关键词： 目标检测   图像处理   朝天椒   YOLOv5   轻量化网络   损失函数   自然环境   小目标  

摘要： 针对朝天椒检测深度学习网络模型体积大、参数多以及在计算资源有限的移动设备中难以部署等问题，文中提出一种基于YOLOv5s(You Only Look Once version 5s)的轻量级朝天椒检测模型。利用GhostNet中Ghost模块和Ghost瓶颈(Ghost BottleNeck)结构重新构建特征提取网络，减少模型的参数量和计算复杂度。在特征融合部分采用GSConv(Ghost-Shuffle Convolution)轻量级卷积和VoV-GSCSP(VoVNet-Ghost Shuffle-Cross Stage Partial)结构分别替换原始卷积和CSP(Cross Stage Partial)模块，在保证精度的同时使模型轻量化效果最佳。采用角度惩罚度量的SIoU(SCYLLA-IoU)损失优化边界框损失函数，提升了轻量化后的模型精度和泛化能力。实验结果表明，改进YOLOv5s-GGS(YOLOv5s-GhostNet GSConv SIoU)模型相较于原始网络模型的精确度、召回率和平均精度均值(mean Average Precision，mAP)分别提高了7.0个百分点、3.5个百分点和3.8个百分点，参数量、计算复杂度和权重降低了42%以上。相较于主流目标检测模型，所提模型具有更高的检测精度以及更少的模型体积，实现了模型的轻量化，精度提升大，推理速度快，更适合部署于移动设备。

关键词： YOLOv5s   多尺度   C2f   注意力机制   SimAM  

摘要： 在目标检测任务中同一时刻不同目标具有不同尺寸或同一目标在不同时刻具有不同尺度尺寸的多尺度问题对算法的性能表现具有重要影响。因此，针对该问题对YOLOv5s算法进行改进。首先，引入C2f模块替换骨干网络中的C3模块，强化特征提取网络在不同倍率采样下的特征提取能力；其次，在Neck层不同尺度特征融合阶段融入SimAM注意力机制，改进多尺度融合过程，弱化不同尺度特征图进行特征融合时特征信息丢失问题，强化算法对不同尺度目标的识别能力。随后，对比分析不同算法在公开数据集的性能表现，实验表明，改进后的YOLO＿CNS算法在PASCAL VOC数据集上的综合评价指标m AP@50获得了3.5%的提升，检测效果更加优秀。最后，通过对消融实验的分析验证了YOLO＿CNS算法对于多尺度问题的优化效果，其中mAP@small值提升了0.5%、mAP@medium值提升了4%、mAP@large值也获得了4%的提升。

关键词： 遥感图像   目标检测   复杂背景   卷积神经网络   Swin Transformer  

摘要： 针对遥感图像背景的复杂性致使现有方法在特征提取和信息保留方面存在不足的问题，基于Faster R-CNN模型，提出了一种新的目标检测架构ST-FRCNN。该方法采用Swin Transformer作为主干网络（backbone），有效提取全局特征并丰富上下文信息，使用特征金字塔（FPN）网络进行特征融合，得到多尺度特征图，结合区域建议网络（RPN）在多尺度特征图上滑动生成候选区域。最后，通过检测网络实现目标的精确分类与定位。在NWPU VHR-10数据集上的实验结果表明，与主流目标检测方法相比，ST-FRCNN的平均精度（mAP）达到93.7%，取得了显著的性能提升。

关键词： 概率Hough变换   边缘检测   图像处理   弹簧  

摘要： 针对传统手工测量螺旋弹簧线径存在的精度低、耗时长、稳定性差等一系列问题，设计了一种基于概率Hough变换的螺旋弹簧线径测量方法。首先对图像进行ROI提取，缩短后续处理的计算时间，然后使用图像滤波、二值化处理和边缘检测等图像处理技术对弹簧图像优化，再使用改进的概率Hough变换拟合弹簧边缘直线轮廓，最后设计算法排除干扰点影响，计算弹簧线径。经过实验测试，该方法能够快速地测量出螺旋弹簧线径，测量精度为±0.01mm，将概率Hough变换的效率提高了46.75%。

摘要： 计算机视觉在机械艺术动态捕捉中的应用探索机械艺术的动态表达依赖于精准的运动捕捉,而计算机视觉技术在该领域的应用为艺术装置的动态优化、交互增强、自主行为生成及多机协同提供了新的可能性。本文围绕计算机视觉在机械艺术动态捕捉中的应用展开深入分析,探讨基于实时姿态分析的动态优化策略,研究视觉反馈如何构建高效的交互机制,解析智能识别赋能艺术装置自主行为的生成方式,并探究多机协同在机械艺术中的组织模式。分析表明,计算机视觉技术不仅能够提升机械艺术的动态表现力,还能推动其在多维感知、自适应调整及集群协同等方面的发展。

关键词： 图像处理   位姿估计   RGB-D   特征提取   残差网络   轻量级  

摘要： 针对RGB-D位姿估计中特征提取网络参数量过大的问题，提出轻量子网络——轻质网(light weight net，LWNet)替代XYZNet中的ResNet18主干。首先，设计了改进的C2f模块与部分卷积（partial convolution，PConv）模块结合形成特征提取结构用于网络浅层的特征提取，提高了特征重用性。接着，设计了特征融合的高效层聚合网络（feature fusion efficient layer aggregation networks，FF-ELAN）模块用于网络深层的特征提取，以轻量的方式整合了全局特征。最后，为了适应网络深度的变化，采用了3个与ResNet18不同的下采样结构，使得参数量降低的同时获得更强大的性能。实验结果表明：优化网络实现浮点计算量(floating point operations，FLOPs)压缩58.1%、参数量削减57.3%、推理速度提升10.2%，同时在LineMOD与YCB-Video数据集分别获得1.3%和0.8%的精度增益。该架构显著提升了边缘计算场景的部署潜力。

