关键词： 激光视觉   焊缝追踪   图像处理   焊接机器人  

摘要： 针对基于激光视觉的焊接系统对高反光且焊缝狭窄的板材进行焊缝纠偏时,出现焊缝尺寸识别不准确、纠偏效果差的问题,对图像处理算法及纠偏程序进行了研究。改进了图像处理算法,使传感器能在高反光且焊缝狭窄的情况下精确识别焊缝间隙尺寸。在纠偏程序方面,针对窄焊缝间隙优化并改进了焊接程序。通过实验可知,实际焊缝间隙尺寸与识别尺寸最大误差为0.23 mm,寻位最大误差为0.18 mm,跟踪系统响应时间为20~35 ms。焊枪在焊接过程中平顺且无抖动,焊道平整光滑。

关键词： AI   传播生态   自然语言处理   计算机视觉   内容生产  

摘要： 当前,人工智能(AI)正以前所未有的速度重塑内容生产与传播的格局。当短视频平台的“爆款”内容中很多由AI辅助生成,当地方文旅宣传片借助AI实现“千人千面”的精准触达,以可灵为代表的AI技术,凭借强大的自然语言处理(NLP)、计算机视觉(CV)和深度学习能力,正在颠覆传统的内容创作模式,推动传播生态的智能化升级。笔者以可灵为核心案例,探讨AI如何赋能内容产业,分析其带来的革新机遇,并展望未来的发展趋势。

关键词： 机动目标跟踪   深度学习   长短时记忆网络   交互多模型  

摘要： 近年来,随着传感通信技术的快速发展,高精度实时数据获取能力得到了极大增强,为采用数据驱动方法解决机动目标跟踪问题、克服传统模型驱动的滤波器存在的先验模型信息匮乏、高速目标机动等难题提供便利。特别是,深度学习技术通过构建端到端的神经网络估计映射来实现目标的状态估计,摆脱了对先验信息的依赖,但也存在着依赖训练数据、缺乏物理可解释性等问题。针对该问题,本文结合了模型驱动的交互多模型(Interactive Multiple Model,IMM)算法和数据驱动的长短时记忆(Long Short-Term Memory,LSTM)网络的优势,提出了一种基于深度学习的多状态融合机动目标跟踪算法。该算法由多个基于LSTM网络的跟踪器和单个基于LSTM网络的分类器组成,为每个跟踪器分配单独的目标运动状态,跟踪器进行并行计算得到状态估计值。之后,通过分类器来确定目标的每个运动状态的概率权重值,并将跟踪器的估计值进行加权平均得到最终估计。仿真实验证明,本文提出的算法在跟踪精度上优于IMM算法和基于端到端LSTM网络的跟踪算法。

关键词： 图像处理   深度学习   深度估计   自监督学习   注意力机制  

摘要： 为解决单目深度估计方法中物体细节边缘深度预测模糊不清的问题,提出了一种基于坐标感知注意的多帧自监督单目深度估计方法。提出了一种坐标感知注意模块,以增强编码器最下层输出特征,并加强成本体的特征利用;提出了一种基于像素洗牌的深度预测解码器,可有效分离低分辨编码器特征中的多物体融合特征,以细化深度估计结果中的物体边缘。在KITTI和Cityscapes数据集上的实验测试结果表明:所提方法优于目前主流方法,显著提升了主观视觉效果和客观评价指标,尤其在物体边缘细节上具有更好的深度估计性能。

关键词： 可变形部件模型   电动摩托车   目标检测   方向梯度直方图   隐变量支持向量机  

摘要： 以治安视频监控中电动摩托车的管理需求为背景,提出了一种基于可变形部件模型(DPM)的电动摩托车目标检测方法。结合可变形部件模型多尺度、高效率的优势,实现了电动摩托车目标检测算法。构建了包含1006个正样本和1000个负样本的训练集、测试集样本库,完成了定量的实验测定。实验结果表明,新提出的算法可以在监控视频图像中高效、准确地检测出电动摩托车目标。

关键词： AI视觉   图像处理   皮带跑偏   料粒   料流  

摘要： 通过利用AI图像处理和机器视觉算法,针对钢厂生产过程中上料皮带设备状态和物料质量进行实时分析;通过图像处理算法实时获取皮带的跑偏情况,确保了设备本体的本质化安全,利用AI视觉算法对运行皮带上的物料粒状大小和物料料流进行实时检测,确保了对生产质量的实时全方位把控。

