关键词： 自动乳腺超声   YOLO目标检测   乳头定位  

摘要： 目的 乳腺癌的早期诊断至关重要。本文旨在利用深度学习模型对自动乳腺超声(Automatic Breast Ultrasound,ABUS)数据中的乳头区域进行精确检测,确保乳腺肿瘤在早期阶段能够获得可靠的技术诊断支持。方法 采用基于YOLO系列模型的方法,对ABUS冠状面图像中的乳头区域进行定位检测,为乳腺肿瘤的诊断提供位置基准。结果 在本任务中,YOLO系列模型均表现出色。特别是YOLOv5模型,其精确率高达0.955,召回率达到0.925,帧率为243,满足临床诊断需求。结论 YOLOv5模型在ABUS乳头定位任务中性能优良,为乳腺肿瘤的早期发现提供了技术支持,具有重要的临床意义。

关键词： 深度学习   交通标线   智能施工   计算机视觉   强化学习  

摘要： 研究运用卷积神经网络(CNN)和长短期记忆网络(LSTM)构建高速公路交通标线智能识别模型,结合计算机视觉技术实现标线缺陷实时检测。通过强化学习优化施工机器人控制策略,提高标线施工精度和效率。系统集成了自适应图像预处理算法和多传感器数据融合技术,提升了复杂环境下的识别能力。CNN用于空间特征提取,LSTM捕捉时序依赖,强化学习则优化了机器人的动作决策。实验结果表明该系统在标线识别准确率与施工效率方面较传统方法分别提升15%与30%。

关键词： 计算机视觉   采掘安全   目标检测   姿态估计   行为识别  

摘要： 采用人工智能技术对采掘工作面工人工作行为进行实时识别,确保采掘过程安全,并减少因不安全行为导致的事故,对保障安全采掘生产具有重大意义。本文提出了一种基于改进YoloV5和SlowFast的采掘工作人员不安全行为检测算法。针对井下黑暗、灰霾的情况,通过融合CLAHE(对比度限制自适应直方图均衡化)和双边滤波方法,对导入视频进行光照增强和去噪处理。对YoloV5目标检测模型的骨干和头部网络进行轻量化改进,以提高模型推理速度,并融合Detectron2算法对工作环境进行语义分割,实现对工作人员的跟踪锁定与精确识别,降低了环境干扰。通过改进的SlowFast网络分析人体骨骼关键点的动态变化,实现对不安全行为的有效识别。实验结果表明:该算法对攀爬、躺倒、玩手机、无人监管4种不安全行为的识别平均准确率达到92.3%,为采掘工作安全管理提供了有力的技术支持。

关键词： 图像处理   特征提取   Swin Transformer   电网设备   目标分类  

摘要： 针对传统图像处理算法在解决复杂环境电网设备图像中所出现的识别速度慢、检测精度差等问题,提出了一种基于改进Swin Transformer网络的电网设备缺陷检测与识别方案。首先,利用伪色彩图像增强机制与边缘高频信息图像分割机制对原始图像进行高频特征信息筛选与提取。然后,在Swin Transformer主干网络中引入复合标记特征金字塔模块,解决多尺度语义特征的提取成功率低的问题。最后通过构建弱监督目标选择机制,实现对电网设备图像中目标的检测与分类。实验结果表明,文中所设计的算法在电网设备缺陷与监测上效果显著,识别精度可达92.6%。

关键词： 光伏板   深度学习   DETR   神经网络   目标检测  

摘要： 针对目前光伏板航拍缺陷检测中还存在小目标检测率低、检测速度慢等问题,提出一种基于改进DetectionTransformer(DETR)的光伏板缺陷检测方法。首先,对于光伏板缺陷在航拍图像上相对较小的问题,引入相对位置编码来提高模型对元素位置的感知,增强对小目标的检测能力;其次,利用动态稀疏注意力(DSA)模块降低DETR自注意力计算复杂度,进而提高检测速度;最后,针对航拍模式下存在的一些较难分类的样本,采用FocalLoss改进分类样本的损失,增加对难分类样本的权重,提升模型对此类样本的检测效果。实验结果表明:改进后的DETR算法对光伏板航拍缺陷检测的平均精度均值达94.7%,较原算法提高了5.1%,与其他主流检测算法相比具有一定优势。

关键词： 动态称重   外廓尺寸测量   参数识别   DenseNet   计算机视觉  

摘要： 针对现有研究中缺乏能够综合测量车辆外廓尺寸并精确识别车辆信息的方法,提出一种新的车辆尺寸和信息识别方法。首先,通过YOLO V5s网络实现目标车辆的自动识别,并建立了一个包含车辆型号、尺寸、轴数、轴距、悬架和轮胎参数等详细信息的车辆数据库。接着,利用convolutional encoder-decoder network(CEDN)提取出车辆轮廓,并通过膨胀腐蚀算法对轮廓进行优化。为了提高处理速度并减少计算资源需求,将深度可分离卷积技术融合进DenseNet。最终,将车辆轮廓图输入至优化后的DenseNet,以预测车辆的具体尺寸。实验结果显示,该方法能够在宽度和高度测量上实现±60 mm的误差范围,并将长度测量的误差控制在±85 mm以内。此外,该方法还能提供车辆的轴数、轴距、悬架和轮胎参数等附加信息。这表明结合图像识别和深度学习技术,能够有效地测量车辆尺寸并识别相关信息,对于提高动态称重系统等应用的准确性具有重要价值。