关键词： 芦笋   目标检测   图像识别   智能分级   YOLOv11  

摘要： [目的/意义]针对采后芦笋在销售前人工分级成本高、效率低的问题，提出了一种基于改进YOLOv11模型的采后芦笋分级方法，旨在研究一种轻量化的采后芦笋的精准分级模型。[方法]首先，在主干网络的第12层引入高效通道注意力（Efficient Channel Attention, ECA）机制，ECA机制通过动态调整卷积神经网络中通道的权重，以增强对芦笋茎粗特征的提取能力；其次，在颈部网络同时引入slim-neck模块和双向特征金字塔（Bi-directional Feature Pyramid Network, BiFPN）模块，slim-neck将传统卷积替换为GSConv并将C3k2模块替换为轻量级跨阶段部分网络（Voice of Voter-group Shuffle Cross Stage Partial Network, VoVGSCSP）模块，减少运算量与模型大小，提高模型的识别精度，BiFPN模块改变原有的特征融合方式，能够自动强化芦笋的关键特征并减少冗余的计算；最后，将YOLOv11中原始的检测头替换为EfficientDet Head，与BiFPN联合训练，能够充分利用多尺度特征，有效提高模型性能。[结果与讨论]改进后的YOLOv11的精确率为96.8%、召回率为96.9%、平均精度均值（Mean Average Precision, mAP）为92.5%、浮点运算量为4.6 G、参数量为1.67×10～6、模型大小为3.6 MB，与原始YOLOv11模型相比，改进后的YOLOv11模型的精确率、召回率、mAP分别提升了2.6、1.4、2.2个百分点，同时，浮点运算量、参数量、模型大小也显著降低；与其他深度模型SSD、YOLOv5s、YOLOv8n、YOLOv11、YOLOv12相比，改进后的YOLOv11模型综合性能最佳。[结论]改进的YOLOv11模型在芦笋分级任务中展现出了更好的识别效果、更少的参数量和浮点运算量和更小的模型大小，能够为采后芦笋智能化分级提供理论基础。

关键词： AIGC   扩散模型   图像处理   超分重构   教学场景  

摘要： 随着人工智能生成内容（Artificial Intelligence Generated Content，AIGC）技术的发展，教学场景下的图像应用成为新的研究热点。图像作为知识传递的核心载体，其清晰度、纹理细节、色彩鲜艳度、主题色彩等直接影响教学效果。本文旨在改造扩散模型（Diffusion Model）结构以对存在不同问题的图像进行超分重构（Super-Resolution，SR），并将SR图应用于不同教学场景后进行效果评估。首先，通过改造扩散模型解决图像质量与教学场景不适配的问题；然后，分别开展主观和客观实验，将SR图应用于实际教学场景；最后，构建基于主客观实验结果的综合评估框架，以验证SR图的应用效果。研究结果表明，由改造模型所生成的SR图应用在教学活动时，对比使用传统方法生成的图像，在知识传递效率方面平均提升约22.9%，在教师讲课时间节省方面平均减少约15.6%。本文可为人工智能赋能教学改革提供一定的理论依据与实践参考?。

关键词： 雾天环境   图像去雾   目标检测   YOLOv8   损失函数  

摘要： 雾天天气对自动驾驶系统性能影响较大，导致基于深度学习的目标检测模型在雾天条件下的漏检率和误检率偏高。基于该问题，提出一种雾天环境下的目标检测算法——PF-YOLOv8-AL。首先，通过借鉴AOD-Net轻量网络思想、改变网络结构、融合快速空间金字塔池化结构SPPF和使用SSIM损失函数构建了PF-Net去雾网络，再着重对YOLOv8检测网络进行改进，从而构建了YOLOv8-AL网络。对YOLOv8进行的改进包括融合全局平均池化及LSKA注意力的SPPF-AL模块，用MPDIoU损失函数替代CIoU损失函数及增加P2检测头，再将PF-Net与YOLOv8-AL整合成PF-YOLOv8-AL网络。模型在Foggy Cityscapes数据集上进行训练，在真实雾天RTTS数据集上进行测试。实验结果表明，该算法在雾天环境场景中具有较高检测精度，平均精度值达82.2%，比YOLOv8提升5.4%，平均精度均值达61.6%，比YOLOv8提升8.1%。

关键词： 深度学习   计算机视觉   应用及发展趋势  

摘要： 本研究深度探究深度学习在计算机视觉领域的多尺度技术进展及跨模态应用范式。在技术演进上,运用卷积神经网络(CNN)优化超参数,破除局部最优局限,提升跨域泛化能力;融合Transformer与区域建议网络(RPN),显著提高小目标检测精度;借助全卷积网络(FCN)联合条件随机场(CRF),构建端到端像素级语义分割体系;利用生成对抗网络(WGAN)与隐扩散模型(LDM),成功攻克图像生成的模式坍塌难题。同时,研究揭示技术落地的关键阻碍,如数据异构引发的分布偏移、模型复杂度与泛化性的矛盾,以及边缘设备算力不足导致的部署时延。针对这些问题,提出借助神经架构搜索(NAS)生成轻量化模型、通过跨模态对比学习构建统一表征空间、利用元学习实现少样本场景自适应、依托联邦学习保障模型鲁棒性与隐私安全等突破方向,为计算机视觉的范式革新与跨学科融合提供有力支撑。