算机视觉技术,观察以社交机器人为代表的算法代理如何影响当今人像政治的社交媒体实践。结果发现,Twitter社交机器人通过操纵性别、视觉年龄等人口特征,五官、表情等容貌特征,以及大小、位置、拍摄角度等画面特征的可见性,自动化地参与涉中国视觉议题的内容生产,并与人类用户的视觉传播活动形成显著差异。机器用户在顺应社交媒体平台社会化传播逻辑、力求引导社交流量的同时,又从根本上服务于政治逻辑,在涉中国议题上借助视觉手段塑造、加固海外社交媒体平台用户的刻板印象与政治偏见。技术逻辑、平台逻辑与政治逻辑相互交织并作用于当今人像政治实践,改塑了视觉政治生态以及个体认知与情感体验。

关键词： 工件识别   目标检测   机器视觉   YOLOV7   深度学习  

摘要： 鉴于传统的基于模板匹配和简单机器学习算法在工件识别任务中的不足之处,提供了一种基于改进YOLOv7的工件识别方法。该方法主要聚焦于修改卷积层,将YOLOv7深层网络的标准卷积层替换为改进的卷积层,以提高网络计算速度并提高识别精度。其次,通过修改K-means聚类方法重新对数据集参数进行聚类操作,以获得更匹配工件识别的预测框。此外,引入了改进的空间金字塔池化算法,在保持感受野不变的情况下检测速度获得了提升。实验结果显示,在工件识别任务中,与传统的YOLOv7算法相比,改进后的方法提升了识别精度,并且加快了检测速度。

关键词： 目标跟踪   图像处理   小目标船舶   运动特征   特征融合   先验信息   混合注意力模型   YOLOv5  

摘要： [目的]旨在解决由于小目标船舶特征不显著导致网络模型识别率低的问题,提出基于图像与运动特征融合方法。[方法]在小目标船舶图像特征不明显的情况下,融合运动特征信息,丰富小型船舶的特征表达,同时提出混合注意力模型。在数据驱动条件下加入船舶目标先验信息,提高模型对关键特征的感知和利用能力。[结果]在720P分辨率图像中能实现10×10像素的小目标船舶识别,识别距离达到4 km范围,实现了广域船舶识别与定位功能。[结论]改进后的目标识别网络既具备像素级别的小目标船舶检测能力,同时又具备对环境噪声的抗干扰能力,突破了网络模型对小目标船舶识别率低的瓶颈。

关键词： YOLOv8   无人机   小目标检测   轻量化   特征融合  

摘要： 针对无人机图像目标像素低、背景复杂、模型部署难等问题,提出一种基于YOLOv8的轻量级多尺度特征融合小目标检测算法。为了降低网络参数量,提高模型检测速度,使用fasternetblock替换C2f的bottleneck,构建轻量化特征提取模块FasterC2f;为了增强模型多尺度特征融合能力,设计全新的聚焦扩散特征金字塔结构,使颈部网络每层特征图都聚焦三层特征信息;设计共享卷积检测头,在优化模型参数量的同时,让每个检测头都包含不同尺度特征信息;重构小目标检测网络,采用更大尺度的三层检测头,提高模型对小目标的特征学习能力。在Visdrone数据集上的实验结果表明,与YOLOv8s相比,该模型的精确率、召回率和mAP分别提高了5.1%,5.4%和6.6%,参数量降低了68%,模型文件体积减少了15.3 MB,FPS提高了16%,表明该模型具有检测精度高、检测速度快、模型易部署等优点。

关键词： 绝缘子   目标检测   迁移学习   Faster-RCNN  

摘要： 针对在室外复杂背景下绝缘子缺陷识别准确率低的问题,提出了一种改进的Faster-RCNN算法,该算法使用ResNet50+FPN替代了原始的骨干网络,并在网络中引入CBAM注意力机制。之后使用K-mean算法定制了锚选框的尺寸,提升对小目标的检测精度。采用在COCO数据集上训练的权重来进行迁移学习。实验结果表明,改进模型相比于原算法,对绝缘子各类缺陷的平均检测精度提升了4.4%,具有一定的工程应用潜力。

关键词： 污水处理厂   智能巡检机器人   快速响应二维码   目标检测   精准定位   深度学习   单次多边框检测算法  

摘要： 为解决污水处理厂加盖封闭后带来的巡检难题,可利用巡检机器人精准定位标识有特征二维码的检测盖板,并打开盖板以获取被巡检区域内的关键信息。由于传统二维码检测技术无法满足高精度的定位需求,提出一种改进的单次多边框检测(SSD)算法。在SSD算法对快速响应(QR)二维码区域进行粗定位的基础上,通过中值滤波和自适应二值化处理,采用透视变换方法矫正变形图像,利用边缘提取和定位码筛选的方法实现对QR二维码的精准定位。构建污水处理厂检测盖板QR二维码数据集,选取图像采集中常见的5种工况进行试验。试验结果表明,相较于开源计算机视觉库(OpenCV)算法,改进SSD算法识别率平均提升约5%、开盖率平均提升约32%,大幅提高了智能巡检效率。该算法有效解决了复杂工业场景下的二维码图像定位问题。