关键词： 视觉技术   汽车零部件   品质检测   稳定性评估  

摘要： 针对汽车生产中零件品质检测难题,文章提出基于计算机视觉技术的解决方案。首先构建包含图像采集硬件、图像处理算法及特征参数计算的检测系统基本架构,其中硬件采用环形LED光源、CMOS工业相机等组件,算法通过预处理、特征提取等实现缺陷检测。其次建立几何精度、表面品质及综合性能的多维度评估指标体系,几何精度评估采用多尺度融合架构与改进算法,表面品质评估结合多模式影像与频域分析,并通过基准校准、误差溯源等流程验证系统精度,利用多物理场耦合试验仓评估稳定性。最后研究形成从静态标定到全工况覆盖的系统化验证能力,为汽车制造企业提供可操作的测试优化方案,推动检测系统向“自主进化”转变。

关键词： 行为识别   CBAM   YOLO-FastestV2   目标检测   DeepSort   多目标跟踪  

摘要： 为了保护在高低压电柜前工作人员的生命安全,一般会在重点区域铺设绝缘垫。当工作人员挪走绝缘垫或者在没有铺设绝缘垫的危险区域前操作时容易发生触电事故。为了更好地对工作人员的违规操作行为进行识别与报警,针对此类问题,提出了一种针对人和绝缘垫的违规行为识别方法。该方法首先利用CBAM注意力机制对YOLO-FastestV2目标检测算法进行改进,提高了对人和绝缘垫的检测精度;其次将检测结果输入到DeepSort多目标跟踪算法,得到人和绝缘垫目标的全部身份与位置信息;接着依次对工作人员一段时间内的位置信息进行连续比较,识别其是否在工作;然后判断工作人员脚下是否有绝缘垫,若工作人员脚下没有绝缘垫,则可以判定有违规行为发生并进行报警提示。该方法为电力作业场景下的安全监管提供了自动化解决方案,具有实际应用价值与事故预防潜力。

关键词： 图像处理   室内照明   自动调节   能效优化  

摘要： 室内照明系统的智能化改造是降低建筑能耗、提升人居环境的关键,本文提出基于图像处理的调控方法:一是构建空间光场模型,动态关闭冗余光源并协同补光;二是结合LSTM行为预测与多目标优化算法实现多用户场景的个性化照明适配。实验表明:办公区该系统的应用降低能耗31.2%的同时将照度达标率提升至96%;会议室场景下,用户行为学习模型能够实现进一步节能,行为学习使日均能耗再降17.5%。

关键词： 目标检测   跨模态   电力设备   自适应融合   自注意力机制  

摘要： 针对复杂环境下电力设备检测算法鲁棒性较低和小目标检测不准确的问题,本文提出一种基于自适应融合和自注意力增强的跨模态多层次特征融合算法。首先构建双流特征提取网络,提取可见光图像和红外图像的多层级目标表征。通过引入自适应融合模块,捕捉可见光分支和红外分支两种模态下的互补特征,并进一步利用基于Transformer的自注意力机制来增强互补特征的语义空间信息。最后通过不同尺度下的深层特征来实现目标的精确定位。本文在自建电力设备数据集上进行充分实验,实验结果表明,所提算法的平均精确率均值(mAP50)可以达到91.7%,相较于单一可见光支路和单一红外支路,分别提升了3.5%和3.9%,有效地实现了跨模态信息的融合。与当前主流目标检测算法相比,展现出较高的鲁棒性。

关键词： 目标检测   水面垃圾识别   卷积神经网络  

摘要： 在多变的水体环境中,由于光线波动和水波扰动,传统的水面垃圾检测算法面临识别精度不高的挑战。为应对这一问题,提出了一种基于深度卷积神经网络(DCNN)的水面垃圾识别方法。该方法利用预先训练的轻量级模型自动提取垃圾的特征,有效抵御环境变化带来的影响,确保了目标的准确识别,为水面垃圾的自动化监测与清理提供了坚实的技术基础。实验结果表明,与现有方法相比,所提方法在维持快速识别的同时,识别准确率平均可提高9%。

