关键词： 图像处理   纸质档案   精准修复  

摘要： 由于扫描过程中设备限制及档案老化,生成的数字图像常存在噪声、对比度不足、几何畸变及边缘不完整等问题,严重影响其清晰度、可读性及后续的利用价值。为此,从图像处理技术的角度出发,系统分析了纸质档案数字化过程中去噪、增强对比度、矫正几何畸变与优化边缘裁切的必要性与具体实现方法。通过分阶段、多手段的精准修复策略,为数字化档案的高质量发展及后续开发提供参考。

关键词： 无人机   路径规划   实时语义分割   Informed-RRT*算法   计算机视觉   目标导向采样   二维环境  

摘要： 针对现有无人机野外路径规划算法环境感知能力有限、路径规划效率低下和对动态环境适应性差的问题,提出一种整合实时语义分割技术的无人机路径规划方法。设计轻量级深度学习语义分割网络L-STDC-BiseNet,对无人机拍摄的图像进行实时语义分割;基于语义分割结果构建二维环境障碍物地图,利用目标导向采样策略和动态采样概率调整机制改进传统的Informed-RRT*算法,优化搜索路径,减少无效探索,加快路径规划速度。通过与现有技术的对比实验,结果验证了该方法在语义分割准确度和路径规划效率上具有优势。

关键词： 医学计量   生命体征参数   多参数监护仪   FPN   Faster R-CNN   自动化检定   目标检测  

摘要： 传统的多参数监护仪检定方法依赖人工读数和测量,效率低下。亟待研究一种基于人工智能的目标检测算法,实现多参数监护仪中生命体征参数的智能化识别,推动多参数监护仪自动化检定技术的发展。针对上述问题,提出一种基于FPN和Faster R-CNN的神经网络模型自动识别和分类生命体征参数,为后续实现多参数监护仪自动检定提供支持。为克服传统Faster R-CNN在中小目标识别任务上的不足,结合了ResNet50和FPN提取网络,以提升中小目标识别率。在实际临床采集的图像数据集上验证ResNet50+FPN的有效性,并与VGG16、MobileNetV2、EfficientNetB0、ResNet50等网络进行对比。结果表明,ResNet50+FPN识别的均值平均精度达到了83.32%,比VGG16提升了3.88%,在中小目标识别均值平均精度上分别提升了4.05%和9.60%。

关键词： 机动目标跟踪   高斯过程回归   长短时记忆神经网络   贝叶斯递归   交互多模型  

摘要： 针对传统机动目标跟踪算法依赖先验运动模型，且模型失配导致跟踪性能显著下降的问题，提出一种融合高斯过程回归（GPR）和长短期记忆神经网络(LSTM)的深度递归高斯过程运动跟踪器(DRGPMT)，可以在复杂机动环境下在线建立准确的运动模型并实时跟踪目标。将高斯过程回归与长短期记忆神经网络进行层次化集成构建深度高斯过程网络，基于诱导点分布对目标运动在线建模；将所建模型嵌入贝叶斯递归框架，实现预测分布与实时观测的融合更新。仿真实验结果表明：所提方法对机动目标有很好的跟踪性能，优于传统模型驱动方法与多种数据驱动方法。

关键词： 计算机视觉   陶瓷   表面缺陷检测   关键技术  

摘要： 陶瓷制造表面缺陷问题长期制约行业高质量发展,传统检测依赖人工目检或简单光学仪器,存在漏检率高、成本高昂等局限性。文章以计算机视觉为切入点,梳理了常见的陶瓷表面缺陷分类;针对高精度成像与光学处理技术、基于深度学习的缺陷识别技术、小样本数据增强技术特点,总结了计算机视觉在陶瓷表面缺陷检测中的应用流程,为提高陶瓷表面缺陷检测精度提供参考借鉴。

