关键词： 膝骨关节炎   深度学习   YOLOv8   Transformer   目标检测   检测精度  

摘要： 背景:膝骨关节炎是一种常见的退行性疾病,不仅严重影响患者的生活质量,同时增加社会医疗负担。早期准确诊断膝骨关节炎对于患者的治疗和预后至关重要,传统的诊断方法不仅主观且耗时,还不能保证稳定的高准确率。目的:开发一种基于深度学习的膝骨关节炎自动诊断方法,利用深度学习网络提高诊断的准确性和效率。方法:在YOLOv8n网络基础上采用Efficient-ViT网络替换YOLOv8n的骨干网络以及增加注意力机制的方法,提出了一种新的网络模型YOLOV8-ViT模型,用于自动识别和分类膝骨关节炎的X射线片图像。实验数据集来自广州中医药大学第三附属医院的5078张膝骨关节炎患者的X射线片图像,由3个影像医师根据Kellgren-Lawrence分级标准采用labelme软件来标注膝关节炎部位并进行分类,采用并集结果。评价指标包括Precision、F1分数、mean average precision(mAP)、Recall、val/box_loss、val/cls_loss和val/dfl_loss。结果与结论:实验结果表明,与YOLOv5n、YOLOv8n、YOLOv9n模型比较,YOLOV8-ViT模型的准确率、IoU阈值为0.5的平均精度(mAP50)、IoU阈值为0.5-0.95的平均精度(mAP50-95)、F1分数和Recall均有所提高,val/box_loss、val/cls_loss和val/dfl_loss分别降低了0.496、0.45和0.523,1.037、0.305和0.728,0.267、0654和0.854,验证了该模型具有较高的检测精度。

关键词： 齿轮箱漏油检测   师生蒸馏   深度学习   计算机视觉  

摘要： 齿轮箱作为机械设备中的关键组件,对于整个系统的稳定性和效率至关重要。齿轮箱漏油导致维护成本增加,更有可能引发设备故障甚至事故,严重威胁生产安全。本文提出了一种基于深度特征融合和师生蒸馏模型的齿轮箱漏油检测方法,同时提取深度图与2D图像的特征并融合,以获得更优异的特征表示。在多个真实齿轮箱漏油数据集上进行了实验,实验结果表明,与现有的齿轮箱漏油检测技术相比,本文提出的方法在检测准确率和实时性方面均有显著提升,平均检出率达到94.5%,检测速度为每帧0.048s,具有良好的应用潜力。

关键词： 机器视觉   接触网   障碍物检测   图像处理   深度学习  

摘要： 随着铁路交通事业的蓬勃发展,接触网作为电力供应体系的核心构成部分,其安全性与稳定性对铁路运营起着举足轻重的作用。传统的接触网检测手段主要依赖人工巡检或固定设备,这类方式不仅效率低下、成本高昂,而且极易受到人为因素的干扰。鉴于此,本文提出了一种基于机器视觉的接触网障碍物检测系统,该系统融合了图像处理与深度学习技术,能够自动检测并识别接触网区域内的障碍物,具备较高的检测精度与实时性,为提升接触网巡检效率、保障铁路运行安全提供了坚实可靠的技术支撑。

关键词： 除草机器人   视觉导航   图像处理   位姿关系   滑窗算法   坐标转换  

摘要： 除草机器人在进行田间除草作业时,需要获得准确的导航信息以防止在除草过程中损伤水稻幼苗。传统的图像处理方法或卫星定位系统在水田环境下并不能直接得到车身与水稻行的相对位置。为此,提出了一种基于水稻行线与车轮航向位姿关系的视觉导航方法。通过优化滑窗算法提取图像中车轮和水稻行的特征点,将得到的车轮航向点和水稻行线点通过坐标转换公式,由像素坐标转化为世界坐标,得到车轮在水稻行之间行进的位置信息,进而得到导航信息。算法部署在Nvidia Jetson TX2平台上,处理每帧图像得到导航信息的时间可稳定在0.25 s内。导航信息提取实验结果表明,横向偏差提取平均误差为20.3 mm,航向角偏差提取平均误差为1.76°,可以满足除草机器人作业行进间导航的实时性与行线跟踪准确性的要求。

关键词： 台区故障   热成像   主动抓拍   视觉识别   图像处理   台区智能融合终端   物联网云主站  

摘要： 随着用户负荷的增长,配电网规模迅速扩大,供电可靠性要求也不断提高,这使得配电网故障诊断和定位愈发重要。传统配电网故障排查方法主要依靠人力,存在效率低、成本高、实时性差的问题。而随着光学图像处理和人工智能计算的快速发展,视觉识别在电力行业故障检测中的应用变得切实可行。文中介绍了一种基于视觉识别的配电台架故障监测系统。该系统能够有效监测和定位配电台架运行故障,在配电云主站实现主动告警并展示抓拍图片,将被动抢修转变为主动抢修,从而缩短用户停电时间,提高供电可靠性,还能节约运维人工成本。该监测系统已在湖北荆州示范区成功部署并投入使用,投运后取得了预期效果。