关键词： 目标检测   Swin Transformer   多尺度特征融合   变速箱中壳  

摘要： 针对汽车变速箱中壳生产线中存在壳体表面孔系定位效率低,检测样本不均衡等问题,本文提出了一种融合Swin Transformer的变速箱中壳检测方法。首先,Swin Transformer作为骨干网络,并结合多尺度特征融合结构,使输出特征能够同时捕捉浅层和深层语义的信息,从而增强检测方法对特征的提取能力;其次,针对Swin Transformer训练需大量数据问题,采用Affine Transformation的方法来提升模型的鲁棒性;最后,通过引入Huber Loss和Focal Loss优化损失函数,以平衡检测样本不均衡的问题。实验结果表明,融合Swin Transformer的检测方法相较于现阶段主流的目标检测算法,在5%~95%IoU的平均精度AP_(5-95)、50%IoU的平均精度AP_(50)和75%IoU的平均精度AP_(75)指标上提高了0.4%~4.5%。同时通过消融实验,进一步验证了该方法在变速箱中壳检测的有效性。

关键词： 小目标检测   轻量化   交通车辆   目标跟踪   无人机视角  

摘要： 在智能交通系统中,无人机视角的车辆检测因其灵活性和高效性,受到越来越多的关注。无人机的车辆检测面临目标尺寸小、尺度变化大、复杂背景干扰、计算资源有限等问题,如何在有限的计算资源下提升检测精度是一个重要的挑战。针对以上问题,提出了一种精度更高且轻量的车辆检测模型YOLO-SWR。在保持三尺度检测的前提下增加了针对小目标的检测层,充分提取小目标的位置信息和细节特征,同时采用共享轻量检测头,减少网络参数量和计算量;在骨干和颈部网络中使用小波变换替代传统卷积,利用低频和高频分量提取多尺度特征;在C3k2模块中集成RDS模块,加强从网络高层的可扩展感受野中提取特征,并通过残差结构和深度可分离卷积融合浅层特征和深层特征,同时缓解梯度消失问题;采用Soft-NMS策略优化目标框筛选过程,提升细节特征的处理精度。实验结果表明,基于筛选后的VisDrone2019数据集,提出的模型YOLO-SWR比基础模型YOLOv11n,在mAP方面提升了9.6个百分点,同时参数量减少了56%。因此,提出的模型YOLO-SWR在精度与轻量化方面均具有显著优势。

关键词： 深度学习   钢板表面缺陷   目标检测   表面缺陷   评估指标  

摘要： 钢板作为现代制造业的基石,其表面质量对产品的性能和可靠性具有决定性作用;因此,钢板表面缺陷检测具有重要的研究意义和应用价值;钢板表面缺陷检测研究面临的主要挑战包括钢板表面缺陷类型多样、特征不明显以及实时性要求高;采用深度学习技术对钢板表面缺陷检测进行研究,系统总结了钢板表面缺陷常用的数据集及目标检测算法在表面缺陷中的应用,同时全面整理并分析了这些算法的优缺点;探讨了有监督学习、无监督学习和半监督学习等检测方法在钢板表面缺陷检测中的应用,评估了当前算法性能的关键指标,讨论了未来钢板表面缺陷检测面临的挑战,并对未来的研究趋势进行了展望。

关键词： 小样本目标检测   军事目标   轻量化模型   机载计算平台  

摘要： 深度学习通常需要大数据驱动,在数据较为稀缺的领域如军事领域、医学领域等具有一定的局限性。针对军事领域中的标签样本数据稀缺问题,提出一种目标候选区域生成、预训练模型提取特征、支持向量机分类所组成的分段式小样本目标检测方法。为验证算法有效性,采用无人机航拍采集了具有实际参考价值的军事模型目标的图像数据,并构造数据集,基于该数据集在RK3399Pro嵌入式计算平台上展开实验,获得了最高准确率达27.3%和召回率达62.4%以及较好的实时性。在此基础上,引入基于先验知识的定位约束,进一步提升方法性能。

关键词： 小麦   麦穗计数   田间表型   目标检测   YOLOv8n  

摘要： 在小麦育种中,穗数是评估小麦产量的关键指标,及时准确检测小麦穗数对产量早期预测具有重要的实际意义。在实际生产中,采用人工田间调查统计麦穗的方法费时费力。因此,提出了基于改进YOLOv8n的麦穗自动检测方法。首先,利用HGNetV2改进网络结构,增强了小目标麦穗特征的表达能力;其次,引入深度可分离卷积和逐点卷积,提高了模型的计算效率和计数性能;最后,改进损失函数,对模型进行优化,实现了麦穗位置和类别信息的精准判断。结果表明,改进YOLOv8n在麦穗检测任务中的准确率为93.7%,比YOLOv8n提高6.5百分点,与YOLOv5s、YOLOv8x相比,改进YOLOv8n分别提高9.7、0.5百分点,可以在田间复杂情况下检测麦穗图像,具有较好的计算机视觉处理和性能评估检测效果。该方法能够准确地检测出小目标小麦穗数,较好地解决了小麦穗数的遮挡和交叉重叠等问题。