关键词： 水刺无纺布   视觉检测   缺陷识别   图像处理   自动化检测  

摘要： 随着水刺无纺布在各行业中的广泛应用,其生产过程中的缺陷检测尤为重要。传统人工检测存在效率低、误差大等问题,无法满足现代生产的需求。文章提出了一种基于视觉检测技术的水刺无纺布缺陷自动识别系统。通过图像采集、预处理、特征提取和分类算法相结合,实现对水刺无纺布缺陷的高效、精准识别,以期为水刺无纺布的智能化质量检测提供参考。

关键词： 机动目标跟踪   卡方检验   残差   机动检测  

摘要： 针对雷达跟踪高速高机动目标采用卡方检测对目标机动进行实时判决时出现的机动检测延迟问题,提出一种改进算法。新算法基于机动目标跟踪的特点,根据量测位置与预测位置的相对关系,充分利用跟踪残差的方向信息,相比于传统算法只利用残差的幅度进行卡方检测,具有判决延迟小、弱机动检测敏感等优点,最后通过仿真实验证明了算法的有效性和可行性。

关键词： 实例分割   目标检测   SAM模型   特征金字塔   多尺度感受野  

摘要： 高空间分辨率的遥感图像具有背景复杂、目标分布不均匀以及小目标等特性,使得通常用以处理自然图像的传统算法对遥感图像中的小目标检测及分割存在挑战。针对上述问题,文章提出多感受野特征融合的特征增强网络提高小目标检测精度,并将检测得到的目标框及相应的语义信息输入分割任意模型(segment anything model,SAM),从而实现SAM模型端到端的实例分割。通过在NWPU和SSDD数据集上的实验结果表明,所提出的方法对小目标的检测相较于Cascade R-CNN+PAFPN分别提升了5.9和1.4个百分点。而SAM模型依赖准确的点或框提示,故随着检测精度的提升,SAM模型的分割效果也会随之提升。

关键词： 军事目标检测   多尺度   低频特征提取   特征融合  

摘要： 针对夜间军事目标在低光和烟雾遮挡下检测性能不佳的问题,提出了MLEC-YOLO模型专用于夜间军事目标检测。首先,构建强化低频特征提取网络作为骨干网络,结合多尺度低频特征提取模块与动态的特征融合模块,分别提取多尺度低频特征以及感知关键特征;其次,在颈部网络设计了深度路径聚合网络,以增强来自骨干网络的特征表达;最后,采用4种不同分辨率的解耦头,以适应夜间场景中不同大小的军事目标。在自建数据集Nighttime_Military和公开数据集BDD100K上的仿真结果表明,所提方案在检测精度、泛化能力方面明显优于目前大部分主流目标检测模型。

关键词： 表面缺陷检测   机器视觉   YOLOv5网络模型   特征提取   图像处理   模型结构优化  

摘要： 针对目前弹箭产品表面缺陷检测技术精度和效率不高的问题,以某型弹箭产品表面缺陷为研究对象,设计了一套弹箭产品表面缺陷检测系统。首先分析检测对象的特征,结合检测流程提出检测系统框架,利用图像灰度化和滤波技术完成特征提取;随后选用YOLOv5网络搭建机器视觉算法模型,针对弹箭产品表面缺陷特点,引入BIFPN模块对网络结构进行优化,提出一种基于机器视觉的表面缺陷检测技术;最后选取数据集进行多组对比实验,实验结果表明,所研究的检测模型能够识别弹箭产品表面各类缺陷。该表面缺陷检测技术研究成果已经应用于工业现场,显著提升了弹箭产品表面缺陷检测效率和准确率,对相似产品领域缺陷检测具有一定的借鉴意义。

关键词： 裂缝识别   深度学习   目标检测   生成对抗网络   注意力机制  

摘要： 混凝土裂缝是影响混凝土结构服役性能的重要因素之一,研究开发一种引入生成对抗网络和注意力机制的SSD目标检测修正算法,对精准识别裂缝目标具有重要意义。通过建立全卷积神经网络与生成对抗网络(GAN)相结合的改进网络结构,以工程采集的有限裂缝样本图像为基础生成高质量图像数据以解决数据集获取难的问题;同时引入混合注意力机制(CBAM)以增强SSD特征提取网络对较小裂缝的感知能力。研究结果表明:使用引入注意力和生成对抗网络的目标检测算法检测混凝土表面裂缝,在裂缝识别时各项性能指标均超过了83%,平均准确率AP更是达到了91.51%,相较于原始的SSD目标检测算法提高了10.36%。

