关键词： 目标检测   声呐图像   注意力   渐进式感知   损失函数  

摘要： 针对侧扫声呐图像分辨率低、轮廓模糊且存在目标形状畸变严重导致检测精度低的问题,提出一种渐进式动态锚点距离调控侧扫声呐图像检测网络。设计渐进式感知主干网络利用卷积核感受野渐进扩张策略促进声呐图像稀疏目标由局部特征感知过渡到整体感知。针对侧扫声呐图像中实例尺度动态范围较大且轮廓模糊易导致预测边界框定位不准确问题,提出动态锚点距离定位损失函数以动态最小化预测边界框与真实值边界框点距。构建空间定位分组聚合注意力模块,将分组聚合自注意力建立长距离依赖与通道位置注意力建立上下文相关性结合,进一步挖掘水下稀疏目标特征信息。实验结果表明,提出的声呐图像检测算法较基准网络在平均检测精度方面提升6.3个百分点,达到88.2%,检测速度达到149帧/s,从而验证了该算法对侧扫声呐图像检测的有效性。

关键词： 葡萄果实识别   YOLO 11n   轻量化模型   目标检测   深度学习  

摘要： 针对复杂采摘环境中葡萄果实因叶片和枝蔓遮挡、果实分布密集且簇间边界模糊,以及传统检测模型计算量大、不易部署于移动终端等问题。基于YOLO 11n模型,提出一种改进的轻量化葡萄果实检测模型CBS-YOLO。首先,设计了全新的C3k2_Faster_CAA模块,使用FasterBlock模块替换原主干网络中C3k2的Bottleneck模块,以提升模型的计算效率;在此基础上,引入上下文锚点注意力机制,进一步增强模型的上下文特征提取能力。针对葡萄果实因紧密堆叠和复杂背景引发的目标区分困难问题,在颈部网络中融入BiFPN结构,以增强模型对重叠果实及密集分布目标的检测能力,同时有效减少背景干扰。此外,为应对采摘环境中光照变化及叶片遮挡带来的检测难题,在检测头中引入多头注意力机制,构建Detect_SEAM模块,从而更好地捕捉果实区域的关键特征,提升模型在复杂环境下的鲁棒性和检测性能。结果表明,CBS-YOLO在综合性能上均优于主流检测模型,其精确率、召回率、mAP_(50)的全类别均值分别达92.2%、90.3%、94.6%,较基准模型YOLO 11n分别提升2.8、2.1、1.9百分点。同时,模型参数量和浮点运算量分别减少44.7%、36.5%。该模型在保持高精度的同时实现了轻量化效果,为复杂场景下的葡萄果实高效检测提供了有效方案,并为资源有限设备的实际应用提供了技术支持。

关键词： 深度学习   视觉跟踪   Siamese网络   批量归一化   注意力机制   改进ResNet网络  

摘要： 为了增强利用残差网络提取的目标特征,在ATOM50算法基础上提出了一种基于改进的ResNet网络和特征融合的目标跟踪算法。在ResNet-50骨干网络中使用结合无批处理归一化和位置感知循环卷积的增强瓶颈块,有效增强了全局信息的捕获能力,并减缓了跟踪过程中的偏移累积;对提取的特征采用注意力特征融合模块,通过融合浅层特征的细节和深层特征的语义信息,进一步增强特征对目标的表达能力。利用OTB2015、VOT2018和LaSOT数据集对所提算法进行验证,在OTB2015上成功率和精确度分别达到了70.2%和91.1%,与基准算法ATOM50相比,成功率和精确度分别提升了1.2%和1.5%;在VOT2018数据集上,期望平均重叠率提升了4.4%;在LaSOT数据集上,成功率和精确度分别提升了2.4%和2.9%;在OTB2015数据集上的平均跟踪速度达到34.3 f/s,确保了实时跟踪。

关键词： 计算机视觉   产业生态   数字经济   人工智能  

摘要： 作为全球数字经济的核心驱动力,人工智能正在重塑世界科技发展格局。我国人工智能产业市场规模大、应用场景丰富多元、政策体系持续完善,且已形成涵盖基础层、技术层和应用层的完整产业生态,展现出独特的发展优势。特别是在计算机视觉、语音识别等应用技术领域,我国企业已跻身世界第一梯队。然而,在高端芯片、基础算法等关键技术环节,我国仍面临“卡脖子”挑战,国际技术合作也遭遇地缘政治因素的制约。当前,我国正通过“自主创新+开放合作”双轮驱动,着力突破核心瓶颈,优化产业规制,构建安全可控的人工智能创新体系。这一发展路径不仅关乎我国在全球科技竞争中的地位,也将为新兴经济体探索技术突围提供重要借鉴。

