关键词： 计算机视觉技术   EIP-CDIO理念   教学改革   课程思政   项目化  

摘要： 针对当前计算机视觉技术课程教学目标不明确、重理论轻实践、思政元素融入不足、课程考核机制不全等问题,分析计算机视觉技术课程体系结构、教学模式、学习难点和能力瓶颈等因素,提出构建基于EIP-CDIO理念的创新教学改革模式,并结合当前国家信创战略的热潮,在项目化的教学实践中融入CDIO理念的同时,将EIP理念与课程思政有机结合,引导学生树立正确的价值观和职业观。实践证明,这种教学模式有效地提高了学生的自主创新能力和工程实践能力,显著提高了教学质量。

关键词： 安全工程   动火作业   目标检测   空间深度转换卷积模块   注意力机制  

摘要： 确保动火作业过程中多种安全防护品的配置是预防人员受伤的有效途径。为了解决复杂动火场景下安全防护品的实时监测问题,设计实现了一种基于YOLOv5的改进目标检测算法,记为Hot work-YOLOv5s。首先,在YOLOv5s算法的主干网络中嵌入空间深度转换卷积(Space-to-Depth Convolution, SPD-Conv)模块以取代原有的步幅卷积和池化下采样,减少细微特征信息的丢失。随后,在残差模块引入无参注意力机制(Simple, parameter-free Attention Module, SimAM),以增强特征表达能力,提高网络速度;最后,将原网络的边界框回归损失函数优化为WIoU(Weighted Intersection over Union)损失函数,采用动态非单调聚焦机制,加速网络收敛。在自制的动火作业安全防护品的数据集上,改进后的模型平均检测精度达到了96.8%,每秒处理帧数达到了89帧,所提出的算法满足动火作业人员安全防护品检测任务的准确性与实时性的要求,同时在场景干扰较大、受光照影响的成像上也有很好的检测效果,给动火场景下安全防护品的快速检测提供了一种新的方法。

关键词： 孪生网络   目标跟踪   无锚框设计   无填充   通道注意力  

摘要： 孪生(Siamese)网络是解决视觉目标跟踪任务的一种重要方法。无填充孪生网络(SiamDW)的跟踪器采用区域推荐网络(RPN)来进行目标的定位,需要预先设置锚框的高宽比等超参数,不仅调参繁杂,而且跟踪的准确率较低。为解决此问题,提出一种考虑通道注意力且无锚框的孪生网络目标跟踪方法。该方法以SiamDW为基线,引入无填充的DenseNet来提取目标的特征;在通道特征拼接的时候加入通道注意力模块,以提高目标特征的表征力;在无锚框设计的时候,采用一种矩形范围的方式对正负样本进行划分。实验结果表明,在VOT2016和VOT2018数据集上,该算法跟踪的准确率分别比基线算法提高3百分点和6百分点。

关键词： 云计算   消息中间件   弹性伸缩   图像处理  

摘要： 针对传统系统在处理海量图像数据时,常面临并发处理能力有限和扩展性差的问题。本文提出了一种基于消息中间件和云函数的高性能弹性伸缩处理系统架构,以解决这些挑战。该架构利用消息队列实现任务的异步解耦和队列缓冲,以提高系统并发能力。同时,借助云函数的弹性计算特性,实现图像处理服务的按需伸缩,从而确保高效处理能力,降低成本,并提升资源使用效率。实验结果表明,该架构可显著提升处理性能,并实现弹性扩展,为大规模图像数据的实时处理提供了重要价值。

关键词： 基础模型   视觉语言模型   提示   自然语言处理   计算机视觉  

摘要： 提示工程在自然语言处理领域已经得到广泛研究。全面考察了提示在图文问答基础模型、图文检索基础模型和影像生成模型3大类视觉语言基础模型上的前沿研究,针对每种模型介绍了提示方法,并进行详细总结和深入讨论。此外,简要介绍了基于提示的单模态基础模型,讨论了视觉和语言等模型间的异同。最后,总结了视觉语言基础模型的挑战、未来方向和研究机会。

