关键词： 目标检测   图像处理   深度学习   RTDETR   无人机图像  

摘要： 为解决无人机视角图像的小目标检测中存在的误检、漏检和检测性能差等问题,提出了一种改进RTDETR模型。在主干网络融入由轻量级可变卷积核(AKConv)和中值增强空间通道注意力机制组成BasicAK MECS模块,增强了特征提取效果;Neck部分引入Slim-neck,轻量化模型的同时提高检测的准确性和效率;在上采样部分,利用动态尺度序列特征融合(DySSFF)模块,提升小目标特征信息提取能力。损失函数使用Inner-SIoU,注入边界框的形状和尺度信息,增强边界框回归效果。实验结果表明,所提出的模型在Visdrone2019数据集上的mAP和mAP,分别提升了2.2%和0.9%,有效提高了模型目标检测能力。

关键词： 深度学习   柑橘采收   目标检测  

摘要： 有效识别套袋柑橘目标是实现数字农业产量估测的重要一步。针对在果实重叠和枝叶遮挡环境下识别套袋柑橘较困难的情况,基于YOLOv8n目标检测模型提出了DH-YOLO(YOLOv8n-DySample-HWD)套袋柑橘目标检测模型。主要对YOLOv8n模型的网络结构做了以下改进:首先,使用DySample模块替换原模型中的上采样模块,提升模型的准确率;其次,在保证模型的准确率和召回率的同时,引入HWD轻量级下采样模块来减少模型内存,与原始模型相比,更方便部署。所提出的套袋柑橘目标检测模型在准确率和平均精度方面均提高了0.5个百分点,模型内存减少了0.2MB,具有更高的识别精度和更强的部署能力,该模型可用于自然环境中套袋柑橘采收和产量预测工作。

关键词： 乳腺钼靶   目标检测   YOLOv8   注意力机制   医学影像分析  

摘要： 目的乳腺癌早期筛查是降低死亡率的关键手段,然而传统计算机辅助检测系统存在高漏诊与高误诊风险。本研究旨在开发一种高精度、高效率的自动检测算法,以提升对微小恶性病灶的检出能力,为临床早期诊断提供可靠工具。方法提出一种基于YOLOv8架构的改进型目标检测模型,融合了双路径注意力模块,通过并行的通道与空间注意力机制,动态增强病灶区域的显著性特征表达,并有效抑制复杂背景组织的干扰。结果实验结果表明,本文所提模型在MIAS数据集上取得了显著性能提升。其mAP@0.5达77.7%,相较于基线YOLOv8模型提升8.2%,参数量仅轻微增加0.2M,具备良好的临床部署潜力。结论本研究验证了双路径注意力机制在乳腺钼靶病灶检测任务中的有效性,为解决微小、低对比度病灶的检测难题提供了解决方案,具有重要的临床转化价值。

摘要： 近年来,密集遮挡、极端弱光、高动态模糊、水下浑浊、强辐射等极端环境日益成为智慧城市、深空探测、极地科考、灾害应急、智能交通和高端制造等领域的常态场景。面对信噪比极低、退化类型多样、目标尺寸微小或密集的原始影像,传统图像处理链路在增强复原、信息解析和下游应用中屡遭瓶颈。

关键词： 光谱仪   望远镜   成像   视向速度   图像处理  

摘要： 光纤扰模技术用于高分辨率光谱观测可以有效提高视向速度测量精度,为搜寻类地行星等前沿科学问题的研究提供了有利工具。当前光纤传输产生的模式噪声对高分辨率光谱仪的影响已不可忽视,如何通过出射光场的模式散斑图直接分析光纤扰模效果成为重要课题。针对此问题,构建了一种基于傅里叶频谱的光纤扰模性能评价方法,通过二维傅里叶频谱分析和图像对比度及可见度的计算,对不同光纤的出射散斑图进行了对比分析。结果证实该方法更加普适、统一、无差别化,为评价光纤扰模效果的准确性和有效性提供了重要的方法支持。

