关键词： OpenCV   水稻考种   图像处理   谷粒计数   Python  

摘要： 该试验采用OpenCV计算机视觉库对水稻谷粒图像进行考种分析。使用基于OpenCV库的Python程序对采集的图像执行灰度处理、二值化、开运算和腐蚀运算等处理,并识别谷粒轮廓并对水稻谷粒计数;通过矩形拟合函数获取谷粒的粒长、粒宽考种数据。研究结果表明,对200粒以内的谷粒计数,程序的准确率为100%;程序测量获取的谷粒10粒长、宽数据有95%的概率与人工测量为同一组数据。与人工考种对比,图像处理程序考种具备更高的效率和准确性,用该程序进行水稻考种分析具有可行性。

关键词： 皮革匹配系统   多特征融合   深度学习   图像处理  

摘要： 为突破传统人工皮革匹配模式过于主观和效率低下的问题,提出了一种基于多特征融合的智能化匹配方法。以皮革的纹理、光泽度等多维特征搭建图像采集系统并建立特征识别模型,采用XGBoost算法对特征数据集进行训练优化,重构融合皮革多特征的智能匹配模型,并从匹配精度和效率两个维度验证所提方法的有效性和可靠性。结果表明:XGBoost算法能够有效实现皮革的精确匹配,处理速度可达0.54 s/张,匹配准确率超过94%。

关键词： 深度学习   苹果叶片病害   卷积神经网络   目标检测  

摘要： [目的]本研究旨在开发一种准确检测苹果叶片病害的轻量化模型方法。[方法]构建了一个自然复杂场景下包含15 190张高质量RGB图像的苹果叶片病害数据集ALD6,涵盖了实际生产中最为常见的5种病害类型和1个健康对照类。提出基于YOLOv8s改进的高效苹果叶片病害检测模型ADDN-YOLO。用BoT替换部分C2f结构以更好地捕捉图像中的全局和局部的丰富信息,提高模型特征提取能力的同时降低计算开销;设计了更轻量化的检测头以降低模型复杂性,更易部署于硬件设备上;引入MPDIoU损失函数优化了原CIoU对目标尺寸变化不敏感的问题,更加全面考虑目标的位置和尺寸差异信息,提高目标的定位能力。[结果]在ALD6数据集上病害识别的平均精度均值为94.9%,相较原始基准模型提高0.7%,计算量和模型大小比基准模型降低35.6%和35.5%。模型大小为13.8 MB,模型推理速度为175.7 FPS。[结论]ADDN-YOLO算法在准确性和降低模型复杂性方面都具有明显优势,可以为自然场景下苹果叶片病害的高效、准确检测识别提供支持。

关键词： 机器视觉   图像处理   虾仁   质量预测  

摘要： 研究提出一种基于机器视觉的虾仁质量预测方法,旨在为后续的虾仁品质分级提供可靠数据,减少人工称重和数据统计、处理相关的成本、时间和低效率。通过机器视觉系统采集图像,利用标定板对相机进行矫正以消除畸变。运用OpenCV进行图像预处理、分割、边缘检测和特征提取。将提取的虾仁特征通过比例尺转换为实际值,并按照9∶1划分训练和测试数据集。采用k近邻(KNN)、随机森林(RF)和极限梯度提升(XGBoost)回归模型进行质量预测。结果显示,随机森林(RF)回归模型表现最佳,其决定系数(R2)为0.990,均方根误差(RMSE)为0.421 g,平均绝对百分比误差(MAPE)为3.140%。该方法实现了非接触式、精准的虾仁质量预测,有潜力取代人工称重。

关键词： 目标跟踪   等式约束   线性随机系统   状态估计   深度学习  

摘要： 针对等式约束跟踪系统中多约束并存且当前约束信息不确定下状态估计问题,提出基于深度学习的联合等式状态约束辨识与递推滤波算法。利用门控循环单元构建约束判别网络,借助雷达量测实现当前时刻等式状态约束的在线辨识;在递推滤波框架下基于级联门控循环单元构建增益学习网络,实现概率模型与数据学习联合驱动的目标状态自适应估计;通过滤波投影联合约束判别网络辨识的约束信息和增益学习网络输出的状态估计,获得满足当前时刻等式状态约束的高精度目标状态估计。典型多道路目标跟踪实验结果表明:新算法相比卡尔曼滤波、交互式多模型(基于不同运动模型构建模式集/不同等式状态约束构建模式集)和KalmanNet等算法,在不同量测噪声水平下具有更高的估计精度和更好的鲁棒性。

