关键词： 葡萄簇检测   目标检测   YOLOv8n   注意力机制  

摘要： 葡萄簇目标的精准检测是实现估产、采摘等作业的前提,现有方法难以实现多品种葡萄簇的轻量化精准检测。为提高复杂自然场景下多品种葡萄簇检测准确性、鲁棒性与泛化性,提出一种基于改进YOLOv8n模型的多品种葡萄簇检测模型ESIC-YOLOv8n,该模型在YOLOv8n的Backbone和Neck网络中分别添加EMA和SA注意力模块,以加强网络的特征提取和多尺度特征融合能力,降低因遮挡或重叠对葡萄簇检测的干扰,提高检测精度和召回率;在Head把CIoU替换成Inner-CIoU,利用辅助框提高重叠目标检测的准确性,从而提升模型整体的检测准确性和泛化性。ESIC-YOLOv8n模型的检测精度为87.00%,召回率为81.60%,mAP为88.90%,F1值为84.21%,较原YOLOv8n模型分别提高1.05%、2.90%、1.48%和2.00%。结果表明,ESIC-YOLOv8n模型具有准确率高、泛化性好、轻量化等优点,可为葡萄产量估计、采摘等研究提供技术支持。

关键词： 小麦种子   旋耕播种机   图像处理   破损率   机器学习  

摘要： 旋耕播种机推广鉴定时,需要人工检测种子的破损率。为提高检测效率,以小麦种子为例,对种子破损率快速检测方法进行研究。设计种子破损率自动检测平台,可一次性采集50 g小麦种子图像,基于图像处理技术和机器学习方法,提取小麦种子图像13个形状特征和8个纹理特征,建立基于特征的种子破损识别模型;识别的破损种子图像与种子质量的关系,建立基于图像的破损种子质量预测模型,按照鉴定大纲要求实现小麦种子破损率的快速检测。对江苏省“丹阳001”“A888”“泰州014”“无锡004”4个品种的小麦种子破损率进行试验测试,每个品种3次取样测定。结果表明:4个品种小麦种子破损率自动检测的平均相对误差分别为0.08%、0.07%、0.06%、0.08%,检测的相对均方根误差为0.08%,检测平均时长为5.216 s。该研究实现小麦种子破损率自动、快速检测,节省农机鉴定时间,推动农机鉴定过程的标准化和智能化。

关键词： 计算机视觉技术   网页检索系统   图像特征提取   相似度计算  

摘要： 传统的文本检索技术已逐渐不能满足用户对于视觉内容的检索需求。针对这一问题,提出了一种基于计算机视觉技术的网页检索系统的设计与实现方法。实验结果表明,提出的网页检索系统具有较高的检索准确性和效率,能够为用户提供更加准确、高效的网页图像检索服务。

关键词： 无人机影像   目标检测   YOLOv5模型   位置注意力模块   旋转框  

摘要： 针对无人机影像背景复杂、地面目标尺寸跨度较大且角度各异等问题,本文提出了一种基于YOLOv5模型与带有旋转角度的目标框(OBB)损失函数的无人机影像目标检测方法。首先,在主干网络中加入位置注意力模块(PAM),让模型更专注于学习正样本的纹理特征;其次,在特征增强网络中输出更大尺寸特征图,进一步增强对小目标的检测能力;再次,为更精准检出多角度目标,在输出端引入旋转框定位损失函数;最后,为增加样本数量并扩充训练集多样性,对训练集进行了增广处理。试验结果表明,基于旋转框与位置注意力模型(PAM-OBB-YOLOv5)在平均精度均值(mAP)上较YOLOv5模型提高了8.3%,在多种复杂环境中表现出良好的泛化能力,且该模型每秒检测影像帧数(FPS)达到32帧,能进行实时级检测结果输出。

关键词： 合成孔径雷达   舰船目标检测   动态卷积   显示视觉中心  

摘要： 合成孔径雷达(Synthetic Aperture Radar,SAR)舰船目标检测是微波遥感的重要应用,然而随着海面尤其是近海背景越来越复杂,同时舰船尺寸大小不一,导致检测算法性能下降,出现漏检、错检等问题,严重影响目标的检测效果。针对上述问题,本文提出一种复杂场景下的融合自适应卷积神经网络的SAR图像舰船检测方法。首先,为了提高主干网络的特征提取能力,设计了一种用于特征提取的自适应全方位动态高效聚合网络(Omni-Dimensional Dynamic and Efficient Layer Attention Network,OD-ELAN)模块。该模块是在高效注意网络(Efficient Layer Attention Network,ELAN)中融合了动态卷积,使得自适应OD-ELAN模块能够输入特征的不同动态调整卷积核的权重。其次,为了提高网络对目标的定位能力,在头部网络中使用显示视觉中心机制(Explicit Visual Center,EVC)来加强网络在空间上对不同区域的感知能力,使网络能够更加灵活地适应不同尺寸、比例和位置的特征。然后对头部网络结构进行设计,在降低网络的计算量的同时保持网络检测的准确性。最后,使用平滑交并集(Smoothde Intersection over Union,SIOU)损失函数衡量预测边界框与真实边界框之间的重叠程度,提升网络对检测目标的定位能力。为了验证自适应卷积神经网络的有效性,使用SAR船舶检测数据集(SAR Ship Detection Dataset,SSDD)和高分辨率SAR图像数据集(High Resolution SAR Images Dataset,HRSID)进行消融实验和对比实验。消融实验结果中显示本文网络每次改进后的检测效果都有所提升。改进后的网络对SSDD数据集舰船目标检测的平均精度提升了7.81%,准确率提升了4.95%,召回率提升了11.8%。对HRSID数据集舰船目标检测的平均精度提升了10.6%,准确率提升了10.03%,召回率提升了11.84%。实验结果表明,在对小目标和复杂背景下的舰船目标检测时,改进后的算法显著减少了误检和漏检的情况。

