关键词： 计算机视觉   非标器件   智能制造   工业自动化  

摘要： 随着工业自动化和智能制造的快速发展,非标器件检测在产品质量控制和生产效率提升方面扮演着越来越重要的角色。非标器件因形状复杂、结构多样等特点而给传统的检测方法带来了巨大挑战。基于此,分析了计算机视觉的基本原理与技术,探索了计算机视觉在非标器件检测中的具体应用,包括图像预处理与标准化、特征提取与匹配、多模态数据融合、智能决策与反馈等,旨在为计算机视觉技术在工业领域的应用拓展提供有益的参考和借鉴。

关键词： 图神经网络   视觉图神经网络   视觉骨干网络   图像分类   目标检测   实例分割  

摘要： 近年来,视觉图神经网络(ViG)在计算机视觉领域引起了研究人员的广泛关注,其中构图是ViG的重要建模方式。目前流行的K近邻(KNN)构图方法尺度单一、具有二次计算复杂度并且难以建模图像的局部和多尺度信息。为了解决该问题,提出一种尺度稀疏图的构筑方法——MSSG(Multi-Scale Sparse Graph)。该方法将KNN图沿通道分解为3个不同尺度的稀疏子图,具有线性的计算复杂度并且能实现图像局部信息和多尺度信息的有效建模。为了增强模型的全局建模能力,提出一种全局和局部多尺度信息融合策略。基于以上方法,提出一种视觉架构——MSViG(Multi-Scale Vision Graph neural network)。在ImageNet-1K数据集上进行的图像分类实验的结果表明,MSViG优于传统的ViG。例如,与视觉神经网络ViG-T相比,所提MSViG-T的Top-1分类准确率提高了2.1个百分点,并且在目标检测和实例分割视觉下游任务上MSViG相较于传统ViG取得了较大的性能提升。

关键词： 吸烟行为检测   图像识别技术   深度学习   计算机视觉   技术挑战  

摘要： 吸烟行为检测作为禁烟区域管理中的重要技术,近年来受到了广泛关注和应用。随着图像识别技术的发展,特别是深度学习方法的引入,吸烟行为的检测精度和实时性得到了显著提升。该综述总结了基于图像识别的吸烟检测技术的研究进展,重点讨论了多种应用方法,包括传统特征提取(如HOG)、卷积神经网络(CNN)、时序建模(如LSTM)、Transformer及新兴技术等。通过分析吸烟行为的图像特征,结合这些模型,可以有效识别吸烟行为并实现精准定位。此外,本综述总结了当前技术的局限性,并展望了未来的发展方向,旨在为吸烟行为检测技术的进步提供新思路,推动相关研究与应用。

关键词： 食用油   酸价   图像处理   机器学习   检测  

摘要： 旨在简单、便捷地检测食用油酸价,建立基于数字图像比色法食用油酸价检测方法。通过游离脂肪酸与铜皂染色液反应生成靛蓝色铜皂络合物,用智能手机采集相关的图像,经标准化预处理后,选择合适的颜色参数作为响应值,经回归机器学习建立颜色响应值与酸价模型,对模型进行校准及验证,采用盲样验证方法的准确性,并通过与国标法比较进行精密度分析。结果表明:标准化预处理过程可以减少试验装置、环境及油中色素等显色物质对颜色的影响,提取的15个颜色参数可用于酸价的检测;稳健线性回归算法建立的模型具有最好的预测效果,其均方根误差为0.734 3;与国标法相比,基于数字图像比色法在校准、验证中都显示出较好的预测效果[相关系数(r)>0.99,标准偏差(SD)<0.25],盲样验证的结果也证实了该方法具有较好的准确性和可靠性(r=0.994 2,SD=0.190 2);精密度分析中基于数字图像比色法的相对标准偏差为4.14%,略小于国标法的(4.16%)。综上,数字图像比色法简单、便捷,可用于食用油酸价的检测。

关键词： 电力作业   姿态估计   YOLOv8n-Pose   人员违章行为  

摘要： 为有效保障电力作业人员的安全,利用辅助验收机器人或现场固定的监控设备进行辅助。基于YOLOv8n-Pose算法对人体姿态进行识别,同时深入分析了现场作业中的违规行为,探讨了各种违规行为的特征,重点研究了违规行为所反映的人员动作机制。通过收集现场数据集并结合一定量开源数据集,成功检测上述违规行为,并取得显著成效。

关键词： 目标检测   数据投毒   数据清洗   模型后门防御  

摘要： 随着人工智能技术的飞速发展,深度神经网络在数字图像目标检测中的应用日益广泛,极大提高了人们的生产效率和生活便利程度。但随之而来的数据投毒攻击扰乱了图像分类识别的准确性,时刻威胁着人们的生命财产安全。为了防御该攻击手段,研究了数据投毒攻击的影响、成因和攻击技术,提出了基于模型嵌套训练法和后门触发器抑制器的思路,从目标检测的训练数据和智能模型两个方面实现数据投毒攻击的检测与防御,同时在检测到模型后门后,通过触发器修复对模型后门进一步确认,验证防御效果。采用了4个算法,从数据清洗、后门防御、触发器扫描、后门再确认4个关键循环嵌套过程,实现了毒化数据的检测和模型后门的封堵。

