关键词： 城市道路   坑槽识别   计算机视觉   自动化检测  

摘要： 本文探讨了基于深度学习的城市道路坑槽识别方法,旨在提高城市道路坑槽检测的效率和精度。通过分析深度学习的基本原理及其在计算机视觉中的应用,结合数据采集、模型训练与优化,研究了坑槽识别的技术路径。结果表明,深度学习技术能够实现高精度、高效率的坑槽识别,但仍需通过数据增强、多模态数据融合等策略进一步优化。建议结合轻量化模型设计和实时检测技术,以提高系统的实用性和适应性,为道路养护提供智能化支持。

关键词： 安全头盔   深度学习   注意力   目标检测   加权特征金字塔  

摘要： 为了解决现有头盔检测存在的识别精度低、误检率高、针对复杂背景难以检测等问题以及对模型进行研究,提出了一种基于YOLOv8n的改进头盔检测的算法。通过添加注意力机制EMA(Exponential Moving Average);把加权特征金字塔网络引入Concat模块;添加作者创造的空间通道注意力模块(Spatial Channel Location Attention);将CBAM(Convolutional Block Attention Module)注意力引入到了C2f模块。最后试验结果表明,改进的算法模型和原始算法YOLOv8n在mAP@0.5下提高了1.2%,mAP@0.95提高了1%,改进后的YOLOv8n模型算法对安全头盔的检测效果更好,能够快速且准确地识别和定位头盔,验证了复杂背景、密集场合下头盔的高精度检测,易于移植至移动智能设备。

关键词： 目标检测   图像处理   位姿修正   桨叶叶尖   精准定位  

摘要： 针对无人机自主巡检风机需对桨叶进行精准定位的问题,设计了一种基于风机局部图的无人机位姿修正和叶尖定位系统。无人机依据风机参数飞至指定位置获取风机局部图,使用Yolov5实现对轮毂、塔筒的目标检测和特征提取。对概率渐进式Hough直线检测结果筛选后,利用K-means聚类得到桨叶中心线,依靠轮毂特征和桨叶中心线夹角更新无人机位姿,获取近距离粗略正对风机局部图。设计无人机位姿修正系统并对其收敛性进行了证明,该系统以风机局部图中像素坐标差值作为偏差控制量,计算世界坐标系下无人机运动量,实现无人机正对风机,轮毂位置位于图像中心。最后,结合无人机位姿信息与风机参数解算桨叶叶尖坐标,实现叶尖精准定位。该算法基于Gazebo仿真实现,定位精度达亚米级,为风机运维提供理论依据。

关键词： 安防巡检系统   DiMP   计算机视觉   无人机   嵌入式系统  

摘要： 针对目前传统人工巡检效率低、存在视野盲区、成本较高等问题,设计了一种基于DiMP算法的安防巡检系统。该系统采用模块化设计,在嵌入式机载计算机上实现了无人机的自主飞行控制及跟踪功能。为提升巡检过程中对小型目标的跟踪精度与准确性,采用多尺度特征融合策略对DiMP目标跟踪算法进行改进,将不同尺度的图像金字塔特征与骨干网络特征进行融合,为骨干网络提供信息丰富的融合特征。优化后的DiMP算法在UAV123数据集上的目标跟踪成功率和精度分别提高了2.6%和3.4%,同时在VOT2018数据集上实现了38 fps的跟踪速度。最后,在室外环境验证无人机安防巡检的效果。结果表明,改进的目标跟踪算法能够在无人机上实时运行,并能够对目标进行长时间且稳定的跟踪。

关键词： 目标检测   果实识别   深度学习   实验设计  

摘要： 为了在提高苹果树果实目标识别模型检测精度的同时减小模型体积,提出了一种基于YOLOv5s的轻量化改进模型,用于苹果树果实目标识别,并设计了相关实验。对YOLOv5s网络架构进行改进,在骨干网络中替换嵌入深度可分离卷积模块。实验结果表明,基于测试集图像,改进模型对苹果树果实目标的平均识别精度为92.4%,单张图像的识别时间为37ms,模型体积为11.2MB。与YOLOv5s相比,改进模型平均识别精度提高了0.9%,识别速率提高了16%,模型体积压缩了20%。