关键词： 三维目标检测   YOLOv5   Complex-YOLO   小目标检测   注意力机制  

摘要： 针对三维目标检测点云数据量大且对小目标物体检测识别效果较差的问题,基于Complex-YOLO算法思想,提出了一种改进YOLOv5网络的点云三维目标检测方法。首先,针对点云数据量大导致后续网络运行时间过长的问题,采用Complex-YOLO算法,将点云数据转化为RGB-Map格式,易于YOLOv5网络处理,同时给YOLOv5增加了角度预测分支和旋转框回归损失计算方法,用于实现对RGB-Map中旋转目标的精确定位。其次,为了提升网络对小目标的感知能力,对YOLOv5网络结构进行改进,引入了小目标特征融合层和预测头用于增强算法对小目标物体的检测能力。最后,在neck网络中增设卷积块注意力模块(CBAM),提升网络对小目标的敏感程度。在KITTI数据集上进行验证,实验结果表明,本文提出的基于改进YOLOv5网络的三维目标检测方法相较于Complex-YOLO算法,Car类型的平均精度均值(mAP)提高了7.48百分点,Pedestrian类型的mAP提高了12.54百分点,Cyclist类型的mAP提高了1.2百分点,所有类型的mAP提高了7.08百分点,证明了本文算法的有效性。

关键词： 技术生命周期   Logistics模型   LDA主题模型   PCA+K-means模型   演化分析  

摘要： [目的/意义]专利技术主题演化分析可以深刻揭示主题领域的技术发展脉络,如何对其进行准确挖掘对企业提高技术创新能力至关重要。[方法/过程]沿着“技术演化理论构架”→“技术生命周期划分”→“技术主题提取”→“技术主题演化分析”这一研究主线,以自建数据库为数据来源,首先,基于Logistics模型进行技术生命周期划分;然后,分别利用LDA主题模型和PCA+K-means模型进行技术主题提取,并从技术主题强度和技术主题内容两个维度进行技术主题演化分析;最后,以视频图形处理技术领域为例,验证模型的有效性和适用性。[结果/结论]研究结果表明,文章构建的智能模型可以挖掘出主题领域的热门和新兴主题,该分析方法对于认识和追溯技术主题演化规律进而厘清关键技术的发展脉络具有实际应用价值。

关键词： 人工智能   竞技体育   数据挖掘   计算机视觉   可穿戴设备  

摘要： 竞技体育是体育的重要组成部分,对于推动全民健身、提升国际影响力、促进国家经济发展等具有重要意义。随着人工智能技术的发展,竞技体育不断融入人工智能技术来提升体育训练的科学性和竞赛的公平性。该文梳理与总结了近年来人工智能领域中的数据挖掘、计算机视觉和可穿戴设备在竞技体育中的研究现状,指出当前人工智能应用于竞技体育在数据采集、数据安全性、数据公开性等方面存在的问题,并对未来研究方向进行了展望。

关键词： 计算机视觉   工业安全   行为分析   人体关键点检测  

摘要： 该文面向本科生与研究生实践教学,利用计算机视觉技术开发了工业人员行为分析实验平台。依托工程实训中心,通过多通道数据采集装置收集人员工作环境、作业行为以及劳保用品等数据。基于PyQt5构建工业人员行为分析实验平台,该平台将计算机视觉技术与工业安全管控标准深度融合,以实现工业人员流程类与非流程类作业的行为分析。为验证实验平台的有效性,使用工业人员行为测试数据对所研发的实验平台进行了实验验证。实验结果表明,该实验平台能对工人多种作业进行有效评判。该实验平台有助于提升本科生和研究生在智能图像处理领域的实践能力。

关键词： 道路工程   路面病害   图像处理   算法优化   CBAM-YOLOv8  

摘要： 为解决基于机器视觉检测路面病害的速度与精度不高、算法优化效果不显著的问题,在YOLOv8算法中引入CBAM模块,并开展消融试验分别引入SE模块和ECA模块,使用开源的RDD 2020数据集训练模型,经图像预处理得到二进制图像。与YOLOv8算法相比,CBAM-YOLOv8算法的精确率、召回率、mAP@0.5、mAP@0.5:0.95均有所提高,而SE-YOLOv8算法和ECA-YOLOv8算法的检测精度较YOLOv8有所降低。进一步通过RDD 2022数据集验证了CBAM-YOLOv8算法在路面病害检测中的优越性。CBAM-YOLOv8算法的应用可以进一步提高路面病害检测的速度和精度,具有显著的优化效果。