关键词： 新工科   课程思政   仪器类专业   数字图像处理   思政教学案例设计  

摘要： 该文面向新工科建设的“复旦共识”“北京指南”“天大行动”,围绕“新工科建设”和“课程思政育人”两大目标,推进仪器类专业课程思政建设,把思想政治教育贯穿到人才培养体系的全过程,引导学生自尊、自信、自立和自强,强化学生“仪器报国、仪器强国”的使命担当,厚植家国情怀,培养担当民族复兴大任的时代新人。同时探讨结合学校的办学定位、专业特色、人才培养要求,探索课程思政教学与知识教学的有机统一。针对面向仪器类本科生开设的数字图像处理课程,从教学大纲、教案、教材等方面整理补充和仪器仪表行业相关的思政教育元素,设计题材新颖、具有时代特色的仪器类思政教学案例,实现具有“专业知识-思政育人-空天报国-敢为人先”特色的课程思政育人目标,进一步落实课程思政“立德树人成效”根本标准的具体化和可操作化。

关键词： 采摘机器人   计算机视觉   视觉控制   识别准确率   采摘成功率  

摘要： 为进一步提高我国采摘机器人智能化作业水平及采摘效率,基于计算机视觉应用技术展开优化研究。以采摘机器人结构组成为设计基点,运用视觉控制核心理念建立采摘机器人视觉识别处理与控制数学模型,实施相适应的采摘路径规划和系统采摘状态输出设计。同时,进行视觉采摘验证试验,结果表明:基于计算机视觉的采摘机器人系统优化正确可行,整机综合采摘效率可达94.61%,系统识别准确率与控制精度分别相对提升了6.12%和5.25%,机器人采摘成功率可提升至95.98%。因此,将计算机视觉处理技术有效应用至采摘机器人设计改进,对于类似农业采摘与收获装备开发研究可提供创新及借鉴思路,推广价值良好。

关键词： 奶油生菜   轮廓分割   遮挡   Mask R-CNN   深度学习   图像处理  

摘要： 利用机器视觉技术测量生菜的表型参数对探索生菜的生长规律有着非常重要的意义,而构建生菜个体的识别及轮廓分割算法是实现表型参数精准测量的重要前提;但是,在生菜培育至采收期,俯视图下生菜个体间叶片相互重叠遮挡,对个体识别和轮廓分割造成很大的阻碍。为此,改进了Mask R-CNN神经网络模型,掩膜分支采用class-agnostic模式,以ResNeXt50联合FPN替换原有的卷积主干,实现了遮挡条件下奶油生菜的个体识别和轮廓分割。为了对改进模型的分割精度进行验证分析,采用平均精度AP75和平均检测耗时作为评价指标,与原始Mask R-CNN、DeepMask、MNC分割模型在不同程度遮挡测试集上设置对比试验。结果表明:改进模型的平均精度达到98.7%,相比原模型提高了约4%,且在重度遮挡测试集上依然能够保持良好的分割精度。研究结果可为遮挡条件下植物叶片的识别和分割提供算法参考,也可为奶油生菜的表型参数提取提供技术支持。

关键词： 苹果采摘机器人   目标检测   YOLOv5   深度可分离卷积  

摘要： 为实现复杂环境中苹果采摘机器人目标快速检测,克服传统YOLO v5网络结构复杂、计算性能弱的缺点,提出了一种基于深度可分离卷积YOLO v5的采摘机器人目标检测方法。在采集苹果样本图像并制作实验数据集后,进行模型训练和测试,引入深度可分离卷积YOLO v5网络对苹果图像进行特征提取,解决了网络中参数冗余问题,提高了采摘机器人的识别速度;采用CIoU-Loss损失函数和DIoU-NMS非极大值抑制方法,对损失函数进行优化,提升了机器人视觉系统对苹果的定位精度。机器人采摘试验结果表明:算法检测精度达95.8%,检测速度达53帧/s,机器人单次采摘时间为4.7s,采摘成功率达93.9%。检测方法在减少模型参量的同时可保证检测精度和效率,具有较强的工程实用性。

关键词： 割草机器人   路径规划   CCD*   纹理特征   计算机视觉  

摘要： 首先,采用运动控制、能源、传感器、核心处理器和割草等5个模块设计了农业割草机器人试验平台;然后,利用纹理特征对障碍物图像分割算法进行分析研究;最后,基于CCD*实现了割草机器人的全区域覆盖作业。实验结果表明:使用研究的CCD*算法大大提高了割草机器人全区域覆盖作业的能力和作业效率。

