关键词： YOLOv8算法   目标检测   AlphaPose姿态识别   作弊行为检测  

摘要： 在考试监控领域,深度学习技术的应用对于提高作弊检测的准确性和效率至关重要。结合YOLOv8算法和AlphaPose姿态识别模型,构建一个既能快速检测异常行为又能精准判断作弊行为的考试作弊行为检测系统。通过改进数据结构和优化网络结构,仅使用身体数据进行模型训练,使得模型更加专注检测与作弊行为相关的身体动作,从而提高系统的鲁棒性和适用性。实验结果表明:系统对作弊检测的实际准确率在95%左右,能够有效区分正常行为和作弊行为,为考试监管提供了强有力的技术支持。

关键词： YOLOv8   目标检测   粉尘识别   深度学习  

摘要： 在特定工业环境中产生的粉尘不仅对设备的运行和维护构成损坏,更对工人的健康和环境产生威胁,因此,对粉尘进行实时有效的检测并及时采取相应的措施具有重要意义。文章基于YOLOv8目标检测基础模型,进行了多项改进。引入了动态上采样器DySample,以增强对不同尺寸粉尘目标的检测能力,提升小目标粉尘的检测精度。另外,在工业环境中,粉尘检测通常存在复杂的背景,如机器设备、管道等,这些背景可能会干扰模型的判断,导致误检。为了改善复杂背景下的检测性能,将Dynamic ATSS标签分配策略应用于训练过程中的正负样本分配阶段,通过动态调整预测框和真实框重叠程度的指标(intersection over union,IoU)阈值,使得正样本的选择更加符合粉尘目标的分布特性,提高检测器的泛化能力。实验结果显示,改进后的模型相比传统YOLOv8模型,在粉尘目标检测的精度、召回率以及mAP等指标上均有提升,其中精度提升10%,召回率提升3%,mAP50提升5%左右,且在应对复杂背景和多尺度目标时表现更加优异。这种方法提供了新的技术支持和思路,为粉尘检测在工业环境中实现自动化和智能化提供理论依据。

关键词： 显著性引导图像   自适应融合   注意力增强特征   金字塔网络   改进Faster-RCNN   遥感图像   目标检测  

摘要： 目标检测作为遥感图像处理领域的关键任务之一,一直是遥感图像处理的研究热点。尽管深度学习方法在此领域取得了显著进展,但在应对遥感图像的尺度变化和复杂背景时,仍面临着不小的挑战,这在一定程度上限制了检测精度的进一步提升。为了解决这个问题,提出了一种创新的遥感图像目标检测方法,该方法融合了显著性引导的图像自适应融合模块,并对Faster-RCNN进行改进,提升目标检测的准确性。首先,在图像预处理阶段提出了一个基于显著性引导的图像自适应融合模块,有效地集成了图像的语义信息和浅层细粒度的细节,使模型能够优先考虑对象区域,同时最大限度地减少背景干扰。其次,在引入MobileNetV3作为Faster-RCNN的特征提取器后,提出了一个注意力增强特征金字塔网络,将注意力与上采样结合起来,进一步增强了目标特征并输出高质量的特征图,从而有效提升了多维特征的提取效果,为后续的目标检测任务提供了更为精准和丰富的特征信息。再次,设计了一个多尺度区域建议网络,这种设计能够更准确地捕获不同大小和形状对象的特征,进而增强特征的表达能力,有效提升目标的检测精度。最后,在DIOR和ROSD数据集上进行实验验证,所提出的网络模型相较于其他先进方法展现出了更高的检测精度,充分证明了其优越性和有效性。

关键词： 无人机   路径规划   协同覆盖   图像处理  

摘要： 为解决多无人机区域协同覆盖的问题,提出一种基于奖励函数的实时协同覆盖算法。首先建立环境地图模型,根据先验信息划分为:待覆盖区域、已覆盖区域、边界区域以及禁飞区域;并采用矩阵运算实现地图的快速更新。根据无人机的动力学特性,建立无人机的运动模型。根据动态窗口预测无人机的路径,结合地图信息使之实现障碍物回避,并在陷入困境时,利用图像处理技术和改进A*算法引导无人机飞行。最后进行了仿真,结果表明提出的协同覆盖算法有很高的鲁棒性和覆盖效率。当运行到1200步长时,所提算法的覆盖率为:96.66%,相较于贪婪算法、预测算法和无引导算法分别提高了:33.7%、30.5%和16.05%。

关键词： 股骨颈骨折   体层摄影术   螺旋计算机   图像处理   计算机辅助   诊断  

摘要： 目的 探究64层螺旋CT三维重建技术诊断老年股骨颈骨折的临床价值。方法 采用随机数字表法将我院2021年4月至2023年2月收治的62例股骨颈骨折患者分为2组,各31例。对照组采用新东方1 000 UA型透视摄影X射线机检查,观察组则采用64层螺旋CT三维重建技术进行检查。对比2种方法在老年股骨颈骨折中的诊断准确度、解剖部位分型诊断符合率、影像学检查表现分析。结果 相比于对照组,观察组诊断老年股骨颈骨折准确度较高,漏诊率较低(P<0.05)。以临床检查结果为“金标准”,相比于对照组,观察组解剖部位分型诊断符合率较高(P<0.05)。结论 64层螺旋CT三维重建技术在老年股骨颈骨折诊断中应用价值较高,可有效提升诊断准确度,且与解剖部位分型诊断符合率较高,为临床进一步诊疗提供可靠参考,值得推广应用。

