关键词： RGB-D   显著性目标检测   非对称融合   深度监督  

摘要： 用于显著性目标检测的HDFNet模型在其编码阶段和解码阶段均缺乏有效的特征信息表示能力,分别由于其编码阶段仅把RGB特征和Depth特征进行简单相加,且解码阶段在多次上采样中缺乏有效监督,从而导致检测精度有待进一步提升.本文提出了一种新的RGB-D显著性目标检测模型HDF+.首先,在编码阶段构建了非对称融合模块,该模块通过非对称的方式融合RGB特征和Depth特征,有效利用RGB特征的语义信息及Depth特征的空间细节信息;其次,在解码阶段采用多个深度监督模块对网络进行监督训练,并在各监督层引入IoU损失作为前景损失替换原来的区域增强损失.对比实验结果表明,本文的方法优于主流的RGB-D显著性目标检测方法.

关键词： 汽车雷达影像   光照不均匀   神经网络优化   卷积神经网络   剪枝技术   目标检测效率  

摘要： 汽车行驶过程中,需要实时地检测和识别出目标,并在复杂多变的环境中准确地区分目标和背景,这一过程对算法的计算效率要求高。为此,提出基于改进神经网络的汽车雷达影像目标检测方法。通过精细的剪枝策略与结构化稀疏约束改进神经网络,有效剔除了目标检测模型中的冗余元素与弱相关性结构,实现了模型的轻量化与高效化。在检测流程中,利用卷积与池化操作精准捕捉目标特征,借助逻辑回归损失函数精确评估检测效果,并通过反向传播与小批量梯度下降算法不断优化模型参数,直至达到最佳检测效果。实验验证,该方法显著提高了目标检测的效率与准确性。

关键词： 串、并混联调整机构   姿态调整   图像处理   激光成像   角度分辨率  

摘要： 针对跟踪准直仪中光学元件姿态精密调整的需要,设计了一种串、并混联六自由度调整机构。引入激光模拟待调整零件,经图像处理后得到机构姿态变化引起光斑中心位置变化的规律,获得了滑台位移-姿态调整关系,对模型得到的理论值进行修正。实验表明,滑台移动5μm,绕X、Y轴转动时的角度分别为2.0″±0.1″和1.4″±0.1″,实现了对光学元件姿态的精密调整。

关键词： 教学设计   食堂   餐盘目标检测   MMEdu   自助结算系统  

摘要： 选题背景“民以食为天”,学校的课程安排每天都很紧张,为了给师生提供一个舒适、安全、高效的就餐体验,食堂就餐环境、食品卫生及结算效率变得尤为重要,解决好上述问题也将有助于智慧校园的智能化升级改造。笔者前期参加某高职院校承办的“职业院校教师素质提高计划”国培项目为期半个月的培训,每天前往食堂就餐,饭菜卫生可口、自助结算方式快捷高效。

关键词： 粒子滤波   卡尔曼滤波   模板缓冲   带电作业   目标跟踪  

摘要： 针对现阶段带电作业目标跟踪易受环境干扰,面临的鲁棒性和效率低的挑战,本研究结合卡尔曼滤波在数据处理上的优势和粒子滤波的高精度特点,创新性地提出了一种自适应目标跟踪方法。实验结果表明,该方法在精确率(P值)、召回率(R值)和精确率与召回率的调和平均数(F1值)上均表现出色,分别达到了98.09%、97.88%与98.14%,充分体现了其在带电作业目标跟踪上的高效能力。此外,在连续的视频流分析中,该方法不仅能够准确识别和分类目标,还能实现精准的目标跟踪与标记,从而在动态环境中展现了其强大的鲁棒性和实用性。由此可知,研究该方法能够根据目标的运动特性和环境条件,动态调整算法参数,实现自适应跟踪。

关键词： 目标检测   煤泥浮选   轻量化   实时性   YOLO BD  

摘要： 针对目前煤泥浮选过程中缺乏对矿化气泡的不均匀程度判据及气泡数量实时统计等问题,提出一种面向非均匀矿化气泡实时检测的轻量化人工智能算法模型——YOLO BD(Bubble Detect),即在骨干网络引入可变核卷积AKConv替代原结构中的所有Conv卷积层,将通用倒置瓶颈模块UIB与C2f模块进行融合,提升模型的特征提取能力以及降低模型的参数量和计算量;将加权双向特征金字塔网络BiFPN引入颈部网络并与C2f UIB和迭代注意力特征融合模块C2f iAFF做进阶融合处理,提升模型的特征融合能力;引入智慧型交并比损失函数WIoUv3,降低训练时的损失提升模型精度。实验数据表明,相较于传统YOLO模型,YOLO BD模型参数量下降了26.3%,计算量下降了19.7%,检测速度为63帧/s,mAP50%达到了84.1%,上升了2.2%。该方法能够实现浮选试验全过程泡沫变化的实时识别与检测,其识别检测结果为浮选参数与浮选最终效果之间提供了必要的映射关系。

