关键词： 计算机软件   人工智能技术   图像处理  

摘要： 针对传统图像处理技术存在噪声敏感、计算复杂和智能化程度低等问题。本研究探讨了人工智能技术在图像处理中的应用,论述了人工智能技术的定义、方法和图像处理技术,归纳了图像处理的概念,阐述了图像处理的主要任务与应用领域,详细分析了人工智能技术在图像处理中的应用,包括图像分类与识别、图像分割、图像生成与合成。通过案例分析人工智能技术,结果表明:人工智能技术不仅为图像分割技术的进一步发展提供了新的思路,同时也为实际应用中的图像处理解决方案提供了可行的参考。

关键词： 机器视觉   玻璃纤维纱团   缺陷检测   图像处理   模型在线服务架构  

摘要： 为解决玻璃纤维(简称玻纤)纱团在生产或运输过程中出现缺陷人工检测效率低和漏检率高的问题,提出一种基于机器视觉的玻纤纱团外观缺陷检测方法。该方法将传统图像算法和深度学习算法相结合,首先使用传统方法预处理图像,减少玻纤纱团塑料包装的反光对图像质量的影响,利用RGB与HSV色彩空间通道识别玻纤纱团型号标签;其次将疑似缺陷的玻纤纱团图像传入改进的MobileNetV2深度学习模型进行缺陷判定。最后设计了一套完整的玻纤纱团外观缺陷检测软硬件系统,以西门子S7-200 PLC作为硬件控制器,完成玻纤纱团检测过程中的自动传送与分拣,基于模型在线服务(EAS)架构设计了功能齐全的软件系统。研究结果表明,该系统的检测准确率为97%,玻纤纱团品种分类正确率达99%,相机采集和检测处理速度满足工业实际需求,能够有效代替人工并提高质检效率。

关键词： 无人机   目标跟踪   特征融合   特征分块注意力   Siamese网络  

摘要： 无人机(UAV)已被广泛应用于各类领域中,目标跟踪是无人机应用的关键技术之一。提出一种基于特征融合和分块注意力的无人机跟踪算法,旨在解决无人机在目标跟踪时面临的外观变化和外界因素干扰等问题。采用Siamese网络提取模板图像和搜索图像的方向梯度直方图(HOG)特征、颜色(CN)特征和深度卷积特征,自适应计算3种特征权重的大小,增强融合特征的表达能力。采用改进的特征分块注意力机制,增强模板图像特征信息中有效区域的关注度,实现更有效地目标相似度匹配。为降低计算成本,将输出特征向量转换到YCbCr空间后进行离散余弦变换(DCT)并保留低频分量,得到特征响应图,进行分类回归得到最终目标位置。实验表明:所提算法可以降低外观变化、外界因素干扰对跟踪性能的影响,提升目标跟踪的准确性。

关键词： 人工智能算法   计算机图像处理   清晰度  

摘要： 为提高计算机处理技术水平,本文研究了人工智能算法在计算机图像处理中的应用。首先介绍计算机处理的概念以及基本技术,包括图像识别、分割、增强与复原等。其次介绍了遗传算法、粒子群优化算法、蚂蚁算法,明确人工智能算法在处理图像中应用的基本原理,并在第三部分探讨多元化人工智能算法在计算机图像识别、分割等处理流程中的应用要点,最后通过实例分析,验证了人工智能算法在图像处理中的应用价值,以期为未来计算机图像处理任务提供一种可参考的算法。

关键词： YOLO   水泥包装袋   目标检测   姿态估计  

摘要： 借鉴现有机器视觉理论实践和人体姿态估计算法,研究利用YOLO11作为基础模型,制作水泥包装袋姿态数据集,并改进YOLO主干和注意力机制,训练出一种针对水泥包装袋的姿态估计算法模型YOLO-BagPose。通过实验数据验证,该姿态估计模型表现稳定,估计准确率>98%,算法耗时<0.23s。

