关键词： 图像处理   连续学习   大模型   深度学习   动态场景  

摘要： 以大模型为代表的深度学习方法在许多静态封闭领域已经发挥重要作用,但在开放变化的动态场景中,经典训练方法仍无法有效持续适应变化,模型难以长期维持有效。面对开放环境的连续学习是人类基本能力之一,如何使深度学习模型具有连续学习能力是人工智能的重要研究方向。

关键词： 港口   集装箱   起重机   驾驶员行为分析   智能预警系统   计算机视觉   传感器技术  

摘要： 为提升港口起重机械作业的安全性和效率,针对驾驶员注意力不集中、疲劳驾驶和违规操作等安全隐患,开发一种基于驾驶员行为分析的眼随钩走智能预警系统。系统采用高分辨率摄像头和多种传感器采集驾驶员行为数据,利用计算机视觉技术进行目光跟踪和面部表情分析,通过机器学习和深度学习算法实现行为模式识别,实时监测潜在危险行为。利用多帧图像序列、人体姿态检测和大数据分析技术,构建高精度行为识别模型,优化运算速度和资源效率。实际应用结果显示,系统识别率达99%以上,驾驶员不规范操作行为降低96%,有效降低安全风险。

关键词： YOLOv5s   医疗器械   深度学习   目标检测   算法改进  

摘要： 本研究对YOLOv5s模型进行了改进,重点关注医疗器械的检测。通过数据增强、网络结构优化、超参数调整以及检测算法的改进,显著提升了模型在医疗器械检测任务中的性能。改进后的模型在准确率、召回率和F1-score等指标上均优于改进前。分析结果表明,该改进模型在实际应用中具有更高的识别准确性和鲁棒性,为推动医疗器械检测的智能化发展提供了有效支持。

关键词： 遥感多尺度目标检测   多尺度上下文注意力U-SegNet   多尺度上下文注意力   多尺度特征融合  

摘要： 针对遥感目标图像多样、目标较小且与周围环境对比度差,导致现有目标检测方法复杂度高、检测效果差、泛化能力弱,以及经典U-Net和U-SegNet忽略了不同目标尺度特征感受野差异等问题,提出了一种基于多尺度上下文注意力U-SegNet(Multi-scale Context Attention U-SegNet,MSCAUSNet)的遥感目标检测新模型。该模型由U-SegNet、多尺度特征融合(Multi-scale Feature Fusion,MSFF)和多尺度上下文注意力(Multi-scale Context Attention,MSCA)模块组成,采用MSCA代替U-SegNet中的跳跃连接以融合目标低层特征与高层特征,并通过MSFF和MSCA模块充分捕获多尺度上下文特征,从而显著提升遥感多尺度目标检测性能。在遥感目标图像数据集上的实验结果表明,该模型能够有效检测不同尺度遥感目标,较经典U-Net和U-SegNet的检测精度分别提高了7.94%和5.09%。该模型为遥感目标检测和识别系统提供了技术支持。

关键词： 小样本目标计数   卷积神经网络   图像处理  

摘要： 小样本目标计数旨在通过少量样本估计任意类别目标的数量,减少对训练数据的依赖。为解决现有方法存在的适应性不足和性能依赖问题,提出了一种基于相似度感知的小样本目标计数模型。该模型仅通过少量支持对象,计算查询图像中目标的数量,且无需学习特定类别,能够实现通用目标计数。

