首页期刊导航|计算机科学
期刊信息/Journal information
计算机科学
计算机科学

朱完元

月刊

1002-137X

jsjkx12@163.com

023-63500828

401121

重庆市渝北区洪湖西路18号

计算机科学/Journal Computer ScienceCSCD北大核心CSTPCD
查看更多>>本刊的读者对象是：大专院校师生，从事计算机科学与技术领域的科研、生产人员。办刊宗旨是：坚持“双百”方针，活跃计算机科学与技术领域的学术气氛，重点报导国内外计算机科学与技术的发展动态，为我国的计算机科学与技术立于世界之林、达到国际先进水平奋斗而矢志不渝。
正式出版
收录年代

    方向感知金字塔聚合网络的道路中心线提取

    张小青王青旺瞿信沈世全...
    505-511页
    查看更多>>摘要：道路中心线作为抽象类,无明确显性特征,进而造成模型无法准确提取道路中心线.针对该问题,文中将道路中心线提取建模为语义分割任务,并根据道路中心线的线性结构特点提出了一种方向感知金字塔聚合网络(Direction-aware Pyramidal Aggregation Network,DAPANet).首先,针对道路中心线的空间分布特性及结构特点,设计了方向感知模块(Direction-aware Module,DAM),在主干网络(ResNet18)最后输出的4个层级上分别使用4个方向感知层提取道路中心线的方向特征.然后,进一步设计融合多向性特征的金字塔聚合模块(Pyramid Aggregation Module,PAM),融合4个层级提取到的结构特征,得到更具有鲁棒性的道路中心线特征.最后,在无人机平台下采集的真实数据上进行了实验,实验结果显示所提出的DAPANet取得了84.7％的mIoU和98.6％的Precision,道路中心线的IoU达到77.28％,性能优于其他先进的对比方法,证明了所提方法对提取道路中心线的有效性.

    方向感知金字塔聚合语义分割道路中心线提取

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于轻量化YOLOv5s的集装箱锁孔识别算法

    李源鑫郭忠峰杨钧麟
    512-517页
    查看更多>>摘要：为提高现有集装箱的锁孔识别检测效率,减少算法参数量以及减小模型大小,提出了一种基于轻量化YOLOv5s的集装箱锁孔识别算法.该算法将YOLOv5s的Backbone主干特征提取网络部分更换为轻量级神经网络模型MobileNetV3,并对neck部分的特征融合结构进行进一步的优化,减少了模型的参数量和计算量,并提高了检测速度.引入注意力机制SimAM层,提高了检测的准确率和效率.使用不同的改进方法对模型进行重构后,在自建的集装箱锁孔数据集上进行训练和测试,并与改进的YOLOv5s进行对比实验.结果表明,改进后的模型大小仅为2.4MB,每幅图像的平均检测时间仅为5.1ms,平均检测精度达97.3％;与原始目标检测模型相比,该模型的大小减小了82.8％,检测速度提高了39％,在确保高检测精度的前提下展现出了较强的算法实时性.

    机器视觉集装箱锁孔YOLOv5s轻量化深度学习

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    航拍绝缘子图像缺陷智能识别算法研究

    戴永东金扬戴雨凡付晶...
    518-522页
    查看更多>>摘要：由于电力线路绝缘子缺陷容易导致输电系统故障,因此,研究缺陷检测算法至关重要.传统的检测方法只能在有足够的前提知识、干扰低或在特定条件下才能准确定位绝缘子并检测出故障.为了能够在无人机航拍图像中自动定位绝缘子并检测出绝缘子缺陷,提出了一种全新的深度卷积神经网络(CNN)架构,该架构不仅能定位绝缘子而且还能检测绝缘子的缺陷.该架构分为两个模块,第一个模块为绝缘子定位,负责检测图像中的所有绝缘子;第二个模块为绝缘子缺陷检测,负责检测图像中所有绝缘子的缺陷.使用具有候选区域网络(Region Proposal Network,RPN)的CNN将绝缘子缺陷检测转换为两级对象检测问题.最后,在真实数据集上进行实验,所提方法缺陷检测精确率和召回率分别为91.2％和95.6％,满足了鲁棒性和准确性要求.

