关键词： 非金属夹杂物   图像识别   夹杂物分类   机器学习   YOLOv5   目标检测  

摘要： 管线钢中非金属夹杂物是诱发氢致裂纹(HIC)的关键,夹杂物数量、尺寸、形貌与HIC敏感性正相关。实现夹杂物形态精准调控已成为制造高级别管线钢的技术难点。建立夹杂物识别模型,为夹杂物演变规律、优化管线钢质量控制提供技术指导。采用YOLOv5目标检测算法,成功实现了管线钢中4类典型非金属夹杂物的智能识别与分类。该模型检测精度:MnS夹杂物100%,TiN析出相95%,Al_(2)O_(3)团簇83%,Al_(2)O_(3)·MnS复合相94%。通过夹杂物的形成对管线钢力学性能的影响机制进行了分析。

关键词： 机器视觉   透明元件   图像处理   灰度重心法  

摘要： 针对平面透明元件特征不明显、大视场下测量精度不高等问题,文章提出一种基于机器视觉的平面透明元件测量方法。该方法主要包括平面透明元件二维信息测量及高度信息测量两部分。添加特征背景增加平面透明元件的纹理信息,在此基础上基于SURF角点检测的图像配准方法实现大视场环境下图像高精度拼接,提出一种改进的二值化方法剔除特征背景还原图像信息,结合轮廓检测及矩形轮廓识别技术获得平面透明元件二维信息。同时引入一种激光投影装置,通过灰度重心法及改进的双边滤波方法,实现对平面透明元件上下表面的激光异位成像高精度检测,并基于折射原理获得平面透明元件高度信息。实验结果表明,二维检测的准确度为5μm,相对误差保持在0.02%以下,高度检测的准确度为50μm,相对精度保持在0.78%以下,实现平面透明元件在大视场下的高精度测量。

关键词： 深度学习   YOLOv8   图像识别   目标检测  

摘要： 为了提高葡萄叶片病害检测的效率与准确性,克服传统人工检测方法效率低、主观性强的局限,该研究提出一种基于改进YOLOv8的葡萄叶片病害检测方法,通过引入CBAM注意力机制优化特征金字塔结构,增强对不同尺度病斑的特征捕获能力;同时采用ShuffleNet V2轻量级网络替代原有CBS模块,在保持检测性能的同时显著降低模型参数量和计算复杂度。试验结果表明,改进模型在包含3种主要病害(黑腐病、褐斑病、轮斑病)的5000张叶片图像数据集上实现了94.6%的平均精度均值(mAP@0.5),较YOLOv8提升2.70个百分点,推理速度52.06 FPS,满足田间实时检测需求。与YOLOv5、Faster R-CNN、YOLOv8等模型对比,改进模型在检测精度和效率方面均表现出优势,为葡萄叶片病害智能识别提供了一定支持,该模型可以作为葡萄叶片病害检测的一种有效方法。

关键词： 计算机视觉   建筑工程   电缆敷设   质量检测  

摘要： 传统的建筑工程电缆敷设质量检测方法存在检测准确性不足与响应速度慢的问题,且需要对电缆进行取样、切割、测量等操作,这些操作不仅繁琐,而且耗时较长。特别是在大型建筑工程中,电缆数量众多,检测工作量大,传统方法的响应速度无法满足快速施工和质量控制的需求。为此,提出基于计算机视觉的建筑工程电缆敷设质量检测方法。首先,基于计算机视觉技术,采集建筑工程电缆敷设图像,通过图像预处理,实现电缆敷设区域的精准分割;然后,从分割的区域中提取电缆敷设的关键特征,包括形态、排列及表面缺陷等,为质量检测判断提供基础;最后,基于提取的特征,构建质量检测模型并进行敷设质量的智能判断。结果显示,应用该方法后,检测漏报次数和误报次数均显著低于传统检测方法,展现出更高的检测准确性。同时,由于计算机视觉技术的快速处理能力,该方法的检测响应速度较快,更适合用于大规模电缆敷设质量的快速检测,能够显著提高检测效率。