关键词： 图像处理   机器视觉   PCB裸板   缺陷检测   AOI   胶路检测  

摘要： 印制电路板是现代电子制造业的基石,承担着实现信息化与自动化电子产品功能及连接的核心任务。在印制电路板的生产过程中,由于存在机械结构、板材质等客观因素的影响,线路缺损等问题时有发生。为解决这一问题,引入了机器视觉检测技术。通过该技术可快速对PCB裸板进行缺陷检测,使生产人员能实时获取胶路检测的反馈信息,进而优化生产工艺,提高生产效率并提升产品质量。

关键词： 多源目标   架构设计   目标跟踪   数据同步  

摘要： 随着信息技术的飞速发展,微服务架构和多源目标融合技术在许多复杂系统中得到广泛应用,尤其在军事领域中,对于实时态势感知、目标跟踪与情报分析具有重要意义。本文研究基于微服务的多源目标融合技术。首先,文章分析多源目标融合系统的架构需求,提出基于微服务的架构设计模型,并探讨微服务架构的关键组件与模块设计,同时研究如何通过合理的数据流与通信机制优化系统性能。其次,文章重点讨论多源目标融合中的四项关键技术:多源数据预处理技术、目标跟踪与融合算法、数据同步与协调机制以及实时性与计算性能优化。最后,本文通过分析智能交通系统、无人机集群、军事领域的战场态势感知等应用场景,展示了基于微服务的多源目标融合技术的实际应用效果,探索其在不同领域中的应用前景和挑战,为相关技术的进一步发展提供理论支持和实践指导。

关键词： 图像处理   识别技术   系统监控   异常检测  

摘要： 各领域系统监控与异常检测的应用日益广泛,信息技术日新月异。作为现代科技的重要组成部分,图像处理与模式识别技术不仅可以增强监控系统的性能,还可以实现精确检测异常状况。这些技术的应用尤其在安全、生产、医疗等领域成为关键手段,确保了系统稳定运行。本文就图像处理与模式识别技术在系统监控和异常检测方面的具体应用以及它们所带来的显著优势进行了深入地探讨。

关键词： 探地雷达   改进YOLOv8   松散病害   深度学习   目标检测  

摘要： 针对目前复杂环境下探地雷达对路面松散病害的检测精度差、速度低等问题,提出了一种基于改进YOLOv8算法(YOLOv8-DN)的松散病害识别方法。所提方法针对性设计了DN模块替代C2f模块,该模块结合动态形变卷积模块和多尺度特征融合模块,使用动态形变卷积核的感受野以适应病害特征的形态复杂性,并利用多尺度特征融合路径提升模型对细小和模糊病害区域的捕捉能力。将原结构中的C2f模块替换为DN模块后,改进的YOLOv8-DN算法显著增强了对复杂病害的识别能力,且有效减少了计算开销。实验结果表明:相比原始YOLOv8算法,改进算法的mAP提升了5.29百分点,漏检率降低了5.2百分点,推理速度提高了4.9帧/ms,且检测掩膜区域的完整性和准确性显著提高,证明了该算法的有效性和可行性,也为沥青路面半刚性基层松散病害的快速、精准检测提供了一种新的方法。

关键词： 肉牛产业   计算机视觉   三维重建   体尺测量   肉牛定价   鸿蒙系统  

摘要： 肉牛交易中快速准确的定价是保障养殖户收入的关键环节。随着人工智能技术的发展,视觉算法在肉牛养殖过程中快速普及。本研究旨在解决肉牛交易中定价不准确、效率低下和透明度不足的问题,以保护养殖户的权益。文中提出了一种通过视觉算法对肉牛进行三维重建,结合视觉体尺测量来预测肉牛体重并给出定价的方法。利用先进的图像采集和处理技术,获取肉牛的多维度数据,通过算法模型进行分析和计算。系统能够快速、准确地完成肉牛的体尺测量和体重预测,进而实现合理定价。在实际测试中,该系统展现出了高效性和准确性,大幅缩短了测量和定价的时间,减少了人为误差。此系统显著提高了肉牛交易的效率和透明度,具有良好的应用前景和较大的市场价值。为肉牛养殖和交易行业提供了具有创新性的解决方案,有望推动行业的规范化和现代化发展。同时,也为相关技术在农业领域的进一步应用提供了有益的参考和借鉴。