关键词： 目标检测   棋局识别   实时记谱   YOLOv8   轻量化网络   移动设备  

摘要： 为实现围棋对弈过程中的高精度实时记谱,提出了一种基于结合三维注意力机制与轻量化卷积的实时检测算法Light-YOLOv8。在YOLOv8模型的基础上,使用PWConv+PConv替换主干网络中跨阶段局部网络的3*3卷积,大幅减少模型计算量与参数规模;加入CARAFE上采样算子与SimAM三维注意力机制,提高对围棋目标的检测能力;使用Wise-IOU损失函数提高模型定位能力与收敛速度,提高了对棋子粘连、棋子重叠与光照不均匀情况下的检测能力。在自定义围棋数据集上进行对比训练表明,改进后的算法实现了检测精度的提升与推理速度的提高。针对移动端设备部署需求对模型进行优化与压缩,并在不同安卓设备部署,图像分辨率为640*480的情况下,结合图像预处理与后处理操作,拍照检测平均时间为89 ms,平均模型推理帧率为37.6 fps。进行50轮记谱实验,平均记谱准确率高于97%,平均胜负判别准确率到达100%,能够实现稳定的围棋记谱功能。

关键词： 长时跟踪   孪生网络   模板更新   重检测  

摘要： 为解决长时目标跟踪场景中由于遮挡、超出视野导致的目标频繁丢失与重现的问题,设计了一种基于模板更新和重检测的长时目标跟踪算法(LTUSiam)。首先,在跟踪器SiamRPN的基础上,引入三级级联的门控循环单元对目标状态进行判断,选择合适的时机自适应更新模板信息。其次,提出一种基于模板匹配的重检测算法,使用候选区域提取模块重定位目标位置和大小,使用评价得分序列对目标丢失的情况进行判断,以确定下一帧的跟踪状态。实验结果显示,LTUSiam在LaSOT数据集上的成功率和准确率分别达到了0.566和0.556,在VOT 2018_LT数据集上的F 1值为0.644,表明其在处理目标丢失与重现问题时有更好的鲁棒性,有效地改善了长时跟踪的性能。

关键词： 番茄   果实计数   目标检测   多目标追踪   超深掩蔽  

摘要： 针对在温室生产条件和作物种植模式约束下,番茄果实目标连续稳定跟踪困难,难以满足统计计数精度要求等问题,提出一种基于超深掩蔽与改进YOLOv8的不同成熟度果实计数方法。在YOLOv8基础上,构建融合全局特征的空间异质卷积核,优化设计卷积算子及目标检测网络,引入对果实目标标注更具鲁棒性的损失函数。提出用深度估计模型预测深度信息,动态生成深度阈值,基于该阈值,掩蔽远景果实目标,解决目标跟踪不稳定产生的计数精度低的问题。结果表明,与YOLOv8n相比,改进模型平均检测精度提高了3.2个百分点,召回率提高了3.7个百分点;将所设计的卷积算子用于目标检测模型,与使用该算子前相比,果实检测精度提高了2.7个百分点,与引入鲁棒性损失函数前相比,引入该损失后,检测精度提高了1.1个百分点;与不用超深掩蔽处理相比,应用该处理后,番茄果实计数精度提高了12.63个百分点;该方法的番茄果实计数精度为93.80%,对不同成熟度果实的计数精度不低于91.00%,计算速度为23帧/s。对YOLOv8的改进是有效的,超深掩蔽对提高番茄计数精度具有重要作用,研究可为基于视觉技术的果蔬产量统计提供技术参考。

关键词： 水下检测   水下锚链   悬链线方程   图像处理   试验研究  

摘要： 针对水下锚链姿态估计问题,提出了一种基于光学图像的姿态识别方法。该方法使用光学相机获取水下锚链的局部图像,通过图像处理方法提取锚链的外形特征,并且根据水下锚链的悬链线方程模型,由局部的光学图像推演出完整锚链的姿态信息。针对该方法,阐述了其基本原理与流程,设计完成了微缩比例水槽试验,通过动、静态锚链的姿态识别试验验证该方法的有效性。试验结果表明:静态锚链姿态识别试验时的锚链水平跨度误差不超过5%;水面处系泊点匀速运动情况下,动态锚链的运动状态识别与真实运动趋势基本一致,误差为2.393%。研究成果证明了该水下锚链姿态识别方法的可靠性,为后续实际工程应用提供了理论基础支撑。