关键词： 人工智能   深度学习   智能文本识别   计算机视觉   数智技术  

摘要： 农发行聚焦数字金融,探索智能文本识别关键技术的研究、应用和推广,将深度学习应用于文本图像自动识别领域,创新运用多任务检测、融合连接时序分类和注意力机制,实现文本图像的智能检测、识别、时序建模和分类,并构建多模态融合、数据情境感知、智能模型嵌入的智能文本识别应用生态,推动普惠金融、运营管理、信贷管理、数字函证、国际结算等业务流程重塑和再造。本文探索拓展以智能文本识别、生物特征识别等为代表的计算机视觉技术在政策性银行的应用,构建智能识别服务体系,助力智慧农发行建设。

关键词： 管道焊接   焊缝缺陷检测   计算机视觉   深度学习   卷积神经网络  

摘要： 文中研究了管道焊接领域焊缝缺陷检测方法的现状及发展趋势。通过对传统非破坏性检测方法和计算机深度学习技术检测方法的综合比较,发现传统方法在准确性和效率方面存在局限性。因此,引入计算机深度学习技术,介绍了基于各种算法的焊缝缺陷检测方法。结果表明,这些方法在焊缝检测中优于传统方法。未来将引入新的模型,使管道焊缝检测技术向自动化和智能化、全数字化和信息化发展,并探索其在实际工程中的应用前景,以提高管道焊接质量和安全性。

关键词： 图像处理   特征点匹配   SURF算法   KD-Tree   三维重建  

摘要： 为了提升图像在三维重建过程中特征点匹配时的准确率,提出了一种基于改进SURF(speeded-up robust features)的图像特征点匹配算法。首先,将SURF的64维度描述符提升至128维度;其次,在SURF算法引入KD-Tree模块,利用BBF(best bin first)最近邻查询机制实现特征点匹配;最后,通过对同一数据集进行旋转、缩小,并利用传统算法和改进SURF算法分别对图像进行特征点匹配实验,验证改进SURF算法的有效性。结果表明:改进SURF算法的特征点匹配正确率达到了89.19%,相较于传统SURF算法提高了17.62个百分点;特征错误匹配数由85减少至31,显著降低了特征点的匹配误差;运行时间由1.956 s缩短至1.647 s,进一步提升了算法的运行速度。改进后的SURF算法具备正确率高、误差小、速度快的特点,可为三维重建特征匹配工作提供重要的参考。

关键词： 深度学习   YOLOv5   目标检测   视障群体  

摘要： 社会的发展与多样化给人们的生活带来了很大的便捷,而对于视障群体来说,由于视觉上的缺陷,他们在复杂的新环境中独立出行存在着巨大的挑战。通过对视障群体的需求进行分析,提出了一种新的助盲产品思路,一个基于YOLOv5的新型助盲导航APP,通过摄像头进行图像识别,构建环境信息,利用语音帮助视障人士感知周围环境。此外,还提出一种优先级算法,该算法用于确定环境信息的重要性和紧迫性,以确保视障人士能够快速准确地获取相对重要的信息。

关键词： YOLOv8   轻量化   遥感图像目标检测   跨尺度特征融合   损失函数  

摘要： 为了满足遥感图像目标检测任务中轻量化和快速推理的需求,提出了一种基于改进YOLOv8s的轻量化遥感图像目标检测算法(A Lightweight Object Detection Network for Remote Sensing Images, LOD-RSINet)。首先,提出基于SENetv2机制构建的C2SE(C2f-SENetv2)模块,在略微增加模型参数量的同时让网络更有效地学习到输入数据的不同特征,提升特征表达的精细度和全局信息的整合能力;其次,设计一种轻量级跨尺度特征融合模块CCFM,以增强模型对于尺度变化的适应性和对小目标的检测能力,在不影响模型检测精度的情况下降低了参数量并提高了检测速度;最后,引入了一种Shape IoU损失函数,通过关注边界框本身的形状和尺度来计算损失,从而使边界框回归更加准确。实验证明,改进后的算法在DIOR数据集上的检测精度mAP50和mAP50-95分别达到了0.867和0.668,参数量GFLOPs降低了5.61百分点,检测速度FPS提高了5.94百分点,性能表现优于其他对比方法,能够在轻量化的同时提高模型的目标检测能力。