关键词： 轨道异物检测   目标检测   图像识别   深度学习  

摘要： 铁路运输安全非常重要,轨道上的异物可能引发事故,造成损失。为了提高检测过程的效率,引入了一种创新的检测框架来跟踪外来物体,利用目标检测和图像识别方法的协同作用。利用YOLOv5的深度学习技术,自动、准确地识别轨道外物体。YOLOv5结合图像识别技术,便具备了较强的异物分类能力。系统通过多尺度特征图识别不同大小的异物,采用数据增强技术,显著增强了模型跨不同场景的泛化能力和稳定性。YOLOv5的适应性框架可以很容易地配置模型,以满足各种特定需求。经过图像数据预处理和训练,系统可以自动提取关键信息,实现准确检测。实验表明,改进后的系统在检测精度和实时性上均优于传统方法,为铁路安全管理提供了一种高效可靠的技术。未来的研究将探索先进的模型结构和多模态数据,结合迁移学习,以提高系统性能。

关键词： 目标检测   未爆弹   YOLOv8n   注意力机制   通道剪枝  

摘要： 未爆弹因其隐蔽性强、位置分布复杂、易于意外引爆等特点,对公共安全构成严重威胁。目前深度学习在目标检测方面取得重大进展,但由于未爆弹数据集收集制作难、应用范围有限等客观因素,加之深度模型体积大,导致深度模型对未爆弹检测精度不高且不能轻量化部署于无人排爆装备。对此提出了一种基于改进YOLOv8n的轻量化未爆弹检测方法。通过在骨干网络中引入基于跨空间学习的高效多尺度注意力模块EMA用于增强特征提取,同时运用Network Slimming模型剪枝策略以损失一定精度换取模型体积、运算量的大幅降低和帧率的大幅提高。实验表明,使用所提方法改进后的模型与原模型相比,在精度上提升3.4%,模型大小减小31.5%,运算量减小33.8%,FPS帧率提高29.2%。

关键词： 计算机图形学   图形图像处理技术   信息采集   参数控制  

摘要： 计算机技术在现代社会中的广泛运用有助于提升大部分工作质量和效率,包括图像生成、处理在内,这为计算机图形学与图形图像处理技术的运用提供了空间。以计算机相关技术特点为切入点,分析其应用场景,并以建模工作为例研究其应用主要流程、技术要点。最后,从智能化、共享化角度出发,对计算机图形学与图形图像处理技术的发展趋势进行简述,以服务技术的进一步运用。

关键词： 深度学习   卷积神经网络   目标检测   船舶数据集  

摘要： 为促进深度学习在船舶检测领域的进一步发展,对基于深度学习的目标检测技术的进展进行梳理,对其优点和局限性进行分析和总结,并以典型技术为线索对目前流行的船舶检测算法进行分析。在此基础上,对船舶检测领域常用的评价指标和船舶图像数据集进行介绍,并对当前基于深度学习的船舶检测技术存在的问题和未来的发展方向进行探讨。研究成果可为深度学习在船舶检测领域的应用提供一定参考。

关键词： 模式识别   图像处理   复钩机器人   火车钩舌   目标识别   YOLOv5  

摘要： 为了准确识别不同类型钩舌,确保自动复钩机器人能够根据火车连接钩舌状态实时调整机械臂的位姿,提出了一种基于改进YOLOv5的火车连接钩舌识别方法。首先,将YOLOv5主干网络中原有的C3模块替换为梯度流丰富的C2F模块(cross feature module),YOLOv5颈部网络中原有的C3模块替换为基于FasterNet模块构建的轻量化C3_FasterNet模块,并将CoordConv模块嵌入到YOLOv5的主干网络末端。其次,基于现场实测的火车连接钩舌图像进行了识别测试。结果表明:改进的YOLOv5算法在降低模型参数量的同时,可以有效提升对钩舌目标的检测精度,火车钩舌识别精度达到了98.7%,相较于原始算法,模型参数量减少了10.8%。研究结果为复钩机器人在执行钩舌复位和车厢连接操作方面提供了一种有效的解决方案。

关键词： 板形检测   平直度   投影光条法   图像处理   智能矫直系统  

摘要： 针对多样化板材零件矫直,采用投影光条法对板形平直度检测进行了研究,旨在解决单件板材零件在矫直前、后的板形识别问题。通过研究光条图像的滤波去噪、边缘检测算法和中心线提取方法,并对条纹图像处理算法进行了大量的计算机仿真实验对比,选取了适合本系统的光条图像处理方法,实现了对板材零件的平直度计算和板形重构。研究结果表明,该系统的检测误差小于±0.5 mm,对于规则形状板材零件的板形识别,系统响应时间为1.5 s;对于有孔的不规则形状板材零件的板形识别,其系统响应时间为1.8 s。该方法可有效用于矫直系统中各类金属板材零件的平直度检测,并能显著提高矫直系统的自动化和智能化水平,是一种非接触式全局测量方法,能有效克服传统测量方式对板材表面的损伤。