关键词： 空心莲子草   稻田   目标检测   除草   YOLOX—Nano  

摘要： 稻田空心莲子草为稻田外来入侵恶性杂草,在秧苗封行前与水稻幼苗共同竞争水、肥、光和生长空间等资源,进而影响水稻产量。目前主要采用化学喷施除草剂对草害进行防治,如果在稻田无差别地喷施化学除草剂,不仅污染环境,还对稻田秧苗产生一定的药害。随着深度学习的快速发展,根据稻田杂草的区域位置进行除草剂精准喷施已成为可能。YOLO系列具有高效推理能力及快速迭代的特点,系列版本体积小,方便嵌入手机或其他终端产品。以秧苗未封行前稻田中的恶性杂草空心莲子草为研究对象,针对YOLOX一阶段目标检测模型系列,YOLOX—Nano虽然在YOLOX系列中性能不是最优,但是其在YOLOX几个版本中体积最小,方便嵌入手机或其他终端产品,最终选择YOLOX系列中的YOLOX—Nano模型。同时构建YOLOv3、YOLOv4—tiny、YOLOv5—s、SSD和YOLOX—Nano等空心莲子草目标检测模型,并进行性能实验对比。结果表明,基于YOLOX—Nano的空心莲子草目标检测模型中召回率Recall、mAP、F 1值都高于YOLOv3、YOLOv4—tiny、SSD和YOLOv5—s模型,分别达到97.14%、96.72%和93%。针对秧苗和空心莲子草之间不同程度的轻微遮挡和部分严重遮挡图像,基于YOLOX—Nano的空心莲子草目标检测模型检测效果好于YOLOv3、YOLOv4—tiny、SSD和YOLOv5—s。

关键词： 目标检测   YOLOv8   自注意力机制   多尺度注意力机制   变电站缺陷检测  

摘要： 针对变电站缺陷检测任务中复杂场景、目标尺度差异大以及背景干扰多的问题,文章提出了一种改进的YOLOv8算法。在YOLOv8网络结构中融合自注意力机制(self-attention)与多尺度注意力机制(multiscale attention),通过捕获特征图中的长距离依赖关系与动态调整多尺度特征权重,增强模型对复杂背景下关键特征的提取能力,并提升小目标检测的精度。为适应变电站缺陷检测需求,构建专业的数据集,并采用自适应训练方法优化超参数设置,提高模型的泛化能力。实验结果表明,改进算法在检测精度和鲁棒性方面显著优于传统YOLOv8算法,尤其在小目标检测和复杂场景下表现出更强的识别能力。

关键词： 目标跟踪   算法优化   深度学习   外观模型匹配  

摘要： 在森林复杂环境中,目标追踪任务面临着严峻挑战,尤其是在树干追踪等任务中,遮挡和密集目标现象尤为突出。针对森林中复杂遮挡和密集追踪目标环境导致树干追踪任务出现目标丢失和ID切换的问题,文章在ByteTrack算法基础上进行改进:在匹配过程中引入外观模型与运动模型相结合的方式,有效降低了目标ID的切换次数;同时更换了更适用于遮挡环境的IoU度量方法,进而提高了算法在林下复杂环境中对遮挡情况的适应力和对密集目标的追踪性能。

关键词： 螺栓松动检测   关键点检测技术   YOLOv9   ResNet-18   图像处理   拓扑学   空间变换网络  

摘要： 针对真实列车场景中,螺栓松动检测易受螺栓种类多样、拍摄环境复杂等影响的问题,提出一种基于关键点的列车螺栓松动状态检测算法。将深度学习中的关键点检测技术与拓扑学相结合,利用孪生网络判断前后历史螺栓的几何六边形信息差,从而判断螺栓松动。首先利用YOLOv9识别并定位螺栓,构建螺栓关键点数据集和螺栓松动分类数据集;其次,为增强检测模型对畸变、倾斜等异常螺栓图像的自动矫正能力,并解决特征图在深层网络传递中的信息丢失问题,对ResNet-18模型进行改进,集成了空间变换网络(STN)模块;最后,将检测得到的螺栓角点拓扑为一个连通六边形结构,并将前后信息输入至孪生网络进行松动分类。测试结果表明,利用改进后的ResNet-18模型判断螺栓松动状态的精确率为99.3%,召回率为99.6%,较原模型有显著提升。所提算法能够有效判断螺栓的松动状态,可为螺栓松动故障诊断提供新的解决方案和技术参考。