关键词： 医疗废物智能分类   图像处理   MobileNetV2   特征提取   多尺度特征融合   深度学习  

摘要： 随着医疗服务需求的增长,医疗废物的产生量逐渐超出负荷,当前医疗废物的分类与包装多以人工为主,存在医护人员感染病毒风险高、工作效率低下等问题。针对上述问题,本研究在MobileNetV2模型的基础上,提出一种改进MobileNetV2的医疗废物智能分类模型(MobileNetV2-MW)。通过改进瓶颈残差模块,捕捉不同特征通道之间的关系,提升模型对图像信息的特征提取能力;同时,引入一种多尺度特征融合模块,增强模型对图像多尺度信息的适应能力,避免模型过度关注某一特定尺度带来的不良影响。实验结果表明,MobileNetV2-MW模型在医疗废物图像数据集上的分类准确率、精准率、召回率和F1-Score分别达到95.38%、95.36%、95.33%和95.30%,相比于MobileNetV2模型分别提升了3.18%、3.05%、3.23%和3.21%,在对比模型中分类效果优秀,最后通过t-SNE可视化分析和泛化实验进一步验证了该模型的有效性,为医疗废物智能分类研究提供了新的思路和方法。

关键词： 检测系统   特征识别   图像处理   稻粒  

摘要： 通过视觉识别图像处理技术对稻谷谷粒进行处理,利用OTSU自适应阈值对稻谷图像进行二值化处理,采用中值滤波对图像进行降噪处理、图像分割和连通区域标记,基于几何形状特征阈值检测算法识别不同种类稻谷的长度、宽度、周长和面积像素值,提出一种综合的阈值通用旋转法,可实现不同谷粒的分类。根据获取谷粒图像样品和采集谷粒数目特征,基于形态学处理和分水岭变换分割算法对谷粒进行数目识别提取,最后根据检测的数目和整碎谷粒特征统计汇总稻谷谷粒的相关参数信息,将谷粒识别结果和相关数据信息保存在数据库中,便于进一步分析。研究结果表明:利用MatLab软件中GUI界面开发的稻谷检测系统对谷粒数目有较好的识别力,精确度达98.327%,对于整碎谷粒的识别误差在可控范围,满足要求与传统人工检测相比,具有检测快速、多样化等优点。

关键词： 深度学习   计算机视觉   智能安防   系统架构   公共安全  

摘要： 在智能化发展浪潮下,深度学习与计算机视觉技术为智能安防提供了新方向。文章首先阐述了深度学习核心算法与计算机视觉关键技术,然后设计了智能安防系统架构,最后探讨了其在公共安全、智慧园区与社区安防场景中的应用。通过研究,旨在挖掘深度学习与计算机视觉技术在智能安防领域的潜力,提升安防系统的智能化水平与安全性。

关键词： YOLOv10   RepLKBlock   井盖检测   大卷积核   目标检测   城市管理   复杂环境  

摘要： 本文提出了一种基于大卷积核YOLOv10网络改进的井盖隐患检测方法,旨在解决现代城市管理中井盖维护面临的多重挑战。针对当前检测存在的数据重复与标注质量问题,本文提出了采取平均哈希去重和进行人工校准标注,提升了模型训练的有效性和准确性;针对复杂环境下对于井盖缺陷的检测能力较弱的问题,在YOLOv10应用中引入了Rep LKBlock大卷积核模块。实验结果显示,改进后的LK-YOLO模型在查准率、平均精度均值等评价指标上相较于其他YOLO模型均有较大提升,特别是在复杂场景下的检测性能提升效果显著。该方法为城市管理部门智能化、高效的井盖隐患检测提供了新的路径。

关键词： 深度学习   铁路巡检   无人机   目标检测  

摘要： 无人机在铁路巡检领域的应用日益广泛,铁路无人机巡检算法的研究已取得丰硕成果,但尚缺乏相关系统性综述。从铁路巡检的核心应用场景出发,系统探讨了无人机在轨道、桥梁、隧道及水害检测等方面的典型应用算法,整理了铁路巡检相关数据集,总结了面临的主要挑战,并提出了优化策略与解决方案,以期为该领域的研究人员提供有价值的参考。

关键词： 无人机   航拍图像   小目标检测   注意力机制   损失函数  

摘要： 针对无人机航拍视角下目标尺寸小且密集、检测场景复杂、目标被遮挡导致检测精度不高的问题,提出了一种基于改进SSD的小目标检测算法。首先,用SE-ResNet50代替VGG16作为主干网络,通过学习自适应的通道权重,使模型更加关注有用的通道信息;而后,修改了浅层网络的锚框参数,提高小目标的检测性能;在浅层网络中使用SE+SAM和CBAM两种组合,从通道和空间两个维度对图像进行关注;最后,使用EIoU代替传统IoU来计算交并比,选择FocalL1损失函数,整合EIoU和FocalL1损失函数,得到最终的Focal-EIoU。实验采用VisDrone2019数据集进行验证,相较于传统SSD算法,精确率、召回率和mAP分别提升了11.7、11.2和9.8个百分点,FPS提升5帧/s,验证了该算法对小目标检测的有效性。

