关键词： 计算机视觉   opencv   人脸图像比对   教育公平  

摘要： 为了提高高校学生身份核查的效率并保障教育公平,设计了一种基于计算机视觉技术的人脸图像比对系统。采用UML进行系统建模,明确用户需求和功能结构。前端界面使用Vue框架开发,后端采用Python的Flask框架,核心比对算法基于opencv技术。系统通过Web服务集成了人脸检测、比对和身份验证功能。系统在两所高校成功应用,完成了26万学生的人脸身份核查。该系统有效提升了高校学生身份核查的工作效率,对保障教育公平具有重要意义,为高校身份管理提供了一种高效、可靠的技术解决方案。

关键词： 旋转目标检测   结构重参数化   YOLOv8   任务动态对齐  

摘要： 针对遥感目标图像检测中存在的小目标检测困难、尺度变化大、方向任意以及在小型设备中检测精度不足等问题,提出了一种基于改进YOLOv8的轻量型遥感图像旋转目标检测算法LR-YOLO(Lightweight Rotating-YOLO)。首先,利用结构重参数技术并加入EMA注意力机制设计特征提取模块C2f-RA,增强网络的特征提取和特征表达能力,有效过滤复杂背景噪声的干扰。其次,在网络架构中采用ADown下采样,在减少特征图的尺寸的过程中防止上下文信息丢失过多。最后,针对检测头分类和定位两个分支缺乏交互,导致预测不一致的问题,提出任务动态对齐检测头ETDA-Head,促进分类和定位任务间的协同作用,以提高网络模型的精度。实验结果表明,改进后的算法在DIOR-R数据集和HRSC2016数据集上mAP@0.5上较基准模型分别提升1.4%和1.6%,参数量减少56.25%,相较于代表性的RoI Transformer算法检测精度提高了16.9%。这表明LR-YOLO算法有效地提升了检测精度,并显著降低模型的复杂度,验证了其有效性。

关键词： 计算机视觉技术   烟花识别   传感器融合   烟花表演   智能烟花  

摘要： 作为文化含义的寄托物,烟花在各项庆典和文艺演出场合起到关键的推动作用,受到人们的关注和喜爱。传统的目视估量观测方法效率不高且易受主观因素干扰,因此很难确保观测得到的数据的准确性。利用计算机视觉技术通过图像获取、目标识别、即时跟踪等功能单元的应用,能够有效捕捉烟花燃放过程,并进行相应的动态解析,有助于提高安全监管的水平,完善艺术效果评定体系。基于此,阐述计算机视觉技术在烟花识别与动态分析中的应用优势,提出一些应用策略,并对计算机视觉在烟花识别与动态分析中的应用进行展望。

关键词： 微塑料   图像识别   计算机视觉   人工智能  

摘要： 深入分析对比了决策树、随机森林等机器学习模型与卷积神经网络等深度学习模型技术在图像识别检测微塑料中的研究和应用进展,发现上述算法面临着数据稀缺、泛化能力弱及场景适应性差等瓶颈问题.针对这些问题,融合计算机视觉与传统分析技术,建立协同分析框架、构建多介质标准化图像数据库,突破数据壁垒,以及开发轻量化自适应算法,提升野外部署效能,以期成为未来该领域重要的发展方向.从而为微塑料智能监测技术的实用化转型提供理论支撑与关键技术路径.

关键词： 棉田昆虫   目标检测   深度学习   轻量化   注意力机制  

摘要： 为在自然环境下使用移动设备准确地检测棉田昆虫,构建棉田昆虫图像数据集并提出轻量化棉田昆虫检测模型。为提高在复杂背景下小目标检测的准确性及易于移动端部署,提出一种轻量化模型YOLOv5—SCE,其有效加强复杂背景下小目标主要特征提取能力以及减少参数和计算量。通过引入轻量化EfficientFormerV2结构替换原有模型主干,得到轻量化后的模型。为保持检测精度,引入CBAM注意力机制并对边界框损失函数进行调整。在自建的棉田昆虫数据集上测试表明,YOLOv5—SCE模型在测试集上平均精度均值mAP为94.5%,模型参数为4.15 M,计算量为8.2 G。与原始YOLOv5模型相比,该模型计算量减少为原始模型的51.5%,参数量减少为原始模型的58.8%,mAP提升1.2%。

关键词： 丘陵山地   轨道检测   单轨轨道   GPS   目标检测   损伤检测  

摘要： 针对丘陵山地单轨轨道本体结构受高密度运营、高负荷载重和外界自然环境的作用导致腐蚀损伤、轨道变形、沉降等问题,设计了一种便携式单轨轨道检测装置以及时获取轨道信息并进行精准检修。该检测装置通过GPS传感器记录经纬度信息和多轴角度信息,对摄像头记录的画面进行目标检测从而实现轨道检测,最后将多种信息汇总实现地理信息交互。试验结果表明:检测装置对转弯半径检测的最低平均误差为3.68%;静态坡度检测的最大相对误差为4.55%,平均误差为2.53%;动态坡度检测的最大相对误差为-8.20%,平均误差为5.33%;采用YOLOv8-n模型对轨道表面缺陷进行检测,完成训练的模型m AP值为81.55%;地理位置信息可以准确地显示转弯半径、坡度和轨道表面损伤分析的结果。该检测装置可以较好地实现轨道转弯半径、坡度、损伤检测,可以应用于数字农业从而提升农业信息化水平,具有一定的应用前景。