关键词： 深度学习   遥感图像   小目标检测   类别不均衡   焦点损失  

摘要： 针对遥感图像目标检测因目标尺寸小和类别不均衡而导致的误检、漏检和置信度低的问题,提出了一种基于深度学习的目标检测方法。该方法的核心在于提出细粒度上下文模块构建主干网络,设计特征分化结构以增强对应尺寸目标的特征表达,定义自适应双重焦点损失函数替换交叉熵损失函数。提出的方法命名为细粒度特征分化网络。通过在RSOD、DOTA-1.0和VisDrone-2019三个公开的遥感图像数据集上进行实验,发现细粒度特征分化网络的mAP@0.5比基准模型YOLOv5s的相应指标分别提高了3.9百分点、4.2百分点和4.8百分点。实验结果表明,所提方法能够进行高效的遥感图像目标检测。

关键词： YOLOv8   深度学习   水下目标检测   注意力机制   PIoU  

摘要： 针对由于水下环境背景复杂、能见度较低、光照分布不均匀等因素导致网络特征提取不充分的问题,提出了一种基于YOLOv8n改进的YOLOv8n-DSP水下生物目标检测方法。首先,在YOLOv8n的特征提取主干网络中添加DBB(Diverse Branch Block)模块,将其与C2f模块进行融合,使其组合不同尺度和复杂度的多个分支,丰富特征空间,强化网络的特征提取能力;然后在空间金字塔池化前加入加权注意力机制(SimAM),使模型的关注点自适应调节,增强在复杂场景下的表征能力;最后为进一步提高目标检测框定位精度,将已有的CIoU更换为PIoU(Powerful-IoU),使得目标检测框更好地回归。结果表明:YOLOv8n-DSP网络相较于原来的YOLOv8n网络在mAP@0.5和mAP@0.5:0.95分别提升了2%和2.2%。

关键词： 目标跟踪   雷达观测器轨迹规划   策略梯度   奖励函数  

摘要： 在目标跟踪过程的雷达观测器轨迹规划(OTP)中,针对马尔可夫步进规划智能决策问题,在离散动作空间上,提出了一种基于蒙特卡罗策略梯度(MCPG)算法的雷达轨迹规划方法.首先,联合目标跟踪状态、奖励机制、动作方案和雷达观测器位置,将OTP过程建模为一个连续的马尔可夫决策过程(MDP),提出基于MCPG的全局智能规划方法.其次,将跟踪幕长内的每个时间步作为单独一幕来进行策略更新,提出基于MCPG目标跟踪中观测器轨迹的步进智能规划方法,并深入研究目标的跟踪估计特性,构造以跟踪性能优化为目的的奖励函数.最后,对最优非线性目标跟踪过程中基于强化学习的智能OTP决策仿真实验,表明了所提方法的有效性.

关键词： 计算机视觉   人工智能   深度学习   微创外科   术中导航  

摘要： 计算机视觉技术作为人工智能的一个重要分支,近年来在微创外科领域得到了广泛关注。在具体应用中,计算机视觉技术能够实时分析术中视频,自动识别各种手术器械,确保医生在手术过程中能够准确无误地使用工具,降低因操作失误引发的风险。同时,动作识别技术能够实时监控手术步骤,判断操作是否符合规范。这一过程不仅为外科医生提供了即时反馈,也为手术团队的协作提供了支持,提升了整体手术效率。此外,计算机视觉技术还可用于手术持续时间的预测,优化手术室安排和资源配置,而在手术过程中,具备纱布实时检测功能,能够有效识别是否有物品遗留在患者体内,及时发出预警,从而避免潜在的医疗错误。这种智能监控机制为手术的安全性提供了更为可靠的保障。当前计算机视觉技术在微创外科应用中仍面临一些挑战,例如在不同手术环境下的适应性和算法的准确性等方面仍需要进一步完善,仍存在一定的伦理和隐私问题,在政策和法规方面也尚在完善中,但该技术的引入无疑为微创腹部外科手术带来了新的机遇。本研究在梳理计算机视觉技术在微创腹部外科手术中的工具器械检测应用、解剖结构检测应用、手术操作动作识别与阶段识别、安全监控预警等方面应用实践的基础上,探讨该技术的发展现状,从不同角度展示计算机视觉技术的发展潜力,并提出问题和应用挑战,以期为计算机视觉技术在微创腹部外科手术中的应用研究提供参考。