关键词： 电容器引脚目标检测   旋转边界框   深度学习  

摘要： 基于视觉的电容器引脚缺陷检测是电子元器件缺陷检测技术的关键组成部分。然而,经典的YOLOv5目标检测算法只能实现水平矩形边界框的目标定位,不能获得电容器引脚在图像中的旋转角度信息。为此,提出了一种基于YOLOv5s模型的旋转边界框电容器引脚缺陷检测方法。该方法通过环形平滑标签(CLS)将角度预测问题由回归问题转化为分类问题,并使用二值交叉熵损失(BCE)描述角度预测的损失函数。另外,通过复制、旋转变换和拼接等手段对原始训练数据进行扩充,以提高模型的精度和泛化能力。结果表明,与原始YOLOv5模型相比,改进的旋转边界框电容器引脚缺陷检测算法能较准确地识别引脚类别,预测的目标边界框与电容器引脚实际矩形轮廓更加吻合。

关键词： 双目测距   立体匹配   目标检测   深度学习   四足机器人  

摘要： 为提升四足机器人环境感知能力,考虑移动平台算力约束,基于深度学习的立体匹配算法,设计了四足机器人平台上实时运行的双目视觉测距算法;提出能适配移动计算平台的改进YOLOv4-tiny目标检测算法。融合两种算法实现了机器人测量出距物体距离的同时识别物体类别。实验结果表明,10 m内测距误差低于5%,平均帧率达19.2 FPS,能够为四足机器人提供较精确的环境信息。

关键词： 杂草识别   目标检测   YOLOv7   ConvNeXt卷积模块   注意力机制  

摘要： 【目的】实现自然环境下玉米苗及其伴生杂草的高效准确检测,解决传统目标检测方法存在的识别精度低、检测速度慢等问题。【方法】提出一种基于改进YOLOv7模型的玉米田间杂草检测方法。以叶龄为3~6叶期的玉米苗及其4种伴生杂草(马唐、藜、反枝苋、小蓟)为研究对象,采集筛选并通过图像裁剪、角度旋转、对比度增强等方式扩增得到6204张数据集图像,按8∶2∶1的比例划分为训练集、验证集和测试集。在原始YOLOv7的基础上添加ConvNeXt模块,增强特征表达能力以提高检测速度;在原始模型的部分特征层添加CBAM注意力机制,提高模型关注重要信息的能力;引入SIoU损失函数,加快模型收敛速度,提高模型检测精确度。【结果】改进后的YOLOv7模型对玉米田间杂草的目标检测精确率达到了95.9%,m AP达到了92.4%,较原始YOLOv7模型分别提高了5.8%、5.7%;测试阶段处理单张图片耗时22.8 ms,满足实时检测的需求。【结论】此模型可以有效地解决玉米田间杂草检测问题,提升田间杂草检测的准确性,为实现更准确的化学或物理除草提供了参考,为精准农业和智能除草管理提供有力的技术支持和决策依据。

关键词： 激光雷达   目标分类   语义分割   目标检测   对抗攻击   后门攻击  

摘要： 自动驾驶技术的迅猛发展,推动了激光雷达的应用.激光雷达以其卓越的环境感知、导航和避障能力,在自动驾驶领域扮演着关键角色.随着人工智能和深度学习技术的不断进步,三维数据处理技术取得了显著成果,并在多个场景中得到应用.然而,随着技术的应用深入,其安全性问题日益凸显,例如行驶中的车辆可能会错误识别出不存在的物体.而现有研究多聚焦于单一任务,缺乏对安全性问题的综合性论述,尤其是对后门攻击的研究相对匮乏.因此,本文首次全面评估和分析了基于激光雷达在自动驾驶中的安全性问题,特别是对抗攻击和后门攻击的挑战.文章首先阐述了激光雷达的工作原理及其在自动驾驶任务中的应用,包括目标分类、目标检测和语义分割3大类.具体而言,本综述深入探讨了55篇相关论文,系统地介绍了不同任务下的攻击方法和防御策略.进一步,本文提供了11个公共数据集、7个评估指标、7个常用模型和4个仿真平台,为研究者提供了宝贵的资源和工具.最后,文章结合当前面临的挑战与未来机遇,对激光雷达在自动驾驶安全应用的研究方向进行了前瞻性展望,旨在为激光雷达技术的安全可靠应用提供指导和参考.