关键词： 自动驾驶   深度学习   目标检测   多传感器融合  

摘要： 为满足自动驾驶系统的高效、准确感知的需求,如果仅依靠相机很难实现高精度和鲁棒的3D目标检测。解决这一问题的有效方法是将相机与经济型毫米波雷达传感器相结合,实现更可靠的多模态三维目标检测。融合两者的检测方式不仅提升了环境感知的准确性,还增强了系统的鲁棒性和安全性。本文提出了一种基于毫米波雷达和相机融合的自动驾驶感知算法HPR-Det(historical pillar of ray camera-radar fusion bird ’s eye view for 3D object detection)。具体而言,首先设计了雷达BEV特征提取Radar-PRANet(radar point RCS attention net),由双流雷达主干提取具有两种表征维度的雷达特征和RCS感知的BEV编码器组成,根据雷达特定的RCS特征将雷达特征分散到BEV中。其次,采用历史多帧预测范式HrOP(historical radar of object prediction),设计了长期解码器和短期解码器,同时只在训练期间执行,在推理过程中不引入额外的开销,同时由于本网络输入数据的稀疏性,引入了多模态的历史多帧输入,引导更准确的BEV特征学习。最后,提出了毫米波优化的射线去噪方法,通过将毫米波雷达点云的信息作为先验信息,使用当前帧的毫米波点云特征辅助生成提议,增强对于相机的查询特征表征。本文所提出的算法在大规模公开数据集nuScenes上进行模型训练和实验验证,在骨干为Resnet50的基础上NDS达到56.7%。

关键词： 铁路路基   土石方计算   地质剖面图   图像处理   分类计算  

摘要： 本文讨论了铁路路基设计中土石方计算的挑战以及现有方法的局限性,并提出了一种基于图像处理的新型计算方法,该方法将地质剖面图中地质界线进行一定的修正,再将其按一定比例系数放大并绘制到特定位图中,进而利用图像处理技术快速识别出各地层区域轮廓,并提取出每个地层的区域边界范围,最后通过预定义的填挖设计线构造填挖区域,利用区域之间的布尔运算,实现了铁路路基设计中断面填挖土石方的分类计算,极大提高了计算效率和准确性。This paper discusses the challenges of earth and rock calculation in railway subgrade design and the limitations of existing methods, and proposes a new calculation method based on image processing, which corrects the geological boundary in geological profile to a certain extent, amplifies it according to a certain scale factor and draws it into a specific bitmap, and then uses image processing technology to quickly identify the contours of various layers. The boundary range of each stratum is extracted, and the filling area is constructed by the pre-defined cut-fill design line, and the classification calculation of the section filling and excavating earth and rock in the railway subgrade design is realized by using the Boolean operation between the areas, which greatly improves the calculation efficiency and accuracy.

关键词： 目标检测   特征信息   分类回归   果实识别   目标遮挡   每秒传输帧数   平均检测精度均值  

摘要： 针对当前果实识别中检测速度慢和遮挡目标识别准确率低的问题,提出一种YOLO-Z果实识别算法。使用YOLOv7-Tiny作为基础模型,采用轻量级的T-Net作为新的特征提取网络,减少网络层数,解决参数量过大及模型计算速度过慢的问题;使用AFPN特征融合结构缩减非相邻层之间较大的语义差距,增强特征信息的提取,提升模型的精度;引入损失函数Repulsion Loss,用于计算遮挡损失,解决目标遮挡问题,提高果实识别检测效果。实验结果表明,改进后的模型参数量达4.3 M,FPS为每秒200帧,mAP达到93.40%,较YOLOv7-Tiny提升0.9个百分点,参数量下降1.7 M,验证了该模型的有效性。

关键词： 合成孔径雷达   舰船目标检测   压缩   过滤器剪枝   层剪枝   蒸馏  

摘要： 边缘设备的资源有限,而深度神经网络模型规模庞大且参数量众多。针对基于深度神经网络的合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标检测模型在边缘设备上部署难度大的问题,提出一种基于剪枝的压缩方案,对YOLOv3-SPP模型进行轻量化。使用该方法在AIR-SARShip-1.0数据集上进行实验。实验结果表明,采用的压缩方案能将原始模型压缩到10%以下,而速度提升了1.5倍,精度值只是略微降低了0.02。这大大降低了模型在边缘端的部署难度,突破了硬件资源的限制。

关键词： 智能家居   物联网   emWin界面设计   计算机视觉   语音控制   智能门禁  

摘要： 该研究聚焦于构建一个前沿的物联网智能家居平台,旨在深度契合现代家庭对于居住安全及生活品质智能化的迫切需求。该系统以STM32H7与STM32F4高性能微控制器为核心引擎,集成温湿度、光敏、烟雾、雨滴及红外检测等多类型传感器,实现对家居环境的全面感知。系统深度融合智能语音、人脸识别、emWin界面设计、蓝牙APP控制等尖端科技。注重能源管理,智能节能模式降低运行成本。界面友好,操作便捷,保障用户数据与家庭安全,引领智能家居新体验。