关键词： 橡胶改性水泥砂浆   工作性   强度   图像处理技术   盒维数   匀质性  

摘要： 通过L9(34)正交试验研究了羟丙基甲基纤维素醚(HPMC)掺量(0.005%、0.010%、0.020%)、PP纤维掺量(0.1%、0.2%、0.3%)、消泡剂掺量(0.02%、0.04%、0.06%)和粉煤灰掺量(10%、20%、30%)对橡胶改性水泥砂浆流动度、抗压强度的影响,并基于图像处理技术分析了其匀质性。结果表明:各因素对砂浆流动度影响效果的大小顺序为粉煤灰掺量>消泡剂掺量>HPMC掺量>PP纤维掺量;对28 d抗压强度影响效果的大小顺序为HPMC掺量>粉煤灰掺量>消泡剂掺量>PP纤维掺量;对匀质性影响效果的大小顺序为HPMC掺量>消泡剂掺量>粉煤灰掺量>PP纤维掺量。

关键词： 图像处理   可视化界面   MATLAB-GUI   图像识别  

摘要： 随着计算机技术的飞速发展,图像处理技术作为计算机视觉领域的重要分支,其研究和应用日益广泛。但传统软件操作过于复杂,为了方便用户进行图像处理和分析,基于MATLAB-GUI设计了一款图像处理系统。该系统集成了颜色/亮度调整、基础功能、空间滤波去噪、图像增强/复原、添加噪波、边缘检测等功能模块,并结合RGB波形图和RGB分量波形图,实现对图像色彩分布和色调层次的可视化分析。该系统界面友好,操作便捷,可为图像识别等任务提供有力支持,推动图像处理技术的不断创新和发展。

关键词： 电路板   缺陷检测   YOLOX   注意力机制  

摘要： 针对目前电路板缺陷检测方法效率低、容易出现误检和漏检等问题,提出一种基于改进YOLOX的电路板表面缺陷检测网络。首先,提出一种改进的特征融合网络,将主干网络输出的较浅层特征图引入金字塔自下而上的路径,并作为新增的第四个预测特征图,用于解决因缺陷尺寸较小导致的漏检问题。其次,将CBAM注意力模块引入YOLOX的主干网络,以抑制图像中的冗余信息,对重要特征进行强化。最后,改进YOLOX的回归损失,使用SIoU替换原损失函数,考虑标注框和预测框的角度关系,增强网络的收敛速度和对微小缺陷的定位能力。试验结果表明,改进网络在电路板数据集上的mAP为99.70%,与原YOLOX相比提高了2.28%,对缺陷的检测精度有较好提升,且检测速度满足电路板缺陷诊断实时性要求。同时,对比其他主流目标检测网络均表现出明显精度优势,证明了改进算法的有效性,该方法对工业生产中电路板的质量把控和降低检测成本有重要意义。

关键词： 多模态   电厂设备安全   语言大模型   主动预警系统   目标检测  

摘要： 电厂生产安全在社会稳定发展中扮演着关键角色。智能检测系统的应用显著增强了电厂对设备设施和环境的预警能力,为安全生产奠定了坚实基础。然而,电厂设备设施和环境的复杂多样性使得单一检测算法难以全面预警。本研究创新性提出,采用多模态大模型,根据文本语义标签进行检测,一次性完成多个目标的检测任务,极大提高了效率和便利性。与传统目标检测模型相比,多模态大模型无需训练多个独立模型,减少了时间、资源和管理成本。实验证实,多模态大模型在平均精确率相近的情况下,通常具有更高的召回率,召回率平均提升约16%,这符合电厂设备和环境主动预警的需求。该创新方法为电厂安全生产提供了更为智能和高效的解决方案,有望在实际应用中取得更多成功,并为其他行业的安全监测和预警工作提供借鉴。

关键词： 深度学习   铁路巡检   无人机   目标检测   语义分割  

摘要： 在铁路维护与安全监测领域,无人机巡检作为一种高效且能够加快发展新质生产力的方式被业界看好。现有成果多聚焦于铁路某一具体设施场景下无人机自主巡检算法的研究,综述性文章并不多见。基于此,对铁路设施无人机自主巡检算法进行系统性分析总结。归纳了当前铁路无人机自主巡检的场景和难点,分析了无人机自主巡检在各个场景下的特有问题,对近年来巡检算法研究进行总结归纳。从分析结果来看,现有研究多侧重于异物入侵和轨道扣件等缺陷的检测,而隧道和水害防治等领域的研究则相对不足。汇总了现公开的铁路相关数据集,并对评价指标从精度、速度、复杂度进行整理,对该领域未来研究方向进行展望。以期该项工作为相关领域的研究者提供宝贵的参考和指导。

关键词： 织物疵点   YOLOv8   GhostNet   注意力机制   轻量化   目标检测  

摘要： 为应对织物疵点目标检测中背景纹理复杂以及硬件资源有限问题,本文提出一种基于改进YOLOv8n的轻量化织物疵点检测算法(GSL-YOLOv8n)。首先,为减少YOLOv8n模型参数量与网络结构复杂度,结合Ghost思想构建C2fGhost模块,并用Ghost卷积层替换YOLOv8n网络结构的普通卷积(Conv);其次,在主干网络末端嵌入无参注意力机制SimAM,去除冗余背景,增强小目标语义信息和全局信息,增强网络特征提取能力;最后,设计轻量化共享卷积检测头LSCDH,运用Scale层对特征进行缩放,在保证模型轻量化的同时尽可能减少精度损失。改进后的算法GSL-YOLOv8n相比原YOLOv8n模型平均精度提升0.60%,达到98.29%,检测速度FPS基本保持不变,模型体积、计算量和参数量分别减少66.7%、58.0%和67.4%,满足纺织工业生产对织物疵点检测的应用要求。