关键词： 工业锅炉   状态监测   故障诊断   图像处理   计算机系统  

摘要： 图像处理的关键是提取、分析和识别图像中的特征。在锅炉状态监控中,采用工业高温摄像机对燃烧过程中的火焰与烟雾进行图像预处理,实现对锅炉燃烧状态、换热效率、设备损耗等关键参数的精确测量。同时,针对当前工业锅炉工况监控数据规模大、实时性强等特点,本次研究拟将大数据分析与云计算等技术相结合,通过对数据存储与处理效率的优化,实现对锅炉工况进行全寿命周期管理。同时,利用多模态信息融合技术,如热、光图像等,进一步提高故障诊断的精度和稳健性。从工业锅炉结构与常见故障入手分析,介绍基于边缘计算法的系统架构以及上位机图像处理系统,为实现对锅炉的精准调节和安全管理提供参考。

关键词： 迁移学习   小样本目标检测   特征增强   类别混淆   正交损失  

摘要： 针对现有的小样本目标检测算法中模型对新类别的特征参数敏感度较低和难以准确区分类别相关和类别无关参数,导致特征边界模糊以及类别混淆的问题,提出一种结合新类特征增强与度量机制的小样本目标检测算法(FEMM-FSOD)。首先,提出跨域参数感知模块(CDPM)改进颈部网络,重构通道和空间的特征重加权操作,并结合空洞卷积采用跨阶段的信息传递与特征融合方式,以提供丰富的梯度信息导向并提升新类别参数的敏感性;同时,在感兴趣区域池化(RoI Pooling)前构造多元相关特征融合模块(ICMF),以建立特征之间的相关性并动态优化相关特征的融合方式,从而增强显著特征。CDPM与ICMF的引入有效了增强新类别的特征表示,从而减轻特征边界模糊的现象。此外,为进一步减轻类别混淆,在检测头部分提出基于度量机制的正交损失函数CohSep Loss(CoherenceSeparation Loss),以通过度量特征向量相似度实现类内特征聚合和类间特征分离。实验结果表明,相较于基线算法TFA(Two-stage Fine-tuning Approach),在PASCAL VOC数据集上,所提算法在15种小样本实例个数的mAP50(阈值为0.50时新类别的平均精度均值(mAP))上提升了5.3个百分点;在COCO数据集上,所提算法在10shot和30shot对应的mAP(阈值为0.50~0.95时新类别的mAP)上分别提升了3.6和5.2个百分点,实现了更高精度的小样本目标检测。

关键词： 老旧小区改造   目标检测   建筑运维   倾斜摄影  

摘要： 当前城市更新已经成为城市发展的重要方向,其中老旧小区改造问题作为城市发展的短板、体现民生福祉的重要内容亟须改造提升,城市老旧小区当前存在着建筑结构老化严重、功能性差、拆改严重等问题。本研究探索在建立老旧小区改造管理平台过程中提高城市图像信息利用效率的途径,通过将目标检测技术与无人机倾斜摄影相结合建立城市模型,实现老旧小区改造前期的老旧小区建筑外部调研与搭建运维与管理平台过程中城市图像的高效利用,为持续推进目标检测在老旧小区改造领域的研究提供参考。

关键词： 人工智能   医院行政档案管理   自然语言处理   机器学习   计算机视觉  

摘要： 人工智能技术的深度应用正在重塑医院行政档案管理模式,推动其向智能化、安全化与协同化方向转型。文章聚焦行政办公室的核心职能,探讨自然语言处理、机器学习、计算机视觉及区块链等技术在档案管理中的整合应用。通过自动化分类、智能检索、跨部门协同与动态安全管控,系统可有效提升档案管理效率,降低运营风险。未来,技术部署需与岗位能力升级、生态协同并进,实现从“数据存储”到“价值驱动”的跨越,为医院高质量发展提供支撑。

关键词： 目标检测   机器学习   YOLOv8   轻量化模型  

摘要： 【目的】杂草检测在农业机械化除草中具有重要的意义,为解决YoLOv8模型尺寸较大、对遮挡目标检测困难的问题,提出对YOLOv8模型进行优化改进。【方法】首先,将主干网络替换为ShuffleNetV2,减少模型计算量和参数规模,以增强其在边缘设备上的适用性;其次,将检测头中的C2f模块替换为改进的C2f_Faster模块,以提高特征融合效率和检测精度。【结果】通过在多个杂草数据集上进行实验验证,改进后的模型与原始YOLOv8模型相比,在保持轻量化的优势下,参数量减少了67.85%,同时均值平均精度(mAP)增长了1.56%。【结论】成功验证了改进方法的有效性,为农业领域复杂场景下的杂草检测提供了一种高效且可靠的解决方案。