关键词： 目标检测   YOLOv5   小目标   特征增强   坐标卷积  

摘要： 为解决无人机高空拍摄面临的小目标聚集不易识别、可提取特征少的问题,提出一种特征空间与坐标卷积结合的小目标检测算法。在YOLOv5网络架构中加入特征空间模块(feature spatial model,FSM),利用卷积为不同特征的感受野分配自适应权重,增强主干网络特征提取能力;将坐标卷积模块(coordinate convolution model,CCM)嵌入模型颈部,精准定位目标所在位置,提高密集场景下小目标检测精度;删减原始层并添加小目标检测层,减少语义损失,充分提取浅层特征图中信息,强化高空图像中微小目标检测性能。实验结果表明,在VisDrone2019数据集上,改进后模型的精确率较YOLOv5提高4.1个百分点,mAP@0.5和mAP@0.5:0.95分别提高4.6个百分点和3.2个百分点,从而验证了提出模型在无人机检测小目标场景中具备有效性。

关键词： 图像增强   计算机视觉   深度神经网络   多粒度建模  

摘要： 在夜间低照度光照条件下,火箭发射初期的箭体表面细节难以得到有效呈现,而现有基于红外、激光雷达的成像手段存在作用距离受限、纹理细节信息缺乏等不足,严重影响火箭运行状态的有效观测。本文从光学相机拍摄的低照度图像出发,利用人工智能算法重构具有清晰细节和自然色彩分布的正常图像,针对低照度图像具有的信噪比低、色彩偏差、噪声严重等问题,受多粒度建模思想的启发,提出多粒度信息融合卷积块,进而构建多粒度信息融合卷积网络。该网络能够在受限的特征中提取更丰富的多粒度特征信息,以提高增强图像的视觉质量。通过与现有图像增强算法的对比实验,证明所提算法在低光照条件下能够获得更好的图像增强效果,在评价指标上优于现有增强方法;在夜间火箭发射场景下,所提算法能够有效增强箭体表面细节信息。

关键词： 图形图像处理软件   Web前端设计   Photoshop软件   网站   应用  

摘要： 在5G网络时代背景下,网站成为人们获取信息、进行交流的重要平台,人们在使用网站的过程中,不仅重视其使用质量还关注网站的界面美观度,为了满足人们对网站的审美要求,需要将图形图像处理技术应用到Web前端设计中,为用户提供优质的视觉体验。该文章简单介绍图形图像处理软件和Web前端开发技术,分析图形图像处理软件在Web前端设计中的应用价值,从页面布局设计制作方法、Logo的设计制作方法、视频设计制作方法和图像融合处理方法等方面探讨图形图像处理软件在Web前端设计中的有效应用,旨在为相关研究提供参考。

关键词： 行人检测   YOLOv7   注意力机制   ASPP   损失函数  

摘要： 目的:针对当前行人目标检测算法中存在的一些产生误检和漏检的情况,提出基于YOLOv7改进的目标检测算法。方法:首先,采用通道注意力机制与YOLOv7中的聚合网络(Efficient Layer Aggregation Networks,ELAN)模块融合,改进成S-ELAN(Squeeze-ELAN)模块,用于强调检测目标的特征重要性;然后,采用空洞空间卷积池化金字塔(Atrous Spatial Pyramid Pooling,ASPP)替换掉原始算法主干网络中的SPPCSPC(Spatial Pyramid Pooling and Cross Stage Partial Connections)模块,用于增强感受野;最后,使用WIoU(Wise Intersection over Union)损失函数对训练模型进行优化。结果:改进后的YOLOv7算法对行人目标识别准确率达到90.26%,相较于普通YOLOv7算法提高1.64%,平均精确度达到61.3%,相较于YOLOv7算法提高2.06%,检测速度相较于原模型提升2.86 f/s。结论:改进后的算法模型,整体泛化能力和性能得到了较大提升,可以较好地在行人检测场景中使用。

关键词： LED   PWM调光   模拟调光   图像处理   液晶屏  

摘要： 为了解决液晶屏幕在暗场景下容易出现闪烁、底亮偏亮的问题,基于影像画面的亮度,本文提出一种结合脉冲宽度调制(PWM)调光和模拟调光相互互补式的自适应全局调光技术。采用PWM调光与模拟调光相结合技术自适应算法,PWM调光采用低频PWM输出控制PWM占空比,模拟调光采用高频PWM输出控制LED导通电流。利用影像处理技术能够动态获取影像图像,通过平均值法将图像内容转化为灰度值,并进行实时即时算法处理,根据所设计的全局调光技术自适应算法提取出所对应的LED灯亮度值,通过图形处理器芯片控制背光模组驱动所有LED灯的亮度。

