关键词： 茶叶品质鉴定   支持向量机(SVM)   计算机视觉   图像特征提取   手机应用  

摘要： 此研究针对传统茶叶感官审评效率低、主观性强的问题,开发了基于Android平台与支持向量机(SVM)的智能鉴别方法。通过Open CV提取茶叶的RGB、HSV颜色特征及形态学、纹理参数,结合Pearson相关性分析筛选关键指标,构建多维特征数据集。采用径向基核函数优化SVM模型,经网格搜索交叉验证确定超参数,实现绿茶四等级分类,测试集总体准确率达87.22%,其中特级茶识别率提升至91.11%。配套开发的Android客户端支持用户通过手机拍照完成茶叶品质鉴别,将条索紧结度、色泽润度等感官指标转化为量化参数,显著提升检测效率与普适性。该方法为农产品质量检测的便携化、智能化提供了可推广的技术范式。

关键词： 计算机视觉   车载监控系统   环境感知   障碍物检测  

摘要： 随着智能交通技术的飞速发展,车载监控系统在提升道路安全、优化交通流畅度以及增强驾驶体验方面扮演着越来越重要的角色。文章探讨计算机视觉技术在车载监控系统中的应用,包括环境感知、车道偏离识别等,分析其性能提升路径,如高效算法、模型优化等。研究表明,通过多传感器融合与硬件加速,可提升系统在复杂环境下的检测精度与实时性,为车载智能系统发展提供参考。

关键词： 奶牛产犊   腿部姿态   轮廓提取   YOLOv5   计算机视觉   灰度直方图  

摘要： 躺卧产犊是奶牛产犊的一种典型姿态,腿部姿态变化可在一定程度上反映奶牛产犊的难易程度。本试验选取第2产程产犊奶牛20头,随机分为初产组和经产组各10头,长时组(产犊时间超过35min)和短时组(产犊时间低于35 min)各10头,基于YOLOv5算法对产犊奶牛整体姿态进行识别,利用轮廓提取技术对奶牛局部姿态腿部进行特征提取并分析。结果表明:基于YOLOv5算法的产犊奶牛目标检测中站立和躺卧姿态精确率分别为82.61%和89.19%,召回率分别为95%和99%,指标全类平均精确率分别为93.82%和96.35%,另外F1分数分别为88.37%和93.84%。模型训练能很好地将站立、躺卧姿态区分开来;产犊过程中的躺卧时长显著高于站立时长。腿部姿态变化在产犊过程前中后期差异显著;奶牛产犊过程中,其伸直和抬腿姿态特征低于蜷缩姿态(P<0.01);初产组产犊奶牛抬腿姿态特征高于经产组(P<0.05)。初产组抬腿时间与频次高于经产组(P<0.05);长时组产犊奶牛抬腿姿态特征高于短时组(P<0.05)。长时组产犊奶牛产犊时间、犊牛重和蜷缩抬腿频次高于短时组(P<0.05)。使用YOLOv5技术及轮廓提取可以实现实时准确、快速的目标检测以及对产犊奶牛姿态变化做出判别,为奶牛牧场的管理和监测提供技术支持。

关键词： 复杂场景   目标检测   小目标   多尺度特征融合   YOLOv8  

摘要： 为了解决施工场景下安全帽佩戴检测时,由于人员密集、遮挡和复杂背景等原因造成的小目标漏检和错检的问题,提出一种基于YOLOv8n的双重注意力机制的跨层多尺度安全帽佩戴检测算法。首先,设计微小目标检测头,以提高模型对小目标的检测能力;其次,在特征提取网络中嵌入双重注意力机制,从而更加关注复杂场景下目标信息的特征捕获;然后,将特征融合网络替换成重参数化泛化特征金字塔网络(RepGFPN)改进后的跨层多尺度特征融合结构S-GFPN(Selective layer Generalized Feature Pyramid Network),以实现小目标特征层信息和其他特征层的多尺度融合,并建立长期的依赖关系,从而抑制背景信息的干扰;最后,采用MPDIOU(Intersection Over Union with Minimum Point Distance)损失函数来解决尺度变化不敏感的问题。在公开数据集GDUT-HWD上的实验结果表明,改进后的模型比YOLOv8n的mAP@0.5提升了3.4个百分点,对蓝色、黄色、白色和红色安全帽的检测精度分别提升了2.0、1.1、4.6和9.1个百分点,在密集、遮挡、小目标、反光和黑暗这5类复杂场景下的可视化检测效果也优于YOLOv8n,为实际施工场景中安全帽佩戴检测提供了一种有效方法。

