关键词： 车辆目标检测   YOLOv8   C2f模块   SPPF模块   损失函数  

摘要： 针对复杂交通场景下城市车辆目标检测算法存在的漏检、精度低、泛化能力弱的问题,提出一种改进的YOLOv8城市车辆目标检测算法。采用一种改进的GAM-C2f结构来代替主干网络中的C2f模块,平衡模型的计算效率和准确性;设计一种SPPFAPGC模块,防止SPPF结构因最大池化操作所导致的局部特征丢失问题,提高特征图的丰富度,并进一步结合小目标检测头来加强对远处小目标车辆的检测能力,加强局部特征与全局特征的融合。为抑制低质量图像产生的有害梯度,使用WIOU损失函数代替CIoU,以提升网络的边界框回归性能,提高模型的收敛速度和回归精度。在Streets车辆数据集上的实验结果表明,与基准模型YOLOv8n相比,改进算法的mAP50和Recall分别提高了1.6和2.0个百分点,有效改善了城市交通场景下小目标车辆检测性能不佳的问题;在VisDrone2019数据集上进行验证,mAP50和Recall也分别提高了1.1和1.6个百分点,充分证明了改进算法的优越性。与其他先进主流算法相比,改进算法表现出了更高的准确率和查全率,表明改进算法在城市车辆检测任务中具有更好的性能。

关键词： 目标检测   模型压缩   特征融合   卷积神经网络  

摘要： 针对现有目标检测算法存在的问题,提出了一种基于融合差分卷积的目标实时检测定位方法。首先构建融合差分卷积的主干网络以增强特征提取能力;然后设计共享权重的特征融合模块和检测头以提高检测速度和精度;最后制定多阶段训练策略进一步提升精度。在受电弓检测数据集中的实验结果表明,在CPU硬件资源下,所提方法检测帧率可达149 frame/s,整体平均精度均值(mAP)可达81.20%,比FemtoDet算法分别提高了57 frame/s和6百分点。所提方法满足高速铁路现场中对触发定位任务的实时性和准确性的技术需求。

关键词： 激光焊接   熔池   图像处理   数值模拟  

摘要： 硅钢片由于其良好的磁性能被广泛运用于电机定子铁芯生产。熔池是焊接过程中重要的物理现象,其动态行为影响焊接质量。对焊接熔池进行研究,通过焊接过程视觉监测和数值模拟相结合的方式研究了焊接参数对熔池的影响规律及熔池的温度场变化情况。同时,改进U-Net模型,在实现网络轻量化的同时提高网络性能,改进后的模型能够准确分割出熔池并提取特征。改进模型的平均交并比和平均像素精度分别达到95.91%和98.59%,均优于原始模型。数值模拟结果表明,熔池面积和焊接深度与熔池温度呈正相关,监测熔池面积能够较好反映焊接深度变化。这有助于实现焊接过程的在线监测和焊接深度预测。

关键词： RGB-IR融合目标检测   小目标检测   YOLOv5   模型轻量化   注意力机制  

摘要： 针对RGB-IR图像中的目标检测问题,文章提出一种基于YOLOv5的轻量化RGB-IR融合小目标检测算法。该算法首先使用单应性变换对齐RGB与IR图像,并拼接为四通道张量输入检测网络,以实现联合特征提取。其次,使用SE注意力机制分配特征通道权重,以实现特征级融合,减少特征矛盾并提高检测的鲁棒性,并进一步改进网络连接,使用浅层特征以增强小目标检测准确性。最后,使用Ghost卷积替代传统卷积,以降低计算量与参数量。实验结果表明,该融合检测算法在小目标数据集上验证改进结果明显,并实现嵌入式部署验证,在2TOPS算力NPU上实现30fps帧率的实时检测。

关键词： 人工智能技术   挑战和机遇   数字图像处理   教学改革   数据可视化  

摘要： 人工智能技术给各行各业带来了挑战和机遇。作为高等教育学校,如何应对这次人工智能浪潮是亟须解决的重要课题。文章以数字图像处理课程为例,进行了教学改革。针对数字图像处理课程教学改革,从教学目标、课程大纲、课程实施过程和课后学习4个方面进行优化。通过整理南京理工大学泰州科技学院2018—2023年的教学数据,并进行数据可视化和数据分析,证明了该次教学改革的有效性。