关键词： 深度学习   YOLOv5s   目标检测   多级特征融合   注意力机制  

摘要： 针对复杂场景下目标检测与识别精度较低的问题,提出了一种基于注意力与多级特征融合的YOLOv5目标检测与识别算法。该算法在传统YOLOv5s模型的主干网络中引入双空间方向的金字塔切分注意力机制,增强对特征空间和通道信息的学习能力,同时在瓶颈网络中采用多级特征融合结构,对不同分支的特征进行融合,增加特征的丰富性,提升应对复杂场景的能力。此外,利用C3Ghost模块和深度可分离卷积分别替换C3模块和普通卷积,降低网络参数量和复杂度。结果表明:与传统的YOLOv5s算法相比,所提算法在VOC2007+2012数据集的均值平均精度高达85%,在智能零售柜商品识别数据集的均值平均精度高达97.2%,表现出较好的性能。

关键词： 目标检测   多模态融合   驾驶场景   融合图像  

摘要： 目标检测是自动驾驶中重要的组成部分。为解决在弱光条件下单一的可见光图像不能满足实际驾驶场景检测的需求并进一步提高检测精度,提出一种用于红外和可见光融合图像的交通场景检测网络,简称AM-YOLOv5。AM-YOLOv5中改进的Repvgg结构可以提升对融合图像特征的学习能力。此外,在主干网络末端引入自注意力机制并提出一种新的空间金字塔模块(SimSPPFCSPC)充分获取信息;为提升网络推理速度,在颈部网络的前端使用一种全新的卷积(GS卷积)。实验结果表明,AM-YOLOv5在FLIR数据集融合图像上的mAP_(0.5)达到了69.35%,与原YOLOv5s相比,在没有牺牲推理速度的前提下,检测精度提升了1.66%。

关键词： 损失函数   YOLOv4   注意力机制   目标检测   轻量化网络  

摘要： 针对检测模型参数量大,难以在嵌入式设备上部署等问题,设计了一种改进的YOLOv4目标检测算法.该算法使用轻量化的MobileNetV1替换CSPDarketnet53主干特征提取网络,并将后续网络中的3×3卷积替换为深度可分离卷积,极大地减少了模型的参数量;在检测头加入NAM注意力模块,增强网络对细节信息的提取能力;采用SDIoU Loss作为边框回归损失,在加快收敛速度的同时提高了检测精度.实验表明:与YOLOv4-CSPDarknet53相比,改进算法在PASCAL VOC07+12数据集上训练出来的模型大小为47.19 M,约为原来的五分之一,FPS提升了40(f/s),mAP提升了2.4%.与YOLOv4-Tiny、YOLOv5s、YOLOv7等目标检测算法相比,具有兼顾检测速度与精度的特点.

关键词： 自动驾驶   目标检测   YOLOv5s   MHSARM   CoordConv  

摘要： 针对目前自动驾驶场景下交通目标检测算法抗复杂背景干扰能力弱,导致检测性能不足的问题,提出了一种改进YOLOv5s的复杂道路交通目标检测算法。首先,在特征提取区域,采用多头自注意残差模块(MHSARM)来强化待检目标特征信息,弱化复杂背景干扰;其次,在特征融合区域,采用CoordConv代替传统Conv,使网络具备空间信息感知能力,提升网络检测精度。在开源数据集Kitti及BDD100K上的实验结果表明:改进YOLOv5s算法在复杂道路中具备更强的特征提取能力及良好的泛化能力,mAP_0.5分别达到93.3%和47.4%,与YOLOv5s相比,分别提升了0.9%和1.4%。另外,改进YOLOv5s相较于目前最新的目标检测算法YOLOv7、YOLOv8,mAP_0.5分别提高了1.3%和2.2%,与在Kitti数据集上最新的研究成果Sim-YOLOv4算法相比,mAP_0.5提高了2.2%。

关键词： 沉积物   砂砾   数字筛分   图像处理  

摘要： 非固结颗粒的粒度分布在河床或海床稳定性分析、沉积物输移以及沿海扩散等方面发挥着重要作用。随着图像处理技术的发展涌现出了许多数字图像筛分方法。本文依据数据处理结果的维度将数字图像筛分方法分为二维数字图像粒径筛分方法和三维数字图像粒径筛分方法。首先,根据二维数字图像粒径筛分方法所依赖的核心算法将其进行了分类并总结了每种方法的适用性和不足。其次,分析了三维数字图像粒径筛分方法并总结了其存在的不足。最后,依据各个方法优缺点提出了“几何”粒度筛分方法和“人工智能”粒度筛分方法相融合的新构想,即前者为后者提供标记训练集,经过训练后后者可以快速适应新环境的数字筛分任务。