关键词： 荒漠草原   鼠洞   无人机   目标检测   鼠害监测  

摘要： 鼠洞密度是草原退化的重要参考指标,也是鼠害程度的标准之一。针对传统鼠洞检测劳动强度大、工作效率低的问题,提出基于Yolov8n+和无人机图像的鼠洞检测方法。首先,无人机搭载可见光传感器采集RGB图像,对图像进行标注制作鼠洞数据集。然后,统计鼠洞尺度区间优化YOLOv8n网络结构:剔除冗余的检测头,精简网络结构;保留深层与浅层之间的信息交互通道。最后,采用目标检测评价指标从检测精度和模型复杂度两个方面对YOLOv8n+进行评估。结果表明:YOLOv8n+对鼠洞的平均检测精度为98.6%,模型体积为3.2 MB,检测速度为172.42 FPS。相比于YOLOv8n和其他主流算法,YOLOv8n+在检测精度和检测速度上表现最好,表明YOLOv8n+能够实现对鼠洞精确、高效的检测,满足现实场景下无人机低空遥感对鼠洞的检测要求,弥补传统方法的不足,提高鼠洞监测的实时性和灵活性。

关键词： 汽油管道泄露   高光谱图像   目标检测   深度学习   Unet网络  

摘要： 针对当前汽油管道泄漏检测效率低、无法精准分割泄露区域边缘的局限性,提出一种基于高光谱图像与深度学习结合的汽油管道泄漏检测方法。首先进行两种型号汽油在土壤、水背景下的特征光谱波段提取;利用连续投影算法实现汽油高光谱图像数据降维;将汽油反射率作为输入,均方根误差为回归参数获得汽油反射峰附近的18个特征波段;采用图像旋转角度、横向或纵向翻转、在图像中注入随机噪声等方式实现数据集样本扩充。其次对Unet高光谱图像语义分割模型进行改进,将Unet网络编码器部分替换成密集连接模块加强各层级间的信息交流,减轻计算量提高模型检测速度;引入通道注意力机制模块,使模型对汽油图像空间和光谱层面两特征信息同时关注,提高模型检测精度;引入失活层的概念,通过暂时关闭网络中的一部分神经元降低网络的复杂性,同时在训练过程中设置适当的时间点实施早停策略从而防止过拟合。最后进行了消融实验和对比实验。消融实验结果验证了密集连接模块和通道注意力机制模块对提高网络分割精度和召回率的有效性;在自建数据集上的定量对比实验结果表明,模型对滴落汽油的分割精度为90.34%,平均每张图片检测时间为0.23 s,与Unet、PSE-Unet和HLCA-Unet模型相比,平均准确率分别增加了14.39%、8.01%和2.73%,召回率分别增加了8.95%、8.02%和6.55%,测试时间与Unet、PSE-Unet模型相比分别减少了10.83%和16.97%,检测优越性定性体现在泄露油滴与背景交会的轮廓更符合原图,本模型可以获得更加准确的汽油特征信息,为汽油管道泄漏检测提供了新的技术方案。此外,在公开的Pavia University遥感数据集上与当前Unet、PSE-Unet、HLCA-Unet模型检测进行对比,模型仍表现出更好的分割效果,体现出较强的普适性和泛化能力,可用于多种类型的高光谱图像语义分割。

关键词： 模版   图像匹配   计算机视觉  

摘要： 图像匹配是计算机视觉领域的一个重要研究方向,旨在从大量的图像数据中寻找和识别相似的图像或图像中的特定目标,其应用广泛,包括但不限于人脸识别、物体识别、图像检索、图像拼接、机器人导航等。探讨了基于模版的图像匹配方法,通过分析图像匹配的关键要素,介绍了相关系数法和误差法这两种模版匹配法,并通过试验实现了基于模版的图像匹配,根据试验数据对两种匹配方法进行了比较。

关键词： 西红柿   复杂农业场景   YOLOv8n   目标检测   特征融合   鲁棒性   泛化能力  

摘要： 针对复杂农业场景下西红柿果实大量重叠,叶片、背景遮挡干扰严重,现有模型检测时鲁棒性、检测精度、效果欠佳等问题,提出一种基于改进YOLOv8n的西红柿目标检测模型:TOMO-YOLO。首先,提出了WAFF特征融合策略,替换YOLOv8n的多尺度特征融合方法,优化不同尺度特征的权重分配,增强特征图的表达能力。其次,为解决YOLOv8n在面对复杂农业场景时鲁棒性和泛化能力弱、精度不佳的问题,设计了AWD检测头,提升模型在复杂农业场景的鲁棒性和检测性能。最后,在公共西红柿数据集、自建西红柿数据集上进行模型对比试验。试验结果表明,TOMO-YOLO的整体性能优于YOLO系列模型:YOLOv8n、YOLOv10n、YOLOv6n、YOLOv5n,其中TOMO-YOLO在公共西红柿数据集、自建西红柿数据集上的边框精度分别为88.6%和77.2%,召回率分别为85.0%和59.1%,mAP_(0.5)分别为90.9%和66.7%,mAP_(0.5~0.95)分别为55.0%和37.9%,F1分数分别为85.0%和68.0%,相较于YOLOv8n,边框精度分别提升0.7和3.9个百分点,召回率分别提升5.8和2.6个百分点,mAP_(0.5)分别提升1.4和3.0个百分点、mAP_(0.5~0.95)分别提升1.6和1.2个百分点,F1分数分别提升2.0和4.0个百分点,证明了改进模型的有效性,为西红柿自动化检测与识别提供技术支持。