关键词： 模式识别技术   图像处理   图像模式识别   图像分析   应用流程   运用探讨   应用验证  

摘要： 图像处理是图像分析应用的重要前提,而模式识别则是一种高效的图像处理技术。因此,本文简单介绍了模式识别技术,论述了模式识别技术在图像处理中的应用流程,并对模式识别技术在图像处理中的应用验证进行了进一步探究,希望为图像模式识别的实践推广提供一些参考。

关键词： YOLOv5   带钢表面缺陷   注意力机制   特征融合   轻量化结构   目标检测  

摘要： 为解决现有目标检测方法对带钢表面缺陷检测精度不高、效率低下的问题,提出一种GS-YOLO(Gather-anddistribute-Squeeze-YOLO)模型检测表面缺陷。首先,在骨干网络中,引入SE(Squeeze-and-Excitation)注意力机制,以显著增强模型对缺陷特征的识别与定位能力;然后,将原始C3模块中的传统卷积替换为Ghost卷积,从而有效降低模型的参数量与计算量;最后,在模型颈部引入GD(Gather-and-Distribute)特征融合模块取代传统路径聚合网络(PAN)和特征金字塔网络(FPN)架构,从而确保特征融合的连续性,并提高不同规模目标的识别准确度。实验结果表明,与原始的YOLOv5s相比,所提模型的精确率、召回率和mAP@0.5分别提升了1.32、5.18和2.56个百分点,而计算量减少了0.4 GFLOPs,充分表明所提方法在兼顾检测精度提高的同时,降低了模型的计算量。

关键词： 目标检测   毫米波雷达   神经网络   数据融合   施工安全  

摘要： 针对目前纯视觉方案的安全帽检测算法难以兼顾精度与实时性的问题,本文利用毫米波雷达与视觉融合技术,提出一种基于嵌入式设备实时检测电力作业人员是否佩戴安全帽的智能识别算法。首先,对毫米波雷达和相机数据进行空间和时间融合;其次,基于目标生命周期方法对雷达数据进行有效目标筛选,设计状态滤波粗检测作业人员,并计算出图像感兴趣区域(ROI)映射到图像;然后,对多ROI的情况设计去重与合并方法;最后,基于YOLOv5模型,采用改进的轻量级网络ShuffleNetv2作为骨干网络,提高网络运行速度,在ROI中对人员是否佩戴安全帽进行检测。在电力现场搭建实验平台并将该方案与现有的纯视觉方案进行对比实验,结果表明该方法在检测精度有所提高的同时,实时性大幅提升,可以在作业现场实现基于嵌入式设备的实时检测。

关键词： 病害   计算机视觉   苹果   Transformer编码器   自监督学习  

摘要： 为了缓解苹果叶部病害(apple leaf diseases,ALD)识别存在“类内差异大、类间差异小”的问题,该研究设计了一种融合Transformer与原型自监督(fusion transformer and prototype self-supervised,FTPSS)的模型,以进一步提高ALD识别精度。首先,利用Resnet50作为骨干网络,以提取ALD图像的多级特征图谱;然后,构造了一个简化自注意力(simplified self-attention,SSA)机制,且将其与空间注意力引导可变形卷积(spatial attention guided deformable convolution,SAG-DC)相结合,设计了一种简化自注意力可变卷积Transformer(simplified self-attention and deformable convolution transformer,SSADC-TF)编码器,用于对主干网络提取的多级特征图谱进行交互融合,以增强模型对ALD图像中不规则病变区域的感知能力;最后,构造了一个原型自监督(prototype self-supervised,PSS)学习模块,即通过构造“正交”与“聚集”二个自监督损失函数用于约束模型的训练,以缓解ALD图像识别中存在的语义鸿沟问题。基于标准图像集与真实图像集的对比试验结果表明,ALD图像经SSADC-TF逐层特征融合与PSS学习之后,FTPSS模型识别精度分别达到98.61%与98.73%,较基线模型分别提高5.15与4.49个百分点,能够满足智慧农业ALD识别的应用需求。

关键词： 动作识别   骨架模态   图卷积网络   视频分类   计算机视觉  

摘要： 动作识别方法在计算机视觉领域取得了显著的效果,其中图卷积网络是动作识别任务的一种重要手段,在提取图结构数据的特征中表现出了卓越优势。然而,现有的图卷积动作识别网络仍存在一些问题,如过度依赖预定义骨架拓扑图结构、大时间卷积核计算成本高且缺乏灵活性等,这些问题极大限制了模型的表达能力和鲁棒性。文中提出了一种基于骨架数据的自适应瓶颈层多尺度图卷积动作识别方法,自适应空间模块对骨架拓扑图结构和参数进行优化学习,从而增强模型灵活性和适应性;瓶颈层多尺度时序模块提高时间建模能力,通过减少通道宽度来节省计算成本和参数。为验证所提方法的有效性,在大型骨架动作识别数据集NTU-RGB+D和NTU-RGB+D 120上进行实验。结果证明,改进后的算法的准确率得到了一定提升。