关键词： 模具缺陷检测   计算机视觉   适应度函数   Sigmoid函数   自动检测技术  

摘要： 为了提高模具质量、模具缺陷检测效率与检测准确率,提出了一种基于计算机视觉的模具缺陷自动检测技术。首先,通过获取模型空间特征数据,完成种群粒子位置和速度的初始化。然后,利用适应度函数分析,寻找局部和全局最优解,优化粒子速度和位置。接着,采用Sigmoid函数对粒子的速度和位置进行修正。最后,判定粒子的适应度是否稳定,并通过计算机完成模具缺陷检测结果可视化输出。实验结果表明,所提出的技术能够有效识别缺陷类型、缺陷内容、缺陷尺寸,且检测时间比传统人工检测方法至少缩短55%。此外,该技术的过检率为1.18%,正检率为99.32%,漏检率为8.76%,在所有检测技术中表现最佳。

关键词： 城市物联网   车辆目标检测   特征提取   损失函数  

摘要： 针对现有的方法在密集、遮挡以及小目标检测中存在的问题,本研究提出了一种用于城市道路场景中车辆检测的QARep-YOLOv8n算法。首先,本研究采用了一种Haar小波下采样模块来缓解传统跨步卷积或池化操作所导致的特征信息丢失的问题;其次,提出了一种批量正则化注意力模块和QARepC2f模块来提高YOLOv8的特征提取能力;最后,采用了NWD边界框损失和Slide分类损失来提高对于小目标以及遮挡目标的检出效果。在4个主流的车辆检测基准数据集上的广泛消融实验和验证实验表明,QARep-YOLOv8n相比于YOLOv8n,mAP分别提升了3.3%、3.2%、2.7%和1.5%,此外,本研究方法具有更显著的小目标、遮挡目标检测效果。

关键词： 软件   图像处理   色彩   描边设置   再现效果  

摘要： 产品的印刷效果不如预期时,设计师经常埋怨印刷厂。事实上印刷再现确实存在局限性,因此设计时就需要多做考量。那么,为保证作品印刷再现时能有更好的效果,在做设计的时候到底需要考虑什么呢?本文结合印刷厂实际案例,分析设计师在设计过程中应考虑的五大要素。

关键词： 质量评定   YOLOv8   目标检测   深度学习  

摘要： 为提升茶青质量评定的智能化水平,以新质生产力赋能农业现代化,采集标注了1千余张茶青图像数据集,通过数据增强技术扩增至6千余张。针对茶青图像的特点,分析了现有目标检测技术在茶青小目标识别场景下的应用效果及局限性。在此基础上,引入GAM注意力机制和微小目标检测头对YOLOv8算法进行改进,构建茶青小目标检测模型。定量对比实验结果显示,改进后的模型在自建的茶青图像数据集上表现出更好的检测效果,相比YOLOv8s,精度提升了21.7%,召回率提升了6.8%,性能得到显著提升。此外,消融实验验证了所设计的主要模块对微小茶青目标检测效果的关键作用。该模型能够有效识别密集、相互遮挡的茶青小目标,为茶青质量的自动评定提供了有力支持,有助于提升茶产业的智能化水平。

关键词： YOLOv8   火焰检测   算法优化  

摘要： 针对火焰检测领域中YOLOv8模型精度不足的问题,提出两种改进方法以优化YOLOv8网络模型的火焰检测算法。设计一种改进的EIOU损失函数并引入YOLOv8模型中,通过对比实验确定参数α的最佳取值,使模型的收敛效果和火焰检测精度更佳,增强网络对不同场景下火焰的鲁棒性;引入AttnConv-EMA注意力机制,通过感知权重的非线性优化模型对内容的适应性,增强模型的精度和性能。使用自行建立的火焰检测数据集,基于Pytorch深度学习框架对YOLOv8模型进行训练,并结合不同的损失函数和注意力机制模块对原始的YOLOv8训练模型进行改进。研究结果表明,改进后的YOLOv8模型在火焰检测的检测精度上有显著提升,AttnConv-EMA注意力机制的引入进一步提升了模型的感知能力和精度,满足了火焰检测数据集的检测精度需求。