关键词： 颈动脉斑块   深度学习   超声图像   图像处理   分割算法   医学图像   U型架构   Swin-Transformer模块  

摘要： 评估颈动脉超声图像斑块需要大量且经验丰富的临床医生,并且超声图像具有边界模糊、噪声干扰强等特性,使得评估斑块耗时费力,因此需要一种全自动的颈动脉斑块分割方法来解决人力稀缺问题。文中提出了一种基于Swin-Transformer(Shifted-Windows Transformer)模块的深度神经网络模型用于自动分割颈动脉斑块。在U-Net(U-Convolutional Network)架构基础上,编码部分使用3个用于图像下采样的卷积块以获得不同分辨率大小的特征图像,再添加6对连续Swin-Transformer模块用于更细化的特征提取。解码部分将Swin-Transformer模块输出的细化特征逐级上采样,分别与编码部分各级分辨率的特征图进行跳跃连接。基于同仁医院数据集进行对比实验,结果显示所提网络模型Dice指标达到0.8142,高于其他对比网络,证明了所提模型可以有效地提取颈动脉超声图像斑块特征,实现自动化、高精度的斑块分割。

关键词： 雷视融合   ADB   目标检测   场景识别   智能控制  

摘要： 针对传统基于相机的ADB灯控系统单目摄像头在雨、雪、雾天气存在识别不清和检测率低的问题,文章设计一种基于雷视融合的车载ADB灯控系统。该系统可以实现夜晚自适应控制远光灯的开闭,减少交通事故的发生,并且雷达数据的引入增强了数据源的可靠性,使得该系统在雨、雪、雾等不良天气下亦可正常工作,增强了系统的鲁棒性。

关键词： 马铃薯   花粉活力   图像处理   深度学习   SegFormer   OpenCV  

摘要： 【目的】传统马铃薯花粉活力检测方法依靠肉眼计数,存在效率低、准确性差等问题。本研究基于PaddlePaddle深度学习框架,通过比较不同模型,提出一种快速检测花粉活力的方法。【方法】首先收集花粉,使用2,3,5-氯化三苯基四氮唑(2,3,5-triphenyltetrazolium chloride,TTC)染色,通过显微镜拍照获取图像;利用Photoshop(PS)进行数据标注,分别标注有活力花粉和所有花粉,并将标签图转为单通道图像;选用SegFormer、U-Net和DeepLabV3模型进行训练,分割有活力花粉和所有花粉;最后使用Python OpenCV程序计数,计算花粉活力。【结果】与其他模型相比,SegFormer在两类数据集中的各项评估指标均为最优。相比于人工识别,OpenCV程序可以实现快速、批量计数,且误差小。【结论】通过图像处理技术可以快速、准确检测马铃薯花粉活力,进一步利用该方法快速鉴定了200份F_(2)株系的花粉活力,为马铃薯花粉活力表型采集奠定了基础。

关键词： YOLOv8   Carafe   SGE注意力机制   坐标注意力机制   WIoU  

摘要： 针对在无人机图像目标检测中复杂场景下目标特征难提取且小目标容易被淹没在噪声中的问题,提出一种基于YOLOv8s的无人机目标检测算法SC-YOLO。为了能够学习到感兴趣区域的位置细节,基于CA(coordinate attention)提出了SPM(self-positionmodule)注意力。为了缓解Carafe上采样算子因为通道压缩所带来的影响,提出了CEM(Carafeenhancermodule)。通过分析梯度增益函数与数据集中目标大小的关系,使WIoU_v3能够更加关注中、小目标的普通质量锚框,并且在VisDrone2019数据集上进行验证,得到WIoU_v3能够更加关注中、小目标的普通质量锚框的参数设置范围。改进后的YOLOv8s算法在VisDrone2019验证集上的平均均值精度(mAP)提高到43.1%,在测试集上的mAP提高到34.8%,在近几年同等规模的算法中拥有较好的检测性能;改进算法相较基准算法参数量仅增加1.1×10^(6),浮点运算次数(FLOPs)增加1.5 GFLOPs,但在验证集以及测试集上检测精度分别提升了2.0和2.1个百分点;在Tinyperson数据集上的检测精度提高了1.4个百分点。