关键词： 西红柿   成熟度检测   YOLOv8n   目标检测   深度学习  

摘要： 【目的】解决西红柿由于生长环境复杂导致识别精度低等检测问题,实现西红柿成熟度的快速准确判断,保证西红柿的准确分级。【方法】提出了一种基于YOLOv8n-ESGW的西红柿成熟度检测方法。对YOLOv8n模型进行了以下几点改进:1)用EIEM模块替换主干部分的C2f模块,融合图像边缘信息和空间信息,提高模型精度和鲁棒性;2)在主干网络尾部添加通道注意力机制SE模块,使模型更加关注于图像中的重要特征;3)将颈部的Conv和C2f替换为GSConv和VoV-GSCSP,精简模型的同时提高模型的学习能力;4)使用WIoUv3损失函数替换原损失函数,使模型更加关注普通质量的预测框。此外,进行了消融实验和对比实验,验证改进算法在西红柿成熟度检测上的性能。【结果】YOLOv8n-ESGW模型检测精确率为83.90%,召回率为82.78%,平均精度均值mAP@0.5和mAP@0.5:0.95分别为88.50%和74.60%。与原模型相比,精确率、召回率、平均精度均值mAP@0.5和mAP@0.5:0.95分别提升了3.9、0.48、1.4、1.1个百分点,参数量减少了0.32M。【结论】YOLOv8n-ESGW模型对西红柿数据集具有较好的检测效果,基本能够满足西红柿成熟度的检测要求,可为西红柿的智能识别和高效检测提供技术支持。

关键词： 大白菜   目标检测   YOLOv5   轻量化   注意力机制  

摘要： 大白菜收获机融入深度学习目标检测技术是实现大白菜收获自动化的一种重要途径,但常用的深度学习目标检测方法过于依赖GPU硬件,很难在普通移动端应用。针对这一问题,研究以YOLOv5为基础模型的大白菜快速识别方法,并进行了相应的改进。首先,用ShuffleNetV2网络的下采样单元和基本单元替换原模型骨干部分,使模型的参数大量减少,实现轻量化;然后,在颈部嵌入CBAM注意力模块检测输出,弥补轻量化后模型精度下降问题,最终的模型命名为YSCNet。实验结果表明:改进模型能够快速准确地识别白菜,其准确度、召回率、平均精度分别为97.32%、97.38%、98.08%。通过实时检测测试发现,YSCNet在CPU平台上相较于原模型表现更好,其FPS可达50.51帧/s。

关键词： 计算机视觉(CV)   系统集成   脸谱分析  

摘要： 从计算机视觉(Computer Vision,CV)下的脸谱分析系统集成角度入手,就CV技术原理与发展、脸谱特征提取算法、脸谱分析类系统集成案例分析等方面论述该类系统集成的重点和难点。

关键词： SLAM   视觉里程计   弱纹理场景   目标检测   动态特征点剔除   多视图几何  

摘要： 传统同时定位与地图构建(simultaneous localization and mapping,SLAM)在弱纹理场景中的鲁棒性差,在动态场景中受动态物体干扰。针对这些问题,提出了动态视觉SLAM。首先,在视觉前端使用几何对应网络2(geometric correspondence network version 2,GCNv2)提取特征点并生成二值描述子,提高SLAM在弱纹理场景中的鲁棒性;然后,引入目标检测网络对动态物体进行检测,获取当前帧的语义信息,结合多视图几何剔除动态物体,去除动态物体对SLAM的干扰。实验结果表明:在弱纹理场景中,所提方法可以持续提取足够数量的高质量特征点;在存在动态物体干扰的场景中,所提方法的绝对位姿误差和相对位姿误差较小;在静态场景中,所提方法的性能仍然较优。

关键词： 小样本学习   小样本目标检测   正则项   判别性知识  

摘要： 在小样本目标检测领域,“训练和微调”两阶段表征学习范式因学习策略简单,应用广泛.然而,通过探索性实验发现,基于该范式的模型容易将新类别实例错误地分类为背景类,从而降低对新类的识别能力.为解决这一问题,提出构造一个正则化分类器,并使用“最小化背景判别性知识的调节器(BDKMR)”来引导分类器训练.BDKMR通过“最小化背景判别性知识的交叉lp正则项”显式地减少背景判别性知识对构建新类分类器的干扰,并利用“权重范数管理器”调节分类器中各类别的权重范数,以提高模型对新类别的关注度,同时降低其对背景类别的偏好.此外,考虑到BDKMR可能改变特征空间分布,提出“分类器解耦模块”,以调控模型微调过程中正则化分类器对特征提取器学习的影响.多个数据集上的实验结果表明,所提出的方法能够有效减少模型对新类实例的错误分类,进而显著提升对新类的检测性能.