    航拍图像卷积神经网络(CNN)缺陷检测绝缘子

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于改进YOLOv7的钢材缺陷检测

    黄海新吴迪
    523-527页
    查看更多>>摘要：钢材表面缺陷检测在实际生产中非常重要.为了准确检测缺陷,设计了一种基于改进的YOLOv7的钢材表面缺陷检测模型.首先在骨干网络结构中引入Ghost模块,增强模型提取特征和识别小特征的能力,同时降低模型参数量;其次在池化模块中嵌入注意力机制;最后通过引入EIOU改善损失函数,从而更好地优化YOLOv7网络模型,且可以更好地处理样本的不平衡,从而达到更好的优化相似度.实验结果表明,与原模型相比,所提模型mAP达到76.9％,提高了4.2％.该模型可以满足钢表面缺陷的准确检测和识别需求.

    yolov7缺陷检测深度学习注意力模块

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    一种单阶段无监督可见光-红外跨模态行人重识别方法

    娄刃和任强赵三元郝昕...
    528-534页
    查看更多>>摘要：无监督"可见光-红外"跨模态行人重识别任务能够缓解智能监控场景中需要大量人工标注的问题.常见多阶段模型用于处理不同模态数据.文中提出了一种有效的单阶段无监督跨模态行人重识别的方法,设计了基于置信因子的聚类算法和图嵌入的跨模态特征处理方法,分别用于解决无标签问题和跨模态问题.实验结果表明,相较于现有算法,所提方法在r=1时精度至少取得了7％的提高.

    跨模态学习无监督行人重识别可见光-红外行人重识别无监督学习跨模态特征处理

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    复杂背景下输电线路缺陷检测算法研究

    邬春明王调君
    535-540页
    查看更多>>摘要：输电线路定期巡检对保障电力系统安全稳定运行具有重要的意义.针对输电线路航拍图像背景复杂、目标尺度变化大、小目标多等问题,提出了基于YOLOv5s的输电线路目标检测算法.该算法采用特征细化模块优化微小目标特征,并在网络中嵌入SimAM注意力模块,通过能量函数统一权值的方式优化模型的特征提取,最后引入NWD损失函数削弱模型对小目标位置偏差的敏感性,提升模型对小目标的识别检测能力.实验结果表明,该模型对输电线路目标的平均检测精度高达98.8％,相较于基准模型,提高了1.2％.

    输电线路缺陷检测注意力机制NWD损失特征细化

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    卷烟厂卷包车间工人违规作业行为检测方法

    刘恒林虹宇吴涛
    541-548页
    查看更多>>摘要：小目标检测一直是目标检测领域的难点,针对卷烟厂卷包车间摄像头安装位置较高、小目标检测精度低和总体检测精度较低的问题,提出了一种改进的YOLOv8n目标检测算法YOLOv8n-FIAL.首先使用添加通道重排机制的C2fg模块代替原本C2f模块,提高特征学习能力,使用自适应通道特征融合模块代替YOLOv8n算法Neck部分的Concate操作,使特征融合更加充分;然后增加小目标检测层,提高小目标检测精度,降低漏检率;最后使用Focal-EIOU损失函数替换原来的CIOU损失函数,平衡锚框与真实框重叠较大的高质量锚框的数量远少于低质量锚框训练实例不平衡的问题.实验结果表明,在自制的卷烟厂工人违规作业数据集上,所提出的YOLOv8n-FIAL检测方法相比原始的YOLOv8n方法的总体平均精度均值提升了7.6％,对口鼻、手拿手机和衣服领口这3类小目标平均精度均值提升最大,分别提升了8.3％,8％和9.6％;在公共数据集VOC2007上,YOLOv8n-FIAL算法相比YOLOv8n算法的总体平均精度均值提升了1.6％.

