关键词： 可编程逻辑控制器   图像处理技术   物料自动分拣   加权平均法  

摘要： 随着国内经济结构调整与物流的高速发展,中国物流行业发生了巨大的变化,传统人工分拣已经无法满足市场的需求。针对目前物料分拣存在效率低、成本高等问题,本文研究并提出了一种基于可编程逻辑控制器(Programmable Logic Controller,PLC)与图像处理技术的物料自动分拣模型。结果显示,与其他方法对比,采用加权平均法对物料图像进行灰度化的信息熵、平均梯度最大。与其他方法进行对比,基于PLC的物料自动分拣模型对物料进行分拣的准确率有所提升,平均绝对百分比误差有所降低。当物料数量为5000时,平均绝对百分比误差分别为0.0287,物料进行自动分拣的准确率为98%。本文提出的方法可以有效地提高物料自动分拣的效率,减少物料自动分拣的成本和时间。

关键词： 裂缝检测   注意力模块   轻量化   YOLOv5s模型   目标检测  

摘要： 为解决当前混凝土裂缝检测模型庞大难以部署到移动端设备且裂缝检测不准及漏检问题,提出一种基于多维注意力模块的轻量化混凝土裂缝检测方法。该方法针对当前主流的裂缝检测模型庞大的问题,采用深度可分离卷积对YOLOv5s中的CBS特征提取模块进行重构,得到轻量化CBS(LCBS)特征提取模块,以减少网络的参数量及计算量;针对裂缝检测不准的问题,提出一种多尺度特征(MSF)提取模块用于替换YOLOv5s第1层的卷积层,以增强网络对不同尺寸裂缝特征的提取能力;针对裂缝漏检问题,提出融合空间及通道信息的多维注意力(MDA)模块,以增强裂缝特征提取能力和减少裂缝漏检。实验结果表明,所提方法比YOLOv5s参数量减少了35.2%,计算量减少了50.9%,模型规模减小了32.8%,且平均精度均值(mAP@0.5)提高了4.2百分点,与目前主流的同类目标检测方法相比,具有较低的参数量和较高的检测精度。

关键词： 智慧门店   计算机视觉   深度学习   客流统计  

摘要： 针对多柜台环境中客流统计精度和实时性难以平衡的问题,提出了一种基于目标检测算法(you only look once version 4,YOLOv4)和长短期记忆(long short⁃term memory,LSTM)网络信息融合的多柜台客流统计方法。该方法结合YOLOv4进行高效的人体检测与跟踪,利用LSTM网络对多视角数据进行时序信息融合,有效解决了多柜台场景中的重复计数与漏计问题。通过LSTM模型的引入,系统能够更好地处理顾客在多个柜台之间的动态行为,并在复杂的客流分布中保持高精度和实时性。实验结果表明:所提方法在精度、召回率、F_(1)⁃score和实时性方面均优于传统背景减除法、YOLOv3等对比算法,具备较强的实际应用价值。

关键词： 激光物理   激光器件   光电测量   最新研究成果   量子光学   图像处理   光电子   科研论文  

摘要： 一、征稿范围国内外激光与光电子科技领域的最新研究成果、技术应用、科研论文等。主要栏目包括:综合评述、激光器件与激光物理、光电测量与检测、图像处理、量子光学、光通信与网络、光电技术与应用以及其他光学方向的创新技术。

关键词： YOLOv10   烟叶   病害程度   目标检测   计算机视觉  

摘要： 烟草病害的精准检测与程度评估是保障烟叶产量与品质的关键环节。针对传统人工目检效率低、现有计算机视觉方法在低分辨率图像下小病斑漏检率高、病害程度量化不足等问题,提出一种改进的YOLOv10-3S模型。通过引入空间深度转换卷积(SPD-Conv)增强小目标细节特征提取能力,融合分离增强注意力模块(SEAM)提升病害区域定位精度,并采用SIoU损失函数优化边界框回归性能。实验结果表明,改进模型在烟叶病害程度检测任务中精确率达99.1%,召回率达97.8%,mAP@0.5和mAP@0.5∶0.95分别提升至98.9%和87.9%,尤其在轻度病害检测中性能提升显著。为烟叶病害的智能化分级与防控提供了高效可靠的技术参考。

关键词： 目标检测   MobileNetV2网络   单发多盒探测器算法   深度学习   轻量化网络  

摘要： 针对车内宠物遗落问题,在单发多盒探测器(SSD)算法的基础上,提出了一种改进的SSD目标检测算法实时检测车内是否存在遗落宠物,通过引入MobileNetV2算法来替代SSD的主干网络,并改进MobileNetV2的网络结构来进一步减少原有网络的参数量,融合卷积块注意力模块(CBAM)来提高目标定位能力,采用迁移训练策略来更好地训练网络。实验结果表明,改进后算法的模型大小相对于SSD-Mo-bileNetV2减少了65.5%,平均精度均值(mAP)提高了0.9%,帧率(FPS)也有所提升,模型大小更是减少到了原始SSD算法的5%。改进后算法实际检测的效果更好,同时更加适合嵌入移动设备来检测遗落宠物。

