关键词： 深度学习   主动脉图像分割   卷积神经网络   主动脉疾病   计算机视觉  

摘要： 在医学图像处理领域,准确的图像分割对于主动脉疾病的诊断和治疗规划至关重要。深度学习技术,尤其是卷积神经网络近年来在医学图像分割任务中取得了显著的进展。本文基于深度学习模型应用于主动脉病变图像自动化分割的研究进行综述,总结了目前这些技术对于提高分割精度和效率方面的贡献,探讨了现有方法所面临的挑战和未来研究更多的可能性以及方向。

关键词： 稻田   杂草   目标检测   YOLOv5s  

摘要： 稻田杂草位置获取是靶向喷施除草剂和机械智能除草的基础,为实现基于深度学习稻田杂草的位置检测以及模型的轻量化实用性。本文以稻田苗期恶性杂草空心莲子草为研究对象,对YOLO系列目标检测模型做出实用性分析。在稻田苗期未封行前人工手持相机采集杂草图像;杂草真实目标框人工进行标注,80%数据集用于网络模型的参数训练,20%数据集用于测试网络模型性能并进行对比分析;统计分析各算法模型的参数量规模及其计算量。试验得出基于YOLOv5s的稻田杂草位置检测算法模型的mAP能达到93.09%、Recall为85.14%、Precision为90.85%,基本满足智能除草和除草剂靶向喷施的实际应用需求。

关键词： 目标检测   YOLOX   唐卡   壁画   通道注意力  

摘要： 热贡唐卡壁画作为人类及国家级非物质文化遗产是藏族文化中独具特色的艺术形式,其画面不仅表现出了佛教本生故事,更体现了藏地的历史、地理、文化、科技等内容。然而,不具备热贡艺术专业知识的人们很难对其进行了解。因此提出了一种唐卡壁画元素的自动检测算法,用于推动唐卡壁画的传播。通过对YOLOX算法进行改进,提出了ECAMH-YOLOX模型对唐卡壁画图像进行检测。ECAMH-YOLOX模型是在YOLOX的基础上增加了高效通道注意力模块,在保持轻量化的同时获得更好的图像全局信息;同时为了更好地检测不同尺度的目标,在检测头模块增加了一个新的检测头,通过四个检测头对图像进行检测,以此来提高不同尺寸目标的检测结果;并使用SIoU损失函数计算回归损失以此来加快模型的收敛速度,提高模型效果。实验结果证明,ECAMH-YOLOX模型在所构建的唐卡壁画数据集上均不存在漏检错检的情况,而YOLOX算法存在对小目标的漏检现象,并且ECAMHYOLOX模型的mAP0.5:0.95达到了55.9%,比YOLOX算法提升了0.049。该模型在保持轻量化的同时,进一步提高了检测效果。也增加了人们了解热贡艺术的途径。

关键词： 图像处理技术   机器人   焊接焊缝跟踪   灰度变换   图像语义分割   卡尔曼滤波  

摘要： 为解决焊接机器人面对不同焊接工况时,焊缝跟踪精度低的问题,文章提出了基于图像处理技术的机器人焊接焊缝跟踪方法。利用CCD传感器采集机器人焊接焊缝图像,基于点操作的图像增强方法,灰度变换机器人焊接焊缝图像。利用SegFormer图像语义分割模型,通过Transformer编码器与多层感知机解码器,采用递归空洞自注意力机制,从机器人焊接焊缝的灰度图像中提取焊缝跟踪路径。利用卡尔曼滤波算法消除焊缝跟踪路径中的非焊接点,通过机器人焊接焊缝图像的坐标系转换,更新焊接焊缝轨迹堆栈,实现机器人焊接焊缝跟踪。实验结果表明,该方法能够依据机器人焊接焊缝图像处理结果,精准跟踪焊接焊缝,圆弧型与S型焊缝的跟踪误差低于3mm。

关键词： 动态环境   视觉SLAM   目标检测   动态特征点剔除   稠密点云地图  

摘要： 针对目前同步定位与建图(Simultaneous Localization and Mapping,SLAM)算法在静态环境中表现良好,但在动态环境中容易出现鲁棒性和相机定位精度不足的问题。作者引入基于深度学习的语义信息到SLAM算法中,并提出了资源受限场景下的一种基于目标检测网络的动态视觉SLAM算法Dyna-ORBSLAM3。算法有4个主要线程:语义线程、跟踪线程、局部建图线程、回环检测与地图融合线程。在Dyna-ORBSLAM3的跟踪线程中利用了基于改进YOLOv8的目标检测网络的语义信息并融合几何信息检测去除动态特征点,避免产生错误的数据关联,最后生成不含动态目标的稠密点云地图。选取TUM数据集的动态序列进行实验,结果对比ORB-SLAM3和RDS-SLM,Dyna-ORBSLAM3的绝对轨迹均方根误差降低了84.6%和26.3%,每帧消耗时间仅需30 ms。满足SLAM算法实时运行的要求且较大提高了定位精度。

关键词： 智能巡检机器人   燃气发电主厂房   图像处理   HM模型   MSER检测  

摘要： 为提升燃气发电主厂房异常报警的精准度,缩短响应时间,提出基于巡检机器人的燃气发电主厂房异常问题图像识别报警方法。利用HM模型处理巡检机器人采集到的图像,提高图像的整体质量。利用MSER检测方法定位设备仪表指针,准确获取设备运行信息。结合统计分析方法和灰度共生矩阵提取设备图像的时空特征,根据时空特征的贡献度,确定燃气发电设备的运行状态,结合异常问题图像判断阈值实现异常识别与报警。实验结果表明,所提方法的图像处理质量高、异常情况识别效果好、报警精准度高、响应时间短,实际应用效果好。