关键词： 目标检测   牛类行为识别   轻量级模型   复杂畜牧场景   RT-DETR  

摘要： 针对复杂养殖场景下肉牛行为识别存在的遮挡严重、多尺度目标共存、模型计算量大等问题，本文提出一种轻量级视觉识别模型Cattle-RT-DETR。首先，为解决现有数据集复杂场景缺失问题，构建牛舍、牧场等多场景下的牛类行为识别数据集，精细化标注躺卧、站立及爬跨交配等5类行为；其次，设计轻量化多尺度特征提取主干网络Res2NetXE-nano，在降低参数量的同时增强细节纹理捕捉能力；再次，进一步提出跨尺度窗口内频交互模块，融合多尺度频率分解与动态权重分配，显著提升遮挡场景下的定位精度；最后，提出综合损失Inner-MPDIoU-ESVFL，缓解类别不平衡与小目标漏检问题。研究结果表明，在牛类行为识别数据集上模型精度m AP、AP@50和AP@75分别达到62.23%、83.78%和72.73%，较基线RT-DETR-R18提升0.5%、1.03%和1.28%；参数量15.376MB较基线降低22.65%;FPS达到195.5帧/s，较基线提升161.36%；在跨物种、跨域泛化测试中，AP@50分别达到99.5%、91.7%，验证模型对畜牧场景下动物行为识别的普适性。本研究可为复杂场景下的牛类行为实时监测提供一种高效解决方案，为智慧畜牧业的智能化管理提供了新的技术支撑。

关键词： 刨花板表面缺陷   目标检测   多尺度   正偏态分布   YOLO  

摘要： 【目的】针对刨花板表面缺陷尺度变化大、多尺度缺陷共存及缺陷数量随缺陷尺度呈正偏态分布导致检测精度低的问题，提出了一种具备自适应感受野能力的目标检测方法（PBDNet），用于提升刨花板表面缺陷检测的精度和速度。【方法】PBDNet通过引入空间分割与通道融合策略（SPDConv）作为下采样方法，将特征张量在空间上分割并在通道上拼接，减少了下采样过程中的信息损失，为正偏态分布中高峰一侧的缺陷保留了更多的细粒度特征，提高了检测模型对缺陷数量随缺陷尺度呈正偏态分布时的检测能力。此外，在PBDNet中提出的特征提取模块（C2f＿SD），通过将可切换空洞卷积与差分卷积添加到C2f特征提取模块中，显著提高了模型对不同尺度缺陷的检测能力。【结果】对比实验及消融实验结果表明，PBDNet在mAP50值和Recall值上均优于主流缺陷检测算法。相较于YOLOv8s，PBDNet的mAP50值和Recall值分别提升了4.8%和6.4%，达到0.881与0.840，同时在保持推理速度小于3 ms的情况下模型参数量减少了42.2%。【结论】PBDNet检测方法能够满足刨花板表面多尺度缺陷正偏态分布时的检测需求，为实时精确检测的需求刨花板表面缺陷检测产业化应用提供了一种高效、精准、可边缘部署的自动化检测方法。

关键词： 裂纹追踪   Transformer   计算机视觉   语义分割   结构健康监测  

摘要： 基于深度卷积网络的语义分割模型在结构损伤检测领域展现出了良好的应用效果，但在面向航空结构损伤检测时，由于裂纹通常在图像中的占比很小，多层的卷积和池化操作会导致裂纹信息丢失，严重降低分割精度。因此，对基于Transformer的语义分割模型开展研究，设计了适用于航空结构表面损伤检测的裂纹智能追踪通用模型（Transformerbased Model for Intelligent Crack Tracking,TICT）来实现对裂纹的精准分割和智能追踪。首先，使用自适应动态图像块划分机制将图像分割成不同大小和重叠程度的图像块；然后，将图像块输入基于Transformer的编码器中，提取包含裂纹图像上下文信息和局部细节信息的多尺度特征；再使用一个轻量级的多层感知机和注意力模块作为解码器生成裂纹掩码图像；最后，通过图像形态学操作对掩码图像中的裂纹连通域进行修正，并映射回原始图像得到精确的裂纹分割区域；通过对疲劳试验过程中实时采集图像重复上述操作，即可实现对裂纹的自动化持续追踪。在金属元件和全机疲劳试验的裂纹图像数据集上对TICT模型进行训练与测试，TICT模型在多种金属元件和全机结构裂纹图像测试集上mIoU达到了78.31%，证明了TICT模型对各种结构构型、背景复杂及特征微小的航空结构表面裂纹均能够实现精准分割，具有良好的泛化性和鲁棒性。

关键词： 目标检测   遥感图像   交并比监督   深度学习   RetinaNet  

摘要： 在遥感图像中,建筑物的精准识别对于城市规划和管理至关重要.然而,由于城市区域内建筑物的密集分布以及现有方法对边界定位精度的不足,建筑物的准确检测和区分仍然面临挑战.为解决这一问题,本文提出了一种基于交并比(IoU)监督的旋转框建筑物检测方法.该方法通过设计交并比定位精度监督网络,有效减弱了复杂场景下邻近建筑物的干扰,提高了检测框的定位精度.此外,采用环形平滑标签来解决因角度周期性变化引发的损失振荡问题.实验结果表明,该方法在Building-OBB数据集上达到了93.31%的mAP和95.19%的召回率,并在DOTA数据集上实现了76.93%的mAP,充分验证了该方法的有效性.