关键词： 深度学习   计算机视觉   图像识别   卷积神经网络(CNN)   残差网络(ResNet)  

摘要： 研究主要探讨基于深度学习的计算机图像识别技术的发展与应用。文章首先概述了图像识别技术在深度学习领域的快速发展和应用前景,重点介绍了神经网络的演变过程,特别是卷积神经网络(CNN)和残差网络(ResNet)的技术进步及其在图像识别中的应用。接着,分析了深度学习在医疗、自动驾驶及公共安全等不同行业的实际应用案例。最后,文章探讨了图像识别技术在数据偏见、模型可解释性及计算成本等方面的挑战,并提出了未来研究方向。

关键词： YOLOv5s算法   民机可视导航   多尺度目标检测   特征融合网络   解耦检测头  

摘要： 民航飞机视觉辅助驾驶系统通过机载视觉传感器获取周边威胁态势信息,为飞行员提供辅助决策等信息,但是机载视觉传感器获取的机场场面威胁目标尺度变化大,且机载平台算力有限,现有的目标检测方法难以满足视觉辅助驾驶需求.针对上述问题,提出一种基于YOLOv5s算法的轻量化多尺度目标检测算法.首先,为增强场面小目标的特征表达,在加权双向特征金字塔网络(BIFPN)基础上,引入坐标注意力(CA)机制,设计CA-BIFPN特征融合网络,提高模型对多种尺度目标的学习能力.然后,设计GSConv解耦检测头,相互独立优化分类和回归目标,提高目标检测的精度.设计的跨级部分网络轻量化颈部模块可减少因引入解耦头增加的参数量,大幅提高整体网络的检测速度,实现场面目标实时检测.为了验证算法性能,构建机载视觉传感器滑行视角的实测数据、仿真数据组成的多尺度场面目标数据集.在该数据集上的实验结果表明,所提方法检测精度超过Faster R-CNN、SSD和YOLOv6、YOLOv7、YOLOX等经典多尺度目标检测算法,均值平均精度为71.40%,比YOLOv5s提高4.19个百分点;在机载计算仿真实验平台上,检测帧率达到71帧/s,满足实时检测要求.

关键词： 目标检测   偏振图像融合   雾天天气   YOLOv8   MixSPPF   Multi-scale Module  

摘要： 雾天天气下,车辆和行人目标的准确检测对汽车自动驾驶非常重要。首先通过偏振成像装置采集了0°、45°、90°和135°角度的偏振图像,并通过3种不同的融合方式构建了I04590、stokes和pauli图像数据集。提出一种改进YOLOv8的目标检测算法以提高雾天偏振图像中汽车和行人两类目标的检测准确率。提出一种基于混合池化的MixSPPF结构,改善了原有SPPF结构对全局信息的提取能力;然后基于不同大小的卷积设计了Multiscale Module模块并结合Coordinate Attention注意力机制增强了对空间信息和通道信息的提取。实验结果表明,提出的改进YOLOv8算法获得的全类平均准确率P_(A)@0.5和P_(A)@0.5:0.95分别达到了83.4%和39.3%,比初始YOLOv8算法分别提升了1.6%和0.9%。

关键词： 缺陷检测   机器学习   计算机视觉  

摘要： 日常汽车驾驶中,轮胎的质量好坏直接影响人们的生命安全,轮胎缺陷检测必不可少。为解决传统人工检测方法中检测速度慢、成本高、精度低等问题,本研究基于YOLO目标检测平台,设计开发一款轮胎缺陷智能检测平台,结合计算机视觉技术,实现对X光图片中轮胎缺陷的自动识别和分类。通过多尺度预处理、特征提取、卷积操作和边框回归等策略,进一步提高了检测速度和准确率。

关键词： 计算机视觉技术   人类视觉系统   计算机系统   人工监控   智能分析   数字图像   化学实验   实验室安全  

摘要： 随着化学产业的快速发展,实验室安全问题日益突出。传统的人工监控方式难以全面及时地发现潜在危险,计算机视觉技术(是一门跨学科的科技领域,旨在使计算机系统能够从数字图像或视频中获取高层次的理解,模拟人类视觉系统的功能)在此背景下应运而生。利用先进的图像处理算法和智能分析能力,计算机视觉在提升化学实验的安全性和可靠性方面展现出广阔前景。这项技术不仅能有效预防事故的发生、降低人员伤亡风险,还能优化实验流程、提高科研效率,为化学领域的可持续发展提供有力支撑。