关键词： 计算机视觉   图像处理   肌内脂肪含量   猪  

摘要： 旨在开发基于计算机视觉技术的猪肉质图像快速鉴别方法,为解决猪肉质传统测定方法缺陷和构建猪肉质快速测定系统奠定技术基础。本研究采用canny边缘检测算法、归一化、伽马校正、自适应直方图均衡化和阈值化等方法进行图像处理,利用二维信息模拟了猪背最长肌的三维模型,开发了基于图像的猪肌内脂肪含量计算机视觉测定方法。利用人工描绘和计算机视觉轮廓搜寻技术开发了基于图像处理的眼肌面积识别方法。利用Open CV和C++实现各方法的底层算法程序,研发了一套猪肌内脂肪含量和眼肌面积的测定系统,并利用250头不同品种的试验猪进行了应用测试。测试结果显示,肌内脂肪含量检测模块能够快速实现肌内脂肪图形信息的提取与预测,单个样品检测时间平均不超过2 min,准确性可达0.54,且测定离散系数为0.062,具有较强的稳定性。眼肌面积与背膘厚检测模块能够通过人工与计算机结合的方式快速测定眼肌面积和背膘厚。本研究建立的检测方法和软件系统能够实现猪肌内脂肪含量、背膘厚和眼肌面积的快速检测。

关键词： 特征提取   小目标检测   YOLOv8   深度学习  

摘要： 针对无人机航拍图像中目标尺寸小、目标密集、漏检和误检等问题,提出了一种改进YOLOv8s的小目标检测算法LW-YOLO(Lightweight YOLO).首先,通过分层卷积、不同深度特征提取和多尺度特征融合策略改进特征提取网络,解决了网络参数量大和对小目标特征提取不足的问题.其次,通过增强浅层信息提取能力和减少部分深层信息优化检测层网络结构,改善了小目标漏检、误检和参数量大等问题.同时,新增残差连接和最大池化改进传统卷积块(Cown),最大限度保留特征,解决了传统卷积对小目标特征留存能力不足的问题.最后,通过Sigmoid函数与梯度增益系数(r)相结合引入非线性的平滑处理,改进WIoU(Wise-IoU)损失函数,解决了小目标普通质量锚框的损失波动,增强了模型的稳定性和鲁棒性.经实验表明,LW-YOLO与YOLOv8s在VisDrone2019数据集上相比,P、R、mAP50%分别提升了2.2%、6.1%、5.7%,参数量、GFLoPs和模型体积分别降低了49.8%、17.1%、48.8%,同时还在AI-TOD、NWPU VHR-10和TinyPerson做了泛化对比实验,并将检测结果可视化,经实验表明各项参数指标均有提升.

关键词： 深度学习   目标检测   瓷砖表面缺陷检测   YOLOv8   注意力机制  

摘要： 在瓷砖表面缺陷检测方面,在保证一定检测速度的前提下,对于小目标缺陷的检测较为困难,总体检测精度依然较低。提出了一种改进YOLOv8的瓷砖表面缺陷检测方法。第一,对原始的大幅面瓷砖数据集进行数据预处理,通过切片操作得到适合YOLOv8输入尺寸的瓷砖数据,防止瓷砖缺陷在缩放的过程中丢失;第二,考虑到瓷砖表面存在小目标缺陷的占比较大问题,使用SPD-Conv的结构代替传统的下采样方式,能够完整地保留通道维度中的所有信息,从而提高对小目标缺陷的检测能力;第三,对YOLOv8中原有的C2f模块进行改造,加入了Efficient Channel Attention注意力机制,设计了C2f_ECA模块,并在backbone网络中进行替换,使得网络在特征提取的过程中能够更为关注缺陷信息,减少背景信息的干扰;第四,添加了微小目标检测头在第二次下采样后进行检测,提高YOLOv8对微小目标的检测能力。该方法在天池瓷砖瑕疵检测数据集上进行实验验证,改进后的模型分别在mAP50-95、mAP50和mAP75上达到57.7%、86.6%、60.6%,比基础网络YOLOv8s分别提升了9.4、5、14.3个百分点。同时,高于YOLOv8m的精度和远低于YOLOv8m的复杂度,属于轻量级模型,符合工业化的需求。

关键词： 目标检测   YOLOv5   C3SE   MobileNet   多尺度特征   计算机视觉  

摘要： 针对复杂街景环境下人群检测精度低的问题,基于YOLOv5网络,提出一种改进的人群密度检测网络YOLO-C3SE-moblienetV3。将YOLOv5、聚合连接空洞卷积(connected convolutional capsule systems,C3SE)和MobileNet结合,旨在改善目标检测的性能。通过引入C3SE模块,模型能够更好地捕捉多尺度特征和上下文信息,从而提高检测精度。结合MobileNet的轻量级特性,实现高效的特征提取,显著降低模型计算复杂度。实验结果表明,与标准YOLOv5模型相比,改进后的模型在多个公开数据集上的平均精度(mAP)和推理速度均有所提升。