关键词： 多移动机器人   深度学习   目标检测   能耗均衡   虚拟现实验证  

摘要： 多移动机器人在工业场景中面临动态障碍物环境下的路径规划与能耗均衡挑战,研究提升其作业效率与系统稳定性。本文分析了传统路径规划算法在动态障碍物适应性及能耗均衡性上的不足,结合深度学习目标检测算法提出一种多移动机器人路径规划框架,构建基于YOLOv5的动态障碍物实时检测模型与栅格地图更新机制,设计融合深度强化学习的任务分配策略并引入惩罚能耗优化能耗均衡性,开发Unity3D与ROS集成的虚拟现实验证平台。研究成果为动态复杂环境下多机器人协同作业提供高效路径规划方法,增强系统鲁棒性并降低运维成本,推动智能算法与机器人系统集成的工程应用发展。

关键词： Transformer   图像处理   语义分割   卷积神经网络   特征提取  

摘要： 为提高图像处理任务的完成质量和实时性,研究设计了一种结合Transformer技术的图像语义分割技术。过程中利用深度特征的空间和通道权重提升图像分割精度,通过子区域划分确定特征图的关键部分;加入通道敏感性权重进行信息优化,将不同尺度的特征图融合为一个统一的特征表示。在Visual Object Classes Challenge 2012数据集和Pascal-Person-Part数据集上,实验结果表明,该方法在高对比度图像中训练迭代次数达到29次时,损失值下降到接近0的位置并基本保持稳定;在公开视频数据集上的实验结果表明,研究方法在1 080 p分辨率和30 FPS的视频数据上,实现了每帧约9 ms的处理速度,整体处理延迟控制在0.3 s以内。实验表明,研究方法具有更强的图像特征实时提取性能,能够更准确合理地进行图像语义分割。

关键词： 计算机视觉   印染助剂   质量控制  

摘要： 印染助剂作为纺织品加工的关键辅料,化学稳定性与工艺适配性直接影响染色均匀度、色牢度等级及环境排放指标。传统质量控制体系依赖理化分析设备与人工目检,存在检测周期长、标准主观性强、缺陷溯源困难等瓶颈,难以满足高速连续化生产需求。近年来,高光谱成像技术与深度神经网络的发展,为建立非接触式、高通量质量检测体系提供了新范式。系统梳理计算机视觉技术在分散效率评估、组分异质识别、工艺参数反演等质量控制环节的创新应用,对比分析卷积神经网络、三维重建等算法在复杂工业场景下的适应性改进策略,建立跨模态数据融合与关键质量指标可视化之间的理论关联。

关键词： 深度学习   无人机遥感   目标检测   多尺度特征融合   YOLOv5算法  

摘要： 随着无人机技术和深度学习的快速发展,基于深度学习的无人机遥感影像目标检测技术取得了显著进展。研究分析了YOLOv5、FasterR-CNN等主流深度学习目标检测算法在无人机遥感影像中的应用特点,针对遥感影像中目标尺度多变、背景复杂等问题,提出了一种改进的多尺度特征融合检测框架。通过在典型场景数据集上的对比实验,验证了所提方法在检测精度和实时性上的优势,平均精度达到91.2%,相比基准模型提升3.4个百分点,为无人机遥感影像目标检测任务提供了新的技术方案。

关键词： 图神经网络   视觉图神经网络   视觉骨干网络   图像分类   目标检测   实例分割  

摘要： 近年来,视觉图神经网络(ViG)在计算机视觉领域引起了研究人员的广泛关注,其中构图是ViG的重要建模方式。目前流行的K近邻(KNN)构图方法尺度单一、具有二次计算复杂度并且难以建模图像的局部和多尺度信息。为了解决该问题,提出一种尺度稀疏图的构筑方法——MSSG(Multi-Scale Sparse Graph)。该方法将KNN图沿通道分解为3个不同尺度的稀疏子图,具有线性的计算复杂度并且能实现图像局部信息和多尺度信息的有效建模。为了增强模型的全局建模能力,提出一种全局和局部多尺度信息融合策略。基于以上方法,提出一种视觉架构——MSViG(Multi-Scale Vision Graph neural network)。在ImageNet-1K数据集上进行的图像分类实验的结果表明,MSViG优于传统的ViG。例如,与视觉神经网络ViG-T相比,所提MSViG-T的Top-1分类准确率提高了2.1个百分点,并且在目标检测和实例分割视觉下游任务上MSViG相较于传统ViG取得了较大的性能提升。

关键词： 吸烟行为检测   图像识别技术   深度学习   计算机视觉   技术挑战  

摘要： 吸烟行为检测作为禁烟区域管理中的重要技术,近年来受到了广泛关注和应用。随着图像识别技术的发展,特别是深度学习方法的引入,吸烟行为的检测精度和实时性得到了显著提升。该综述总结了基于图像识别的吸烟检测技术的研究进展,重点讨论了多种应用方法,包括传统特征提取(如HOG)、卷积神经网络(CNN)、时序建模(如LSTM)、Transformer及新兴技术等。通过分析吸烟行为的图像特征,结合这些模型,可以有效识别吸烟行为并实现精准定位。此外,本综述总结了当前技术的局限性,并展望了未来的发展方向,旨在为吸烟行为检测技术的进步提供新思路,推动相关研究与应用。