关键词： 井下智能装备   计算机视觉   嵌入式   多源传感技术   智能控制  

摘要： 煤矿井下作业环境复杂,对井下智能装备的可靠性和安全性提出了更高的要求。图像精准识别与自主控制是制约煤矿井下智能装备系统发展和应用的关键问题。研究了智能控制、计算机视觉、YOLOv8等技术,建立了智能识别算法模型,解决了粉尘、喷淋、光线不足等环境因素的干扰问题,实现井下巷道、顺槽作业目标的精准识别;研发了基于嵌入式GPU的智能装备控制系统,集成了多源传感技术与智能识别控制算法;研发了工作环境安全状态实时感知与反馈系统,将控制决策和反馈调节有机融合,保证智能装备系统稳定、可靠、高效运行,提高了智能装备自主作业能力,有效减轻了工人劳动强度,提高了作业效率和质量,减少了各类作业的安全隐患,在煤矿智能化建设中发挥了重要作用。

关键词： 显著目标检测   多模态   特征融合   RGB-T   特征交互   深度学习  

摘要： 针对现有方法中多模态间的互补信息利用不充分、特征交互易引入噪声的问题,提出了一种深度特征交互网络。首先,在编码阶段提出了深度特征多层交互模块,使用深度特征作为特征交互的线索,以充分利用可见光的纹理信息和热成像的位置信息。其次,设计了纹理位置特征交互模块,通过纹理信息与位置信息进行交互以实现同层级间的特征互补。然后,在解码阶段提出了膨胀卷积特征融合模块,通过膨胀卷积块提高模型感受野,使模型关注网络中的多尺度信息。最后,在公共RGB-T数据集VT5000、VT1000、VT821进行了广泛实验,实验表明,所提出网络的平均绝对误差分别达到2.2%、1.5%、2.5%,与领域内先进的方法相比,取得了优异的性能。

关键词： 深度学习   计算机视觉   目标检测  

摘要： 为提升海洋环境中的船舶检测精度与实时性,通过在YOLOv5s中引入4倍下采样层,增强了对小目标的检测能力。实验使用包含1160张图像的数据集,在配备高端GPU的计算机上,利用Python和PyTorch框架实现模型训练与验证。结果表明,改进后的YOLOv5s模型平均准确度(mAP)达到97.2%,精确率和召回率分别达到97.5%和97.7%,较原始YOLOv5有显著提升,同时降低了漏报率和误报率。研究表明,该改进方法有效提高了船舶检测的准确性和效率,适用于海上交通管理、船舶监控及搜救任务,为实际应用提供了可靠的技术支持,并为小目标检测领域提供了重要参考。

关键词： 感性工学   情感设计   设计评价   深度学习   计算机视觉  

摘要： 目的解决现有产品设计评价方法对用户情感偏好分析不够充分、时效性和客观性不足的问题,从感性工学出发,以叉车产品的感性评价为例,提出基于计算机视觉的产品情感设计评价方法。方法首先,通过网络爬虫获取产品样本图库,基于感性工学(KE),建立产品感性意象调研问卷并展开实验研究,得到产品感性偏好评价数据集;其次,基于深度残差学习网络(Resnet)构建产品情感设计智能评价系统KE-Resnet101,将设计评价问题转化为设计方案偏好评价问题;最后,通过实例研究深入分析和验证模型的有效性,并分别建立Resnet50与Resnet152模型进行对比验证。结论KE-Resnet101智能评价系统有较好的准确性与鲁棒性,能够快速优选出用户情感偏好度最高的产品设计方案,提升产品评价的效率、客观性和准确度。

关键词： 目标跟踪   特征提取   多目视觉   动态阈值   融合特征   高斯混合模型   相关性匹配  

摘要： 针对当前大部分计算机视觉跟踪方法仍不能有效解决目标受遮挡以及在摄像机视角中消失后重现等问题,基于融合特征相关性对多目标行人跟踪方法进行了研究:基于高斯混合模型(GMM)更新行人特征池以减少人员密集所导致的特征污染;基于K-means算法动态计算目标特征相似性阈值;利用融合特征相似性关联行人特征,加入单应性约束校验以判定行人的新增与重现。在公开数据集Shelf上进行实验,结果显示所提方法平均精确度相较其他算法分别提升16.05%、7.39%,平均成功率分别提升16.04%、4.16%。完整视频流下的平均错跟率为10.11%,在控制错跟数量方面取得显著效果之外还能够在行人重现后有效关联至原目标。

关键词： 图像处理   线上线下   教学模式   图像去噪  

摘要： “数字图像处理”课程是一门理论和实践性很强的学科,在传统的课堂教学中,存在着课时紧张、师生间缺乏有效互动等问题,这无疑对高质量人才的培养构成了挑战。针对这一现状,探讨了线上线下融合教学模式在图像处理课程教学中的应用。以“图像去噪”项目为样例,介绍了课程教学的总体设计思路和教学案例的设计与实施环节。实践结果表明,线上线下融合教学模式是线上与线下教学的有机融合,两者相辅相成,在知识传授、能力培养和价值塑造等多个维度上,共同促进了学生综合素质的全面提升。