关键词： 目标跟踪   相关滤波   尺度估计   自动控制  

摘要： 面向复杂城市低空环境中的“低、慢、小”无人机的精准快速跟踪难题,提出了融合DSST-KCF算法的反无人机自动追踪系统。该系统由双光图像采集单元和显示控制单元两部分组成;双光图像采集单元采集低空图像,然后由融合DSST-KCF算法对图像进行实时处理;融合DSST-KCF跟踪算法包括位置滤波器和尺度滤波器,其中位置滤波器采用循环矩阵形成的数据集进行训练,然后预测出下一帧目标位置;尺度滤波器从目标位置中心提取出33种不同尺度下的特征进行训练,然后确定跟踪框的尺寸;最后采用DSST-KCF-云台控制策略,使无人机保持在视场中心附近实现有效跟踪。在校园环境中,利用本系统对空中无人机进行实时跟踪测试,测试结果表明,改进后算法相比原KCF算法检测成功率平均提升了31.51%,跟踪精度平均提升了43%,适用于小型运动目标的跟踪。

关键词： 深度学习   目标检测   路径规划   YOLOv5   循环神经网络  

摘要： 阐述通过结合改进的YOLOv5算法和强化学习技术,实现对复杂动态场景中多目标的实时检测与跟踪。采用改进的A^(*)算法对检测到的动态障碍物进行避障,并利用循环神经网络预测障碍物运动轨迹,实现路径的动态规划与优化。

关键词： 网络监控   图像处理   深度学习算法  

摘要： 为实现公共场域下网络监控运动目标的跟踪识别,通常利用网络摄像机、红外传感器等装备采集不同时间点的帧图像。而后基于改进SSD、CNN或DAN深度学习算法模型,利用候选框框选待测图像目标像素、扩展卡尔曼滤波或图聚类法滤除干扰噪声,但以上卷积神经网络模型的目标跟踪监测,容易出现图像帧或像素特征提取的重复问题。基于此,选用Faster-RCNN(faster region convolutional neural network)深度学习算法模型,设置涵盖卷积层、池化层、全连接层的图像处理层级,基于HOG(histogram of oriented gradient)方向梯度直方图将红外传感器监测到目标图像转化为灰度图、提取监测物体的整体特征,而后基于Faster-RCNN深度学习算法作出图像动态目标的锚框特征谱输出、数据集学习分析,得到公共空间的物体运动位置,提高计算机网络监控的图像处理与识别准确率。

关键词： 机器视觉   液位检测   图像处理   微孔板   零均值归一化互相关匹配  

摘要： 在使用人工检测微孔板的多孔液位时耗时费力、准确率低下,针对此问题提出一种基于机器视觉的微孔板液位检测方法。通过设计相机采集角度、打光方式等搭建视觉检测系统并采集到清晰的单排液位图像;基于零均值归一化互相关的匹配原理,设计算法对中值滤波后的图像进行位姿校正,结合液位图像重心定位8个单孔液位位置;设定相似度双阈值实现对液位的检测,并对不规则液位图像加入掩码进行二次匹配检测。通过实验验证,该方法对溶液容积变化范围为-10~10μL及以上的液位检测准确率达100%,满足检测微孔板液位的准确性需求。

关键词： 新零售   嵌入式   目标检测   日用商品   YOLOv4-tiny  

摘要： 针对基于移动平台的商品图像检测算法存在硬件要求高、模型复杂且精度低等问题,提出一种YOLOv4-tiny改进网络,减少网络参数与模型尺寸,提高网络精度,构建更高效的网络。将原有标准卷积替换为点卷积与逐深度卷积,特征提取使用CG模块,降低网络模型计算损耗。特征融合时,在原有特征金字塔(Feature Pyramid Networks,FPN)基础上添加PANity模块,缩短高低间卷积层的跨度。使用CSPConcat结构对此前各层融合特征进行特征优化处理,提高各层间特征融合的能力。利用k-prototypes算法优化日用商品数据集先验框的尺寸与数目。通过在darknet深度学习框架下,对日用商品数据集进行实验,得出改进后的算法平均精度(mAP)为98%,召回率为97%,较原网络提升了2.4百分点和2百分点,网络模型计算量较原网络降低了40.4%,模型存储文件缩小了55.9%。改进后的网络模型更轻量化、准确率更高,更加适用于部署在无人结算环节的低硬件水平嵌入式设备中。