关键词： 多尺度特征   注意力机制   噪声去除   图像处理   特征融合  

摘要： 为了提高图像在去噪处理后与原始图像之间的相似度,研究结合多尺度特征提取和注意力机制,构建由密集连接模块、自适应特征融合模块和特征提取模块组成的图像处理模型。结果表明,研究提出的模型具有较好的去噪效果,得到的图像与原始无噪声图像基本保持一致。当噪声水平为40时,研究模型的峰值信噪比相比于其他模型的平均值提高了21.11%;结构相似性指数提高了33.21%。多尺度特征提取模块对模型性能提升的影响最大,各模块组合使用时模型的去噪能力最强。研究通过融合多尺度特征与注意力机制,显著优化了图像去噪的效果,提升了去噪过程的鲁棒性,为复杂噪声条件下的图像复原提供了参考方向。

关键词： 计算机视觉   自动泊车系统   图像处理   路径规划  

摘要： 随着城市化进程的加快和机动车数量的迅速增长,城市交通压力日益加重,停车难问题逐渐成为人们日常出行中的普遍困扰。传统人工泊车方式在复杂环境下存在操作不便、效率低下和安全隐患等问题,已难以满足现代驾驶需求。智能驾驶技术的兴起为解决这一问题提供了全新的思路,其中自动泊车系统因其实用性和发展潜力备受关注。计算机视觉作为人工智能技术的重要组成部分,具备较强的环境感知和识别能力,在实现高精度泊车控制方面显示出独特优势。因此,文章对基于计算机视觉的汽车自动泊车系统展开探讨,旨在为智能交通的发展和城市停车问题的缓解提供技术支持。

关键词： 目标检测   机场异物   轻量化改进   注意力机制   机场安全  

摘要： 为解决YOLOv8n算法在机场异物检测中存在计算复杂度高、计算资源消耗大的问题,通过在YOLOv8n算法中引入轻量化模块的方法研究了机场异物检测的问题,提出了Fast-BiYOLOv8n算法。首先,设计了C2f_FasterEMA模块并引入YOLOv8n算法的骨干网络中,该模块融合了FasterBlock模块和高效多尺度注意力(efficient multi-scale attention,EMA)注意力机制,增强了图像的特征提取能力,同时降低了算法计算量;其次,在路径聚合网络(path aggregation network,PANet,)网络架构中融合了骨干网络中的P2特征层并设计了双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)网络架构,增加了跨尺度连接促进了不同特征图之间的信息融合,同时加入C2f_Faster模块提高了特征融合的效率并进一步降低了算法的计算量;最后,通过改进损失函数为Inner-CIoU(intersection over union,complete intersection over union loss)加快了算法的收敛速度,提高了检测准确率。结果表明,Fast-BiYOLOv8n算法的检测准确率达到99.0%,召回率为98.8%,平均精度均值(mean average precision,mAP)提升了3.5个百分点,达到99.3%,参数量比原模型降低了27%,模型的权重大小降低了21%,实现了在降低算法参数量的同时,提升检测准确率的目的。

关键词： 番茄果实   目标检测   改进YOLO v8n   FasterNet   BiFPN   WIoU  

摘要： 番茄果实的快速准确检测是实现其智能采摘的重要前提,针对部署需求以及番茄图像背景复杂、枝叶遮挡和果实重叠等问题,提出了一种基于改进YOLO v8n的复杂场景下番茄果实识别方法。使用FasterNet作为YOLO v8n的主干特征提取网络,提高模型的特征提取能力;通过在颈部网络中融合P2小目标检测分支和双向特征金字塔网络(Bidirectional feature pyramid network,BiFPN)结构,降低复杂背景的干扰以提高模型的检测精度;使用WIoU(Wise intersection over union)损失函数提高模型在遮挡、重叠情况下的果实定位精度,同时加快模型收敛;基于NCNN框架将模型部署到移动端进行测试。试验结果表明,FPBW-YOLO v8模型精确率、召回率、平均精度均值(mAP@0.5和mAP@0.5:0.95)分别达到97.9%、95.1%、98.3%和74.3%,相较于Faster R-CNN、SSD、YOLO v8n、YOLO v7、YOLO v5n和Rt-Detr均有明显优势,且模型内存占用量仅8.7 MB。在移动端上的测试结果表明,本文模型能够在计算资源有限的硬件设备上获得较高的检测精度,可以有效解决复杂场景下番茄果实的识别问题,为番茄采摘机器人的研发提供技术支持。