关键词： 深度学习   目标检测   树木检测   林业调查  

摘要： 随着计算机视觉技术和深度学习领域的爆发式进步,在遥感影像上进行树木检测已成为深度学习模型的应用领域之一。为揭示基于深度学习的树木检测给林业调查与监测带来的机遇和挑战,本文通过对比分析经典的SSD、RetinaNet、YOLOv3、FasterRCNN深度学习模型在模型大小、训练效率和平均精度得分等维度的实际应用表现,给相关领域的进一步研究与应用提供参考。研究表明,4种模型随着骨干网络结构的逐渐加深,平均精度得分显著提高,但训练时长和模型大小也成倍增长,其中,SSD模型在本文数据集中的速度与性能之间的平衡性表现最好,采用ResNet-101骨干网络的平均精度得分为0.817,其验证和损失函数趋势相近,是一个功能强大的目标检测模型。文章总结并讨论了当前深度学习与目标检测所面临的问题。

关键词： 目标检测   YOLOv7-Tiny   百香果   轻量化网络   GMConv模块   ODConv  

摘要： 在果园中,准确且快速的果实检测是水果产量预测和自动化采摘等农业智能化应用的关键任务之一。针对目前目标检测模型参数量和计算量大,难以满足嵌入式设备实时性要求的问题,本文提出一种基于改进YOLOv7-Tiny的轻量化检测方法,用于复杂果园环境中百香果的检测。首先,在主干网络中使用全维动态卷积(ODConv),提高主干网络的特征提取能力,使平均精度均值(mAP)提升2个百分点;其次,为了减少颈部网络的参数量和计算量,融合GhostNet网络和MobileOne网络,提出GMConv轻量化模块,使模型参数量下降约30%,计算量下降约20%,FPS提高约50 frame/s。在百香果数据集上的实验结果表明,与YOLOv7-Tiny相比,改进后算法的参数量和计算量分别下降32.1%和25.4%,mAP提升2.6个百分点。在降低计算量和参数量的前提下,改进后算法进一步提高了检测精度,有利于在嵌入式设备中部署。

关键词： 凡纳滨对虾   摄食强度量化   计算机视觉   YOLOv8  

摘要： 为实现凡纳滨对虾(Litopenaeus vannamei)摄食强度量化及分类,克服投喂主观性,优化饲料利用率。实验采用YOLOv8模型对凡纳滨对虾进行识别和检测以及YOLOv8-segment模型对凡纳滨对虾的虾头进行分割,根据饲料区域内对虾的数量和虾头的像素面积,实现对虾摄食强度的量化,并利用Convnext模型将图像中对虾的摄食强度划分为强摄食、中摄食和低摄食3个级别。实验结果显示,迭代200次后,YOLOv8模型对饲料区域内对虾目标检测的mAP50达到了99.5%,YOLOv8-segment模型对虾头分割的mAP50达到了92.1%,展现了YOLOv8模型的强大性能。经实验验证发现,在不同摄食强度下饲料区域内对虾的数量和虾头的像素面积存在明显差异。Convnext模型对凡纳滨对虾3种摄食强度的图像分类准确率为98.8%。该方法可以客观有效地将对虾摄食强度进行量化,并将对虾的摄食强度进行分类,为实现对虾的精准投喂提供了理论基础和技术支撑。

关键词： Small target detection   Synthetic aperture radar   YOLOv7   DyHead module   Switchable Around Convolution  

摘要： In order to solve the problems that the current synthetic aperture radar(SAR)image target detection method cannot adapt to targets of different sizes,and the complex image background leads to low detection accuracy,an improved SAR image small target detection method based on YOLOv7 was proposed in this *** proposed method improved the feature extraction network by using Switchable Around Convolution(SAConv)in the backbone network to help the model capture target information at different scales,thus improving the feature extraction ability for small *** on the attention mechanism,the DyHead module was embedded in the target detection head to reduce the impact of complex background,and better focus on the small *** addition,the NWD loss function was introduced and combined with CIoU *** to the CIoU loss function typically used in YOLOv7,the NWD loss function pays more attention to the processing of small targets,so as to further improve the detection ability of small *** experimental results on the HRSID dataset indicate that the proposed method achieved mAP@0.5 and mAP@0.95 scores of 93.5%and 71.5%,*** to the baseline model,this represents an increase of 7.2%and 7.6%,*** proposed method can effectively complete the task of SAR image small target detection.

关键词： 目标检测   YOLOv7   缺陷检测   平均精度均值   召回率  

摘要： PCB存在线路设计多样、缺陷面积小且各缺陷之间特征相似等问题,导致缺陷检测精度较低,本文提出使用YOLO-G缺陷检测算法提高检测精度。首先,基于YOLOv7基础模型,使用SPD-Conv模块解决池化过程中像素信息丢失的问题。其次,引入SimAM模块从三维角度区分重要特征信息,提高模型对不同程度特征表示的感知能力。最后,使用BiFPN融合结构提高低层细节和高级语义信息的多路径交互融合,提高小目标位置的高效定位与分类。实验数据表明:该算法平均精度均值和召回率较原算法分别提升8.2%和5.8%,提高了PCB小目标的检测性能和检出率,证明了算法的有效性。