关键词： 目标检测   多模态融合   地下环境   地下感知机器人   轻量化  

摘要： 针对地下复杂环境中机器人感知系统面临的低光照干扰与计算资源受限双重挑战,提出一种轻量化双模态目标检测方法。通过构建融合激光雷达(LiDAR)点云与RGB图像的双分支网络架构,在浅层、中层和深层实现多尺度特征融合。所提方法引入StarFusion模块,采用逐元素乘法增强跨模态特征交互,结合深度可分离卷积与通道压缩策略,将模型参数量压缩至2.3M。为突破算法验证瓶颈,构建包含4类地下典型目标的低光照多模态数据集,其图像亮度(25±8.3)与清晰度(18.6±6.9)显著低于常规数据集。实验表明,本文方法在自建数据集上mAP50(交并比为0.5时的平均精度均值)达到86.1%,较基准算法YOLOv8提升2.6%,推理速度达20帧/秒。将该方法实际部署于Jetson Orin NX平台的勘探机器人,结果表明,双模态互补机制有效克服了单传感器在低光照环境下的感知盲区,为地下自主作业提供了可靠的实时环境感知解决方案。

关键词： 洪水区域分割   深度学习   CNN   U-Net   图像处理  

摘要： 文章对比了卷积神经网络 (Convolutional Neural Network,CNN) 与 U 形网络 (U-Net) 两种深度学习模型在洪水区域分割任务中的应用效果。通过实验对比,发现 U-Net 模型在洪水图像分割中表现更优,能够更准确地识别洪水淹没区域。研究为智慧水利领域的洪水监测提供了数据驱动的解决方案,展示了深度学习技术在图像处理和分析中的潜力。

关键词： 茶叶嫩芽   自然场景   YOLOv5s   目标检测   遮挡  

摘要： 茶叶嫩芽采摘是茶叶生产中的重要环节,智能化采茶需要基于深度学习的茶叶嫩芽检测算法作为技术保障。为提高茶叶嫩芽检测速度和精度,提出一种改进YOLOv5s网络模型的检测算法TN—YOLOv5s。首先引入GhostNet网络结构中的深度可分离卷积GhostConv,替代原有YOLOv5s模型中特征提取网络与特征融合网络的普通卷积层;然后在模型特征提取网络的末端加入CA空间注意力机制;其次使用SIoU_Loss代替CIoU_Loss作为回归损失函数;最后使用Soft—NMS替换NMS。结果表明,改进后的模型在自制的茶叶嫩芽数据集上,相比于原始YOLOv5s算法,模型精确率、召回率和平均精度均值分别高出7.1%、5.9%、6.4%,权重大小从13.7 MB下降到7.48 MB。同时与目前主流的检测算法相比,在检测精度、模型大小和检测速度方面更有优势。改进后的模型降低被遮挡茶叶嫩芽的漏检率,能够准确快速地实现不同场景下的茶叶嫩芽检测。

关键词： 改进YOLOv3   受损建筑物   遥感影像   高分辨率   目标检测  

摘要： 针对地震后利用遥感图像检测受损建筑物,本研究提出了一种基于改进YOLOv3模型的受损建筑物识别方法。首先,通过深入分析尺度特征,对主干网络进行了针对性优化,增强了模型对微小目标特征的捕获能力。其次,引入感受野模块(Receptive Field Block,RFB),拓宽了特征图的感知域,提高了对小尺寸目标的检测灵敏度。最后,对锚框及其分配策略进行了精细调整。实验结果表明,相较于原始YOLOv3模型,所提方法检测精度和检测速度均大幅提升,并且在抗噪能力上展现出显著优势;与已有识别方法相比,平均检测精度分别提升了4.8%和5.4%;在处理复杂的目标检测任务时展现出更优的性能和更强的鲁棒性,有效实现了高分辨率遥感图像中受损建筑物的准确识别。

关键词： 钢轨探伤   YOLOv5   目标检测   可变感受野  

摘要： 钢轨是铁路轨道的重要组成部分,钢轨伤损检测对于保障铁路安全、提高运营效率和降低维护成本都具有重要意义。针对目前钢轨伤损检测流程中存在的回放工作效率低和伤损漏报问题,在YOLOv5目标检测网络的基础上采用可变感受野的技术方法,增大目标检测网络的感受野范围,从而更加注重全局特征。试验结果表明,采用该方法对实际超声检测数据进行钢轨伤损智能分析,平均伤损识别率可以达到98%,所提算法在假阳率,误报率,识别效率等方面均优于传统算法。