关键词： 机器人   避障识别   图像处理   蝴蝶算法   多机器人协同  

摘要： 针对多机器人系统在复杂动态环境中的路径冲突与规划效率问题,提出一种高效的协同避障路径优化方法和一种融合视觉传感与蝴蝶算法的协同路径规划方案。该方法首先通过各机器人的视觉传感器采集并融合环境图像,利用深度学习模型精确提取障碍物信息。随后,引入蝴蝶算法进行路径优化,通过模拟蝴蝶觅食与信息共享行为迭代搜索最优解。为实现协同,各机器人在优化自身路径时会参考已完成规划的机器人路径信息,从而主动避免冲突。实验表明,所提方法能有效提升路径规划的精度与效率,在路径总长度、规划时间等关键指标上均优于对比算法,且在动态障碍物场景下表现出良好的鲁棒性。该方法为多机器人协同作业提供了高效可靠的路径规划方案,具有重要的理论意义和广阔的工程应用前景。

关键词： 目标检测   注意力机制   YOLOv5   茶叶病害  

摘要： 针对茶叶病害在复杂自然环境下识别精度受限的问题,提出了一种融合SE注意力机制的改进YOLOv5目标检测方法YOLOv5-SE.该方法在YOLOv5网络主干中引入SE注意力模块,增强特征通道的自适应加权能力,抑制冗余信息对检测精度的影响.同时,引入小目标检测头,提升对小尺度病害的检测效果,增强模型在高分辨率特征图上的检测能力.在包含8种茶叶病害及健康叶片的数据集上进行实验验证,结果表明,YOLOv5-SE的检测精度达到93.2%,召回率达到95.0%,较改进前模型精度提高4.5个百分点,召回率提高3.8个百分点.进一步的消融实验表明,SE注意力机制能够在优化特征提取能力的同时,有效提升模型对复杂背景下茶叶病害的检测鲁棒性,减少误检与漏检的发生.

关键词： 对抗攻击   目标检测   生成对抗网络   图结构  

摘要： 现有针对目标检测模型的对抗攻击算法大多无法在取得高攻击成功率的同时保证对抗样本的隐蔽性,削弱其在医学领域应用中的有效性.为此,文中提出基于局部属性生成对抗网络的目标检测对抗攻击算法,旨在优化对抗样本质量的同时提升攻击效果.首先,通过图像块划分构建图像的图结构,引入基于图结构的局部属性差异损失,增强对抗样本的视觉隐蔽性.然后,加入目标误定位攻击损失,引导检测模型产生错误的目标定位,增强攻击的有效性.最后,结合上述两种损失,通过反向传播更新生成对抗网络.在BCCD、LISC两个公开的血液细胞数据集上的实验表明,文中算法针对Faster-RCNN生成的对抗样本在攻击成功率和隐蔽性方面均较优,拥有良好的攻击迁移性.

关键词： 图像处理   浮点运算   AI算力   单位符号   GFLOPS  

摘要： 这是最近在规范与标准化工作委员会微信群中讨论的一个问题。有人求助:“Giga Floating-point Operations Per Second,即每秒10亿次的浮点运算数,GFLOPS可以是单位吗?”“每秒10亿次的浮点运算数,这是当前AI算力的主要指标,表格中的单位如何表示为好呢?”有人说:“单位应该是次,我们会省略掉,直接写成10~9这种。”“我们图像处理机器视觉这块文章很多,自己也很晕,然后就整理了一下”,认为GFLOPS在表格中应写成“FLOPS/10~9”。

关键词： End-to-end object detection   Query-selection encoder   Hierarchical feature-aware attention  

摘要： End-to-end object detection methods have attracted extensive interest recently since they alleviate the need for complicated human-designed components and simplify the detection ***,these methods suffer from slower training convergence and inferior detection performance compared to conventional detectors,as their feature fusion and selection processes are constrained by insufficient positive *** address this issue,we introduce a novel query-selection encoder(QsE)designed for end-to-end object detectors to improve the training convergence speed and detection *** is composed of multiple encoder layers stacked on top of the backbone.A lightweight head network is added after each encoder layer to continuously optimize features in a cascading manner,providing more positive supervision for efficient ***,a hierarchical feature-aware attention(HFA)mechanism is incorporated in each encoder layer,including in-and cross-level feature attention,to enhance the interaction between features from different *** can effectively suppress similar feature representations and highlight discriminative ones,thereby accelerating the feature selection *** method is highly versatile in accommodating both CNN-and Transformer-based *** experiments were conducted on the popular benchmark datasets MS COCO,CrowdHuman,and PASCAL VOC to demonstrate the effectiveness of our *** results showed that CNN-and Transformer-based detectors using QSE can achieve better end-to-end performance within fewer training epochs.

关键词： 印刷电路板   图像处理   预处理   Faster R-CNN   缺陷检测  

摘要： 文中针对印刷电路板(Printed Circuit Board,PCB)缺陷检测问题,提出了一种结合传统图像处理方法与深度学习技术的缺陷检测方法。首先,采用传统的图像预处理技术对PCB图像进行去噪、对比度增强和边缘检测等操作,为后续的缺陷检测奠定基础。随后,基于Faster R-CNN模型进行缺陷检测与分类。实验结果表明,该方法在不同缺陷类型的检测中表现出较高的准确性、精确率和召回率,不仅提高了PCB缺陷检测的效率,还为相关领域的应用提供了新的思路。