关键词： 视觉处理   图像分类   智能垃圾处理装置   STM32单片机  

摘要： 为提升垃圾分类效率与准确性,促进资源回收利用、减少环境污染,推动可持续发展,设计了一种基于机器视觉与嵌入式控制的智能垃圾处理装置。系统采用改进的ResNet50迁移学习模型(PyTorch框架)实现垃圾图像分类识别,以STM32微控制器为核心,集成红外测距、声光报警和伺服驱动模块。通过摄像头采集垃圾图像,经神经网络分类后,结果通过串口通信传输至下位机控制执行机构精准投放。同时利用红外传感器实时监测容器装载量,超阈值时触发报警并暂停投放,确保系统可靠性。此设计实现了垃圾分类的智能化、结构简单、处理效率高,操作方便、成本低,测试准确率达到82.3%,其中对可回收物的识别率高达85.6%,并可以减少垃圾分类处理的人力物力投资,极大地方便了垃圾分类。

关键词： 瓦斯抽采   AI算法   目标跟踪   智能识别   钻杆计数  

摘要： 瓦斯抽采是预防瓦斯积累和爆炸的重要手段,对保障煤矿安全生产起到关键作用。然而,在煤矿瓦斯抽采过程中,由于钻探不足形成空白带,严重影响抽采效果。充分利用钻杆计数技术,确定钻孔深度、优化钻孔布置对保障钻孔作业顺利实施、瓦斯高效抽采至关重要,但井下复杂的环境给钻杆计数带来了极大挑战,严重制约了瓦斯抽采作业的整体效率和安全保障水平。为实现井下打钻过程中钻杆的自动计数,提出了一种基于钻场运动目标跟踪与目标智能识别自动计数技术。采用目标检测算法构建钻杆目标检测模型,使用卡尔曼滤波算法跟踪钻杆运动轨迹,通过多信息融合算法整合各类检测和跟踪信息得到钻杆的精确计数。应用结果表明,该算法在煤矿井下具备高精度的计数效果,准确率在99%以上。研究为煤矿打钻过程提供了技术支持,有助于保障作业安全和提升生产效率。

关键词： 遥感图像(RSI)   目标检测   感受野(RF)   特征融合   归一化Wasserstein距离(NWD)  

摘要： 目的针对遥感图像(remote sensing image,RSI)检测中目标尺寸小且密集、尺度变化大,尤其在复杂背景信息下容易出现漏检和误检问题,提出一种上下文信息和多尺度特征序列引导的遥感图像检测方法,以提升遥感图像的检测精度。方法首先,设计自适应大感受野机制(adaptive large receptive field,ALRF)用于特征提取。该机制通过级联不同扩张率的深度卷积进行分层特征提取,并利用通道和空间注意力对提取的特征进行通道加权和空间融合,使模型能够自适应地调整感受野大小,从而实现遥感图像上下文信息的有效利用。其次,为解决颈部网络特征融合过程中小目标语义信息丢失问题,设计多尺度特征序列融合架构(multi-scale feature fusion,MFF)。该架构通过构建多尺度特征序列,并结合浅层语义特征信息,实现复杂背景下多尺度全局信息的有效融合,从而减轻深层网络中特征模糊性对小目标局部细节捕捉的影响。最后,因传统交并比(intersection over union,IoU)对小目标位置偏差过于敏感,引入归一化Wasserstein距离(normalized Wasserstein distance,NWD)。NWD将边界框建模为二维高斯分布,计算这些分布间的Wasserstein距离来衡量边界框的相似性,从而降低小目标位置偏差敏感性。结果在NWPU VHR-10(Northwestern Polytechnical University very high resolution10)和DIOR(dataset for object detection in aerial images)数据集上与10种方法进行综合比较,结果表明,提出的方法优于对比方法,平均精度(average precision,AP)分别达到93.15%和80.89%,相较于基准模型YOLOv8n(you only look once version 8 nano),提升了5.48%和2.97%,同时参数量下降6.96%。结论提出一种上下文信息和多尺度特征序列引导的遥感图像检测方法,该方法提升目标的定位能力,改善复杂背景下遥感图像检测中的漏检和误检问题。

关键词： 目标检测   单步多框检测(SSD)   VoVNet   轻量化  

摘要： 针对工业机器人工件检测场景中目标检测模型计算资源受限与检测精度需求高的矛盾,本文提出一种基于VoVNet优化的轻量级单步多框检测算法(SSD)。采用VoVNet替换SSD的主干网络VGG16,通过单次聚合(OSA)模块提升特征提取效率;在VoVNet中引入残差结构并设计增强的残差单次聚合模块(residual one shot aggregation, Res-OSA)模块,解决网络退化问题并增强关键特征表达能力;进一步在Res-OSA模块后增加混合域注意力机制(HDA)提高定位精度。实验表明:改进后的算法在PASCAL VOC数据集上平均精度(mAP)达到79.4%,每秒传输帧数(FPS)提升至65,模型大小为25.8 MB,显著优于原SSD算法。