关键词： 预成端盒   目标检测   目标识别   实例分割   模板匹配  

摘要： 预成端盒是一种连接和管理光纤网络物理分布的重要光传输设备,现阶段对该类设备的巡检主要依赖人工完成.为了降本增效,亟需上线智能化巡检方式.然而,受制于设备部署场景复杂的光照条件、多样的端口连纤状态及遮挡问题,利用现有的图像识别技术对端口信息(端口连纤状态和连纤条码信息)进行自动化识别具有极大的难度:既难以保证端口信息识别的精度,又难以将识别结果与其实际物理位置相匹配.为此,提出基于空间匹配校准的预成端盒端口信息自动化识别方法,包括:基于空间多尺度匹配和多角度补偿的端口状态识别和校准方法,采用多尺度模板校准算法自适应地匹配端口实例的状态信息及其物理位置,并设计多角度补偿方案完成端口的校准识别;基于自适应矫正与动态极小值匹配的光纤尾端条码信息识别方法,自动检测条码成像姿态并有效切割和识别条码,利用动态极小值匹配算法进行空间匹配校准,实现连纤端口的条码信息识别.构建一个真实数据集,并基于此进行大量实验,实验表明所提出的方法在端口信息的识别精度和效率上均优于同类应用场景;同时,将所提出的方案在移动设备上进行部署测试,可实现准确高效的预成端盒端口信息自动化识别.

关键词： 水下目标检测   多尺度特征增强机制   多尺度注意力机制   全维动态卷积   Wise-IoUv3  

摘要： 【目的】针对水下目标图像存在成像模糊和复杂背景下检测精度低的问题,提出融合多种注意力机制和Wise-IoUv3的水下目标检测算法。【方法】首先,设计多尺度特征增强机制,在主干网络部分采用全维动态卷积(ODConv)替代部分卷积并引入高效的多尺度注意力机制(EMA),提升主干网络对模糊目标和小目标特征提取能力。其次,改进快速空间金字塔池化(SPPF)模块,增加平均池化分支补充空间信息,提升全局上下文感知能力并在两个分支融入轻量级BiFormer注意力机制,降低模型计算复杂度,增强对小目标检测性能。然后,在预测阶段,用Wise-IoUv3代替原损失函数,平衡不同质量图像模型训练结果。最后,用动态检测头(DynamicHead)替代原检测头,增强检测头的尺度感知、空间感知和任务感知能力,提高对象位置的识别准确性。【结果与结论】在RUOD和URPC数据集上实验结果表明,模型的检测精度、参数量和计算量较目前其他的主流模型表现良好,特别是与YOLOv8n算法相比,改进后算法在平均精度均值上提升3.6%和1.7%,尤其在包含大量小目标的类别(如海胆、扇贝)中表现更优;模型的参数量和计算量分别减少了0.26×10^(6)和0.4 GFLOPs。实验结果表明,该方法减少了在复杂情况下模糊目标和小目标漏检和误检情况,提高了检测性能,同时保持了模型的轻量性。

关键词： 目标检测   YOLO   烟叶   烟叶计数   轻量化  

摘要： 烟叶产量的预估是一项非常重要的任务,叶片数量与产量直接相关。传统人工统计效率低、成本高,为解决这些问题,研究提出一种轻量化YOLOv8-SLSS烟叶计数检测算法,该算法针对YOLOv8n检测精度不足、计算复杂度高以及烟叶遮挡场景导致的漏检问题进行改进。算法采用改进后的ShuffleNetV2light网络结构替代原模型的骨干网络,缩减模型参数和计算负荷;引入设计的LHCB模块到颈部网络的C2f中,扩大模型的感受视野,提高模型检测精度的同时减少计算量;引入SEAMDetect检测头模块,增强了烟叶遮挡场景下的检测能力;最后,引入SPPELAN模块,增强模型多尺度特征提取能力和计算效率。实验结果表明,改进后的模型参数量和浮点运算量分别减少了63.3%和61.7%,算法的检测平均精度AP@0.5由原算法的92%提高到93.1%,实时检测速度达到83 fps,相比原YOLOv8n模型提高5.1%。改进后的算法提高了传统YOLO模型在烟叶遮挡场景下的检测能力,实现了较高精度、轻量化、实时检测性能的平衡,为烟草农业数字化提供有效地技术支持。

关键词： 草莓   叶片病害   目标检测   YOLOv8n   动态卷积   GSConv   CARAFE  

摘要： 为提高目标检测模型在果园环境中对草莓叶片病害的检测能力,本研究以YOLOv8n模型为基准模型,引入动态卷积(Dynamic convolution)模块替换骨干网络的第3个卷积层和颈部网络的部分C2f模块,引入GSConv和Slim-neck模块替换颈部网络的卷积层和部分C2f模块,并引入内容感知特征重组上采样(CARAFE)算子替换上采样中的最近邻插值法,提出了一种改进的YOLOv8n模型——YOLOv8n-DGC,以期在保持模型轻量化的同时提高模型对草莓叶片病害的检测精度。结果表明,改进后的模型YOLOv8n-DGC对草莓叶片病害检测的交并比(IoU)阈值为0.50时的平均精度均值(mAP_(50))、IoU阈值范围为0.50~0.95的平均精度均值(mAP_(50∶95))、精确率和召回率分别比基准模型提高2.5个百分点、1.5个百分点、1.6个百分点和1.6个百分点,模型大小和参数量分别增加3.2%和3.3%,而浮点运算量减少8.6%。与Faster R-CNN、SSD、YOLOv5s、YOLOv7-tiny等模型相比,YOLOv8n-DGC模型能更好地实现检测精度与效率的平衡,更适合布置到轻量化的检测设备或终端中。