关键词： 交通基础设施   计算机视觉   损伤感知   损伤诊断   大模型   具身智能  

摘要： 随着人工智能(AI)技术的蓬勃发展,基于深度学习的计算机视觉成为交通基础设施损伤感知与诊断的重要手段。本文探讨了计算机视觉技术在交通基础设施损伤感知与诊断领域的研究和应用进展。通过分析交通基础设施损伤诊断面临的挑战,深入阐述计算机视觉方法原理、主要模型以及应用于交通基础设施损伤诊断的主要问题。通过综述道路、桥梁、隧道和轨道等交通基础设施损伤诊断的应用进展与相关智能运维设备,揭示了计算机视觉技术在提升损伤诊断精确度和效率等方面的潜力。本文还介绍了预训练大模型的主要技术进展,探讨了其在结构表观损伤识别中的应用方向。最后,本文对具身智能等未来发展方向进行了前瞻性分析。这项综述性研究不仅总结了当前交通基础设施智能运维技术的发展图景,更构建了一个将先进计算机视觉技术与交通基础设施全生命周期管理系统相结合的概念框架。

关键词： 煤矸石检测   Yolov8   SimAM   BiFPN  

摘要： 为解决复杂环境中煤矸石分选存在的漏检和小目标准确率低的问题,提出了一种基于改进SimBF-Yolov8模型的煤矸石目标检测方法。通过在主干网络中加入SimAM注意力机制,提升模型在复杂环境中的特征提取能力,降低模型漏检。引入特征融合方法BiFPN,增强模型对不同尺度特征的融合能力,提高模型小目标检测准确率。结果表明,与原始模型相比,在模型大小基本保持不变的前提下,文中模型的精确率和召回率分别提高了5%和2.1%,F_(1)分数和平均精度α_(mAP50)分别提高了3.4%和4%。改进后的模型在检测精度上优于原始模型,能够更好地实现煤矸石的检测。

关键词： 图像处理   图像融合   红外图像   可见光图像   跨尺度  

摘要： 针对目前红外与可见光图像融合算法的特征提取不充分、细节纹理信息丢失、模型参数量大等问题,提出一种长短距离注意力协同的跨尺度池化嵌入图像融合算法。首先,利用深度可分离卷积设计通道注意力,以增强关键通道表达,抑制冗余信息;其次,基于GS(Group Shuffle)卷积提出多尺度密集通道强化模块,通过叠加小卷积核和引入密集连接,以增强多尺度信息交互能力并对特征重复利用,防止信息丢失;然后,在跨尺度嵌入层的基础上提出跨尺度池化融合嵌入层,利用不同尺度的池化层融合特征提取部分4个阶段的特征,从而充分利用各阶段的特征并减少计算复杂度;最后,采用双路径设计融合长短距离注意力并设计卷积前馈网络,以捕获特征之间的长短距离依赖关系并降低网络参数量。所提算法与其他7种算法在TNO和Roadscene公开数据集上的实验结果表明,所提算法的融合结果轮廓清晰,其信息熵、平均梯度、结构化差异相对于其他算法均有所提高,且其在Roadscene数据集上的标准偏差获得最大值。另外,在M3FD数据集上进行融合图像的检测性能对比实验,实验结果证明所提算法表现良好。

关键词： 雾天场景   图像去雾   YOLOv7   实时目标检测  

摘要： 雾天场景下,拍摄的图像模糊、细节信息缺失,目标与背景难以区分。针对现有深度学习目标检测算法易出现漏检、误检、识别速度慢等问题,提出一种基于YOLOv7的雾天实时检测算法。以YOLOv7为基线,在其前端设计包含AOD去雾子网络和雾天图像生成子网络的循环去雾双子网络。轻量化的AOD去雾子网络占用很少的计算资源,有效克服雾天对图像造成的负面影响,增强模型的特征提取能力;雾图像生成子网络在模型训练阶段协助提升AOD子网络的去雾性能,并在测试时不参与计算,显著减少推理时间。改进的图像重建损失函数引入模糊图像信息,并将整体网络统一训练有效地结合去雾和检测任务。将CityScapes数据集合成得到两个不同雾浓度的雾天图像数据集,在两个数据集上的实验结果表明,该方法的平均精确度分别为65.2%、64.2%,检测速度FPS为42.4,模型精度在所有对比方法中最优且能实现实时检测;最后将训练好的各模型在RTTS数据集上进验证,所设计的模型泛化能力超过其他方法。