关键词： 人体姿态估计   计算机视觉   深度神经网络   评价指标  

摘要： 人体姿态估计是计算机视觉领域的重要研究方向,在教育教学、临床诊断、人机交互等多场景均有重要应用。随着深度神经网络提出及发展,其以强大的特征学习能力、大规模并行处理等优势,广泛应用于人体姿态估计,并大幅提高了估计结果准确度和识别效率。以人体姿态估计为研究对象,梳理近5年相关领域100篇包含RNN、CNN、GAN、前沿网络模型等深度神经网络及其变体架构的代表性文献;此外,汇总梳理近5年常用数据集,并阐释了模型常用评估指标。最后,总结现阶段人体姿态估计领域面临的挑战,并展望未来研究,以进一步探讨深度神经网络在人体姿态估计中的应用潜力。

关键词： 多帧检测   启发式搜索   无人机   目标检测   极化雷达  

摘要： 针对复杂电磁环境下无人机目标低可观测性、高机动性带来的检测难题,本文提出一种基于启发式搜索的极化雷达无人机检测方法。通过建立融合运动学约束、加速度约束与极化能量一致性约束的启发式搜索框架,有效解决了传统多帧检测方法计算复杂度高、机动适应性差的瓶颈。首先,基于雷达数据经短时傅里叶变换后的时间-距离-速度三维数据矩阵构建三维状态空间。其次,设计多约束融合的启发式函数:运动学约束基于运动学方程建立速度-距离映射模型,推导相邻帧间可达区域以压缩搜索空间;加速度约束引入加速度惩罚项抑制非物理机动轨迹;极化能量一致性约束通过结合双极化通道能量聚焦特性,构建几何平均与最小值双重约束的交叉验证机制。最后,通过线性加权将三类约束整合为统一的启发式函数评价准则,并采用贪心最佳优先搜索方法实现动态剪枝与路径优化。仿真实验表明,在信噪比5 dB以上时,本方法对匀速、匀加速及变加速三类运动模式的检测率均超过80%,较传统恒虚警率检测方法显著提升;目标跟踪航迹正确率大于80%时所需的信噪比较传统方法降低5 dB以上。经实测数据验证,针对固定翼无人机和旋翼无人机,本方法在信噪比起伏条件下仍保持连续轨迹检测能力。仿真分析与实测结果表明,所提出的多约束启发式搜索机制通过物理规律与观测数据的协同优化,实现了复杂机动无人机的有效检测。

关键词： 智能交通   单目相机   三维目标检测   深度学习  

摘要： 近年来,车辆三维目标检测在自动驾驶等智能交通领域备受关注。相较于二维检测,三维检测可精确估计目标在三维空间中的位置、尺寸与姿态等信息。因单目相机具备成本低、数据处理效率高等优势,在实际应用中占据主导地位。文章聚焦单目场景下的三维目标检测方法,系统梳理其发展脉络。首先,依据先验信息来源,将检测方法分为基于几何信息、二维目标检测与几何信息约束、三维特征估计三类,并分别剖析了每类方法中代表性算法的核心思想及其优缺点。其次,介绍领域内常用的公共数据集与评价指标,并在KITTI数据集上对典型算法的实验结果进行量化对比。最后,结合当前研究现状,剖析该领域现存的主要问题,并展望未来发展趋势。

关键词： 注意力机制   特征融合   自适应高斯核   分解注意力  

摘要： 深度学习模型需要大量标注样本进行训练,而在实际场景中,往往很难获得大规模且高质量的标注样本,而没有足够多的训练样本会导致模型性能不佳。目前面向少样本条件下的目标检测算法通常由于训练样本不足会出现漏检和错检的情况,不能有效生成目标的检测框。针对以上问题,以CenterNet方法为框架,在ONCE网络模型的基础上提出一种面向少样本条件的增量化目标检测算法。该检测器主要由结合注意力机制与特征融合的特征提取器、分解注意力编码器、自适应高斯核以及定位器组成,采用两阶段训练策略,通过增量化策略注册新类。其中,结合注意力机制与特征融合的特征提取器能增强对基类和新类特征的提取和利用能力;自适应高斯核与分解注意力方法能使检测器获得更准确的目标中心点,从而使生成的目标框更加精准。在COCO数据集和PASCAL VOC数据集上的验证实验结果表明,与其他先进方法相比,所提方法在COCO数据集上相较ONCE模型在新类、基类、全类的AP值分别平均提高了7.7、2.5和1.3,AR值分别平均提高了15.0、21.7和17.6;在PASCAL VOC数据集上相较其他方法的AP值和AR值分别平均提高了2.4和21.2,具有更好的检测性能。