关键词： OpenCV   计算机视觉   图像识别   摄像头调用  

摘要： OpenCV基础什么是OpenCV?计算机视觉是一门研究如何使机器“看”的科学,具体地说,是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等,并最终处理成为更适合人眼观察或传送给仪器检测的图像。在计算机视觉领域,有一个非常重要的开源库,它就是OpenCV。

关键词： 无人机目标跟踪   相关滤波   显著性特征图   时间正则化   轻量型深度网络  

摘要： 无人机(UAV)场景中的目标跟踪在很多现实任务中得到广泛应用。与一般场景中的目标跟踪任务不同,UAV目标跟踪更易受到复杂环境干扰和算力的限制。基于此,提出了一种显著性感知三重正则化相关滤波(TRCF)UAV目标跟踪算法。采用高效的显著性目标检测算法动态生成对偶空间正则化器来抑制边界效应,惩罚不相关的背景噪声系数。引入时间正则化应对目标因外观变化而导致的滤波器退化问题,提供更鲁棒的外观模型。此外,引入轻量型的深度网络CF-VGG来提取目标的深度特征,并与手工特征线性融合描述目标的语义信息,提高跟踪精度。在5个公开的UAV基准数据集上进行了充分实验,结果表明:所提算法在5个数据集上的整体性能均有不同程度提升,证明了算法的有效性和鲁棒性,且算法的实时跟踪速度约为21帧/s,能够胜任UAV的目标跟踪任务。

关键词： 尾煤灰分   图像处理   特征提取   宽度学习  

摘要： 针对当前选煤厂中人工估量浮选尾煤灰分导致物料损失严重的问题,利用图像处理技术对尾煤图像进行特征提取,分析了与对应灰分的相关性,构建了基于主成分分析(Principal Component Analysis,PCA)和宽度学习系统(Broad Learning System,BLS)相结合的灰分预测模型。采集了高质量的尾煤图像数据集,提取了尾煤图像的RGB、LAB和HSV的颜色特征、灰度特征以及纹理特征。在此基础上选择累计贡献率达99.67%的8个主成分特征,用于构建PCA-BLS尾煤灰分预测模型。该方法平均绝对百分比误差为0.00638,均方根误差为0.59091,运行时间0.0025 s,表明其可以很好地完成尾煤灰分预测任务。

关键词： 侦查技术   目标检测   监控视频   YOLOv3算法   动态目标获取   光照变化   摄像头抖动  

摘要： 针对监控视频中动态目标获取受光照变化、摄像头抖动等因素干扰的问题,提出基于YOLOv3算法的监控视频动态目标自动识别方法。首先,对监控视频图像进行预处理,包括背景建模和差分计算,以优化图像背景;接着,提取视频中的特征;最后,结合YOLOv3算法对提取的特征进行检测和跟踪,实现动态目标的自动识别与实时检测。实验结果显示,所提方法显著提升了动态目标的检测精度和速度,证明该方法在应用上取得了更好的效果,适用于监控视频中的动态目标自动识别。

关键词： 穿孔识别   图像配准   NAM注意力   图像处理  

摘要： 静爆试验威力大、范围广,自动报靶系统无法布设在靶板周围实现穿孔识别,而人工识别方式效率低下,基于传统Otsu视觉算法的靶板穿孔识别精度不够,针对该问题,提出了一种基于图像配准和深度学习的靶板穿孔识别方法。采用双重图像配准方法提高试验前后靶板图像的配准精度,从差分图像中提取穿孔区域,并用ResNet50-NAM深度学习网络对穿孔区域进行分类识别。结果表明,所提方法的平均穿孔识别准确率为97.26%,与传统Otsu视觉算法相比,平均穿孔识别精度提高20.95%,平均穿孔识别时间比人工识别方式缩短83.89%,能够为武器装备毁伤效能评估提供快速、准确的数据支撑。

关键词： 计算机视觉   人体姿态估计   动作识别  

摘要： 随着计算机视觉技术的快速发展,人工智能被广泛应用于体育运动领域,对运动员的技能表现进行智能化的识别与评价。利用计算机视觉相关技术,设计了一个射箭技术动作智能识别与质量评价系统,初步构建了一个射箭运动员标准技术动作视频数据集,建立了姿态估计、动作识别和评价标准模型。该系统能够实时准确地对射箭运动员技术动作进行智能化识别与评价,进而提高运动员训练效率,优化教练员教学方法,具有很高的应用及推广价值。