关键词： 人工智能   冠状动脉粥样硬化性心脏病   机器学习   诊断   图像处理  

摘要： 冠状动脉粥样硬化性心脏病(CHD)是全球主要致死性疾病之一,精准、高效的诊断对其临床决策至关重要。近年来,人工智能(AI)技术通过整合多模态数据与影像学分析,显著提升了CHD的早期筛查、诊断及预后评估能力。在影像学领域,AI深度参与冠状动脉CT血管造影的全流程优化,包括图像降噪、血管分割、狭窄检测及斑块性质分析,对易损斑块的识别准确率超过95%,并可通过血流储备分数模拟实现功能学评估,辅助制定介入治疗策略。此外,AI融合心电图、基因组数据及临床变量构建的风险预测模型,进一步提高了无症状患者的早期筛查效率,缩短了急诊救治时间。技术层面,AI展现出高召回率、非侵入性及高效性优势,不仅减少了对传统有创造影的依赖,还推动基层医疗同质化发展。然而,AI在CHD诊断中的应用仍面临数据标准化不足、算法泛化能力有限及临床验证不充分等挑战。未来需加强多中心协作与全流程技术整合,探索AI在治疗决策和长期预后管理中的延伸价值。总体而言,AI通过技术创新与临床需求深度融合,正推动CHD诊断迈向精准化与智能化新时代。

关键词： 目标检测   车辆检测   帧差法   注意力机制   动态卷积   特征融合   损失函数  

摘要： 针对自动驾驶中车辆检测任务易受光照因素影响的问题,提出一种改进YOLOv8s的车辆检测算法TSA-YOLO。设计TSA注意力模块,通过增强对运动目标的关注,减少环境光照影响;引入Biformer和D-Ghost模块,实现算法轻量化,增强特征提取能力;联合使用EIoU与CIoU损失函数,提升算法检测效果。实验结果表明,相较于YOLOv8s算法,TSA-YOLO在mAP0.5与mAP0.5-0.95上分别提升了1.4%与6.1%,达到了90%与73.4%,平均推理速度达到了70 FPS。对比其它主流算法,TSA-YOLO提升了目标定位精度,对环境光照更具鲁棒性。

关键词： YOLOv8算法   目标检测   C2f_ModuGhost+模块   分组空间卷积轻量级卷积   Focal-WIoU损失函数   对抗训练  

摘要： 针对道路两侧绿篱修剪的目标检测过程中对算法实时性、轻量化的要求以及算法在实际检测中的精度和光照鲁棒性问题,提出一种基于YOLOv8n的算法MGW-YOLO,并给出一种新的C2f_ModuGhost+模块来替换主干网络中的C2f模块,其中设计的调制可变形卷积增加了偏移量特征通道数,以加速模型的推理,增强算法实时性。在颈部网络中引入分组空间卷积(GSConv)轻量级卷积技术和slim-neck设计范式,并通过融合标准卷积、深度可分离卷积和Shuffle模块的思想,降低模型的参数量,实现模型的轻量化。设计一种具有双重加权机制的Focal-WIoU损失函数,WIoU中的双层交叉注意力机制可有效降低多个绿篱相连和遮挡时的误检率,并且利用Focal Loss权重因子提升对特殊形状绿篱等难分类样本的检测精度。另外采用TRADES方法的对抗训练策略,在分类问题鲁棒性与精度之间进行有效权衡。实验结果表明,相比基线算法YOLOv8n,MGW-YOLO的mAP@0.5和mAP@0.5∶0.95分别提高了3.29和2.87百分点,在无人驾驶底盘上的实验结果表明,MGW-YOLO相较于原始算法的预处理时间、每帧平均推理时间和每帧后处理时间分别降低了0.7 ms、10.7 ms和0.7 ms,检测速度提升了15.7帧/s,适用于绿篱修剪机在道路两侧实时性作业的需求。

关键词： YOLOv9   病害识别   深度学习   特征提取   目标检测  

摘要： 为解决黄瓜病害种类繁多且症状相似导致的识别困难问题,本文提出一种改进的YOLOv9黄瓜病害识别模型BiFEL-YOLOv9,以提高自然背景下黄瓜病害的检测精度.首先在关键网络层引入加权双向特征金字塔网络模块(bidirectional feature pyramid network, BiFPN),增强了模型对多尺度特征的融合能力;其次结合特征增强模块(feature enhancement)和大核选择性注意力机制(large selective kernel block, LSKBlock)对原始的RepNCSPELAN4模块进行改进得到RNFEL模块,增强了模型的特征表示能力及对复杂背景的鲁棒性.实验结果表明, BiFELYOLOv9模型准确率达到97.96%、召回率达到95.51%、平均精度均值mAP_0.5和mAP_0.5:0.95分别达到98.21%和95.12%,均优于原YOLOv9模型,有效实现了黄瓜病害的检测与识别.