关键词： 半监督   伪标签   目标检测   师生模型  

摘要： 精准检测果实的生长阶段对于提高农业机器人的作业效率至关重要。然而,传统的全监督目标检测模型依赖于大量的数据标注,实现成本过高。鉴于此,提出了一种利用少量标注数据训练的目标检测模型。包括:(1)采用YOLOv8构建教师-学生模型,负责生成伪标签与训练网络;(2)通过改良的伪标签分配方法,筛选出可靠、不确定与不可靠的伪标签,减少低质量伪标签对学生网络训练的负面影响;(3)针对这三种伪标签优化了训练损失函数,以更好地提取不同置信度的伪标签内的潜在信息。通过在石榴生长阶段数据集上进行实验验证,结果显示,在仅使用10%的标注数据的情况下,所提方法的平均精度达到了90.8%,比同样数据集下的YOLOv8网络提升了5.5个百分点,且该性能已接近于使用全标注数据训练的YOLOv8的92%。这一结果充分证明了提出的方法在标注资源有限的背景下,依然能够训练出高效且准确的目标检测模型。

关键词： 显著性目标检测   特征净化   多模态融合   注意力机制  

摘要： 为以高效的方式检索特征中的显著性信息,本文提出一种用于RGB-T显著性目标检测的特征过滤网络。通过分组注意力机制,对多模态融合后的显著性特征进行过滤,逐步引导网络模型得到更精确的显著性目标。实验结果表明,与8种算法比较,本文算法的5个指标性能良好,验证了该方法的有效性。

关键词： 图像处理   纸质档案   精准修复  

摘要： 由于扫描过程中设备限制及档案老化,生成的数字图像常存在噪声、对比度不足、几何畸变及边缘不完整等问题,严重影响其清晰度、可读性及后续的利用价值。为此,从图像处理技术的角度出发,系统分析了纸质档案数字化过程中去噪、增强对比度、矫正几何畸变与优化边缘裁切的必要性与具体实现方法。通过分阶段、多手段的精准修复策略,为数字化档案的高质量发展及后续开发提供参考。

关键词： 无人机   路径规划   实时语义分割   Informed-RRT*算法   计算机视觉   目标导向采样   二维环境  

摘要： 针对现有无人机野外路径规划算法环境感知能力有限、路径规划效率低下和对动态环境适应性差的问题,提出一种整合实时语义分割技术的无人机路径规划方法。设计轻量级深度学习语义分割网络L-STDC-BiseNet,对无人机拍摄的图像进行实时语义分割;基于语义分割结果构建二维环境障碍物地图,利用目标导向采样策略和动态采样概率调整机制改进传统的Informed-RRT*算法,优化搜索路径,减少无效探索,加快路径规划速度。通过与现有技术的对比实验,结果验证了该方法在语义分割准确度和路径规划效率上具有优势。

关键词： 医学计量   生命体征参数   多参数监护仪   FPN   Faster R-CNN   自动化检定   目标检测  

摘要： 传统的多参数监护仪检定方法依赖人工读数和测量,效率低下。亟待研究一种基于人工智能的目标检测算法,实现多参数监护仪中生命体征参数的智能化识别,推动多参数监护仪自动化检定技术的发展。针对上述问题,提出一种基于FPN和Faster R-CNN的神经网络模型自动识别和分类生命体征参数,为后续实现多参数监护仪自动检定提供支持。为克服传统Faster R-CNN在中小目标识别任务上的不足,结合了ResNet50和FPN提取网络,以提升中小目标识别率。在实际临床采集的图像数据集上验证ResNet50+FPN的有效性,并与VGG16、MobileNetV2、EfficientNetB0、ResNet50等网络进行对比。结果表明,ResNet50+FPN识别的均值平均精度达到了83.32%,比VGG16提升了3.88%,在中小目标识别均值平均精度上分别提升了4.05%和9.60%。

关键词： 计算机视觉   卷积神经网络   图像分类   深度学习   档案管理  

摘要： 分析计算机视觉通过自动化处理来实现高效、精准的档案图像管理,并探讨该技术在图像分类和检索中的挑战,档案图像的自动分类依赖于计算机视觉的核心算法,通过性能优化和模型评估,可以提升分类系统的准确性和效率。同时,基于内容的图像检索(CBIR)结合深度学习的特征提取,能够显著增强图像匹配的精度和搜索效率。未来,大规模档案图像处理挑战以及图像识别精度提升仍需要通过更多技术手段来实现。