    卷包车间小目标检测YOLOv8nYOLOv8n-FIAL自适应通道特征融合模块

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于改进Efficientnetv2模型的铁矿石图像分类方法

    吕一鸣王激扬
    549-554页
    查看更多>>摘要：随着当今世界的飞速发展,各种高楼大厦林立,对于铁以及钢材的需求日益增加,随之而来的对于铁矿石的需求也逐年上涨,由于铁矿产业是对不可再生资源的开采,因此对铁矿石进行分类,提高铁矿石的利用效率就变得极其重要.为了提高铁矿石的分类速度以及分类准确率,文中提出了一种基于卷积神经网络和注意力机制的铁矿石图像分类方法.该方法不需要对输入的图像进行手工提取特征,通过深度学习模型框架来弥补传统图像处理算法的不足,实现对铁矿石准确、高效的分类,可以较好地识别多种类型的铁矿石.对于铁矿石的3种基本类型具有较好的分类效果以及准确率.实验结果证明,所提方法在数据集上的准确率达到88.46％,相比其他算法模型,其模型训练时间更短,性能更优.利用深度学习的方法,部署自动化铁矿石分类模型,对于社会发展有重要意义.

    卷积神经网络注意力机制深度学习铁矿石分类图像分类

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于残差密集卷积自编码的高噪声图像去噪方法

    张杰卢淼鑫李嘉康徐大勇...
    555-561页
    查看更多>>摘要：在高噪声图像去噪中,传统卷积自编码器难以挖掘有效的深度特征信息,进而影响了图像的重建质量.为了提高高噪声图像的重建质量,提出了一种残差密集卷积自编码器网络模型.该模型首先使用卷积操作代替池化操作以提高高噪声图像的表征能力;同时,在编码和解码阶段设计三级密集残差网络结构,实现图像特征的有效挖掘;最后,设计一个优化损失函数以进一步提高重建图像的质量.实验结果表明,设计的去噪方法能够从高噪声图像中重建高质量的图像,同时能够保留更多的细节特征信息,有效验证了该算法在图像去噪中的有效性.该方法能够有效解决高噪声图像的去噪问题,具有重要的应用价值.

    图像去噪卷积自编码器残差密集卷积高噪声图像优化损失函数

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于改进图像增强及CNN的复杂环境车牌识别算法

    杨秀璋武帅任天舒廖文婧...
    562-568页
    查看更多>>摘要：传统图像识别和深度学习模型较难检测复杂环境下的车牌,其场景适用性和精确率较低,从而严重威胁交通安全,影响智慧交通发展.基于此,文中提出了一种基于改进图像增强及CNN的复杂环境车牌识别算法.首先,结合目标图像的平均灰度值,利用ACE算法和暗通道先验去雾算法对复杂环境下的车牌数据集进行图像增强;然后提出了一种融合色彩关键特征和波峰关键特征的车牌区域定位算法,通过8个核心步骤有效定位复杂环境下车牌的区域;最后构建五层卷积神经网络的模型,以实现车牌字符识别.实验结果表明,所提算法能有效识别复杂环境下行驶车辆的车牌,该算法在复杂环境车牌区域定位的精确率为86.04％,召回率为82.60％,F1值为84.29％,其F1值比传统图像处理算法提升了47.29％,比SSD算法提升了24.73％,比YOLO算法提升了26.37％,比YOLOv3提升了17.15％.同时,所提方法的时间复杂度较低,属于一种轻量级的车牌识别方法,能消除噪声并实现车牌字符识别,具有一定的应用前景和实用价值,也将为智慧交通的研究提供理论基础.

    车牌识别图像增强深度学习复杂环境智慧交通

      原文链接:
    • NETL
    • NSTL
    • 万方数据