关键词： 瓦斯抽采   低照度   SCI   目标检测   EMA   BiFPN   钻杆计数  

摘要： 针对现有的煤矿井下钻杆计数方法在低照度环境下统计精度低且性能下降等问题,提出一种基于改进YOLOv8的煤矿井下低照度图像钻杆计数方法。该方法通过检测钻机卡盘与夹持器两个预测框的中心点坐标,绘制间距曲线并统计波峰的数值实现钻杆数量的计算。首先,采用SCI模块对低照度图像进行前置处理,解决低照度图像光照不均、对比度低等问题,确保后续模型能够提取到更多有效特征信息;其次,在主干网络中将EMA注意力机制融合到C2f模块,保留各通道的信息并建立长短期长下文依赖关系,增强对低照度、复杂背景中目标关注程度;此外,在颈部网络使用BiFPN结构作为特征融合方式以降低特征信息丢失,增强网络特征融合能力,提高模型在低照度场景下的检测精度;最后,设计了Inner-CIoU损失函数,基于不同大小的辅助边界框回归,提升模型对低照度和噪声的适应能力。实验结果表明,改进后的YOLOv8-GC算法mAP@0.5提升了5.7%,检测速度达到151 fps;低照度环境下钻杆计数精度达97.2%,充分证明了本文改进算法的有效性和应用潜力。

关键词： 目标检测   跟踪   影视   YOLOv5   高效卷积算子   CBAM  

摘要： 针对影视拍摄机器人的目标检测识别与跟踪,研究提出了You Only Look Once version 5(YOLOv5)算法进行人脸检测,在其中引入了卷积块注意力模块(Convolutional Block Attention Module,CBAM)进行改进,并采用Resnet50进行人脸识别。在此基础上,引入了基于人工特征的高效卷积算子(Efficient Convolution Operators Handcraft,ECO-HC)实现目标跟踪。结果显示,YOLOv5-CBAM人脸检测算法的检测准确率高达99.12%,比YOLOv3算法高出了6.82%。ResNet50算法的人脸识别准确率高达98.52%。YOLOv5-CBAM-ResNet50算法的人脸检测平均耗时为0.042 s,识别平均耗时为0.011 s,平均总耗时为0.053 s。此外,ECO-HC算法的跟踪成功率高达92.51%。说明研究采用的目标检测识别与跟踪算法具有较高的精度与运行效率,能够满足影视拍摄机器人的实际拍摄需求,具备较高的实际应用价值。

关键词： 机器视觉   碳纤维张力   图像处理   神经网络   非接触式检测  

摘要： 纤维张力是制约碳纤维产品质量的关键因素,而机器视觉检测方法受限于模型的测量极限无法精确测量碳纤维丝束微张力。在现有机器视觉张力测量模型的基础上,提出一种引入神经网络的机器视觉碳纤维丝束微张力分类检测方法。根据纤维图像特征改进ResNet18模型,先将纤维图像分类为振动图像和下垂图像,再结合图像分类结果和图像处理算法获取横向振动模型的测量下限,最后引入下垂弦模型解算纤维丝束微张力。在数据集上的实验结果表明:相比于支持向量机(SVM)、传统卷积神经网络(CNN)和ResNet18模型,所提方法的准确率分别提升了14.2百分点、9.2百分点和10.5百分点,图像识别时间为3.5 ms。通过图像分类实现纤维张力分段解算,可以突破单一横向振动模型的测量下限,在1.5~3.0 cN微张力区间内,机器视觉测量值与张力传感器测量值的相对误差降低至±10%,碳纤维丝束的下垂高度和实际张力拟合优度达到了0.964。该方法有效提高了碳纤维丝束微张力的检测精度。

关键词： 神经网络   黏质土石混合体   CT   图像处理   三维重建  

摘要： 通过CT图像建立合理的土石混合体细观结构数值模型对研究其物理力学性质至关重要。然而,传统图像处理技术在重构细观结构时往往需要人工参与,导致效率较低且精度不足。为了解决上述问题,提出了一种基于改进UNet神经网络的黏质土石混合体图像分割方法,设计了边界加权损失函数,以精确分割典型黏质土石混合体试样的CT扫描图像。此外,还提出了一种土石混合体三维重建的方法,用于将分割后的图像重构成三维精细数值模型。结果表明:相较于传统图像处理技术,基于深度学习的方法显著提高了黏质土石混合体CT图像分割的效率和精度。UNet结合边界加权损失函数,能够更加关注目标边界的分割精度。同时,较高精度的分割图像使得重建出的三维模型更加精细与准确。这一研究结果使得在此基础上开展的数值模拟试验尽可能避免了人为因素干扰,可以保证数值模拟结果的准确性。

关键词： 自动驾驶   目标检测   实时检测   多任务模型  

摘要： 自动驾驶的感知系统需要同时完成交通目标检测、可行驶区域分割和车道线检测。但是,用于同时实现上述三个任务的模型难以达到实时检测的需求。因此,本文提出了一种高效快速的多任务视觉感知网络模型,同时处理三个任务并提高了推理速度。该模型是基于YOLOv8的骨干网络来构建多任务视觉感知网络模型,针对分割任务提出自适应共享模块和共享分流式颈部网络来进一步实现多任务的高效推理。实验结果表明,本文的模型在BDD100k数据集上获得了较好的性能和显著的推理速度。