基于双重Gamma校正的秧苗图像增强算法

为了提高复杂光照条件下水田秧苗图像的视觉效果,提出1种基于双重Gamma校正的秧苗图像增强算法。将原始RGB[红(R)-绿(G)-蓝(B)]图像转换成HSV[色调(H)-饱和度(S)-亮度(V)]颜色空间图像,对V分量进行亮度区域划分;通过快速引导滤波法提取秧苗图像的光照度分量,利用光照信息的分布特性自适应地设置Gamma控制参数,并构建2个自适应Gamma函数,实现对V分量图像亮度的独立校正;最后,对校正后的图像进行自适应融合,并结合H、S分量转换为RGB图像,进行色彩饱和度的恢复。结果表明,本研究算法能够实现不同光照条件下秧苗图像的自适应增强,丰富图像中的有用信息,保真原图像的色彩信息,有效改善图像的视觉效果,为后期的秧苗分割提供可靠的处理对象。

基于区域语义和边缘信息融合的作物苗期植株分割模型

为在自然环境下准确分割作物苗期植株,实现苗期植株定位及其表型自动化测量,本文提出一种融合目标区域语义和边缘信息的作物苗期植株分割网络模型。以U-Net网络构建主干网络,基于侧边深度监督机制,引导主干网络在提取特征时能感知植株边缘信息;利用空间空洞特征金字塔构建特征融合模块,融合主干网络和边缘感知模块提取的特征,融合后的特征图具有足够的细节信息和更强的语义信息;联合边缘感知的损失与特征融合的损失,构建联合损失函数,用于整体网络优化。实验结果表明,本文模型对不同数据集的作物植株的语义分割像素准确率高达0.962,平均交并比达到0.932;与U-Net、SegNet、PSPNet、DeepLabV3模型相比,本文模型在不同数据集上平均交并比最高提升0.07,对自然环境下作物苗期植株具有良好的分割效果和泛化能力,可为植株定位、对靶喷药、长势识别等应用提供重要依据。

应用轻量级YOLOv2模型实现口罩佩戴检测的方法

现有的口罩佩戴检测方法对设备计算性能要求高、所占存储空间大,不适合在常规计算性能的移动设备上部署应用。将轻量级网络ShuffleNet与YOLOv2进行重构组合,提出一种基于轻量级YOLOv2模型(Shuffle-YOLOv2)的口罩佩戴检测方法。该方法使用网络摄像头采集图像信号,经过局域网传输和Shuffle-YOLOv2网络检测,检测出未佩戴口罩行人时计算机触发报警器报警。Shuffle-YOLOv2网络能够保证其检测的准确性和实时性,并降低口罩佩戴检测方法对设备计算性能的需求。将Shuffle-YOLOv2网络与其他网络模型的性能进行比较,结果表明,本文算法具有高的检测速度和精度,网络占用的存储空间少,可初步用于常规计算性能的移动设备。

应用脑科学 快速记忆词语——词语记忆教学设计

【训练目标】1.眼脑机能训练,培养学生的注意力及眼睛的灵活度。2.强化科学坐姿训练,培养学生的专注力。3.运用拍照记忆法、连锁记忆法、谐音定位法增强学生的记忆能力。4.加强学生的时间效益观念,培养学生注意力。【训练重点】运用拍照法、连锁记忆法、谐音定位法训练记忆能力。【训练难点】发挥想象力,敢于编新奇的故事,记牢词语。【训练准备】课件及手表等。【训练过程】一。