关键词： 计算机视觉   卸煤设备   故障监测   实时分析   图像处理  

摘要： 随着煤炭行业自动化水平的提升,卸煤设备的稳定运行对生产效率至关重要。文章探讨了基于计算机视觉技术的卸煤设备故障实时监测方法,通过图像处理和机器学习算法实现对设备运行状态的智能识别与预警。研究结果表明,该方法能够有效检测皮带跑偏、滚筒异常振动等常见故障,为设备维护提供数据支持,降低非计划停机时间。

关键词： 目标检测   深度学习   jetson nano平台  

摘要： 针对数字图像处理课程中存在理解困难、理论模糊不清和应用实践匮乏等问题,基于智能采摘竞赛进行设计标识物检测与识别教学案例,旨在增强学生的学习兴趣并提升教学效果。利用摄像头拍摄照片并存储图像,结合Jetson nano平台和YOLOv5S多目标检测框架,训练智能采摘标识物检测模型。基于已训练模型预测目标,并输出预测结果与物体坐标,从而获得舵机角度并执行抓取功能。实验结果显示,平均检测精度达99.3%,在Jetson nano平台上展现出优异的性能,未来有望借助更多模型检测实现更精准的检测和广泛应用。实验过程中,通过目标检测与抓取效果向学生形象地展示图像目标检测的应用,加深其对数字图像处理的理解,增强学生进行深度学习与图像智能处理的能力。

关键词： 焊接偏差   图像处理   熔池拖尾角度   线性回归   熔化极气体保护焊  

摘要： 在进行全位置管道熔化极气体保护焊焊接过程中,管道不同方位角对熔池形态有不同的影响,而熔池拖尾角度与焊接偏差有密切关系,焊接偏差影响焊接质量,设计基于熔池图像分析的焊接偏差测定方法.首先,经拍摄得到熔池图像后,进行灰度化和图像增强,使用GR显著性监测分割熔池区域,然后利用Otsu阈值提取熔池,检测熔池边缘并分割轮廓,通过平直度提取熔池拖尾采样点,再利用梯度下降法对熔池拖尾轮廓进行线性拟合,最终求得熔池拖尾角度.为研究熔池拖尾角度与焊接偏差的关系,采用线性回归的方法设计试验,得到可预测熔池拖尾角度和焊接偏差的线性回归数学模型.结果表明,预测焊接偏差量与真实焊接偏差量的误差在0.2 mm以内,验证该模型的有效性.提前预知焊接偏差并实时纠偏对于保证焊接质量具有重要的意义.

关键词： 智能除草   计算机视觉   深度学习   路径规划   农业机器人  

摘要： 传统的农业耕作方式,尤其是除草作业,已难以满足现代农业对高效、低成本和可持续发展的需求。本文结合了计算机视觉、深度学习和路径规划技术,提出一种基于人工智能(AI)加持的智能除草视觉导航方法,利用摄像头捕捉农田图像,通过图像处理和目标检测算法识别杂草与作物的差异,进而精准定位杂草的位置。基于识别结果,算法能够计算出最优除草路径,在不同环境下的识别准确率达到96%,机器人能够在每小时完成约200 m~2的除草任务,系统的避障成功率达到98%。在实际试验中,机器人能够成功避开作物、石块、路面起伏,同时能够根据实时反馈动态调整路径,在复杂地形下高效导航。研究结果可为智能农业领域的除草技术提供新的思路和解决方案,为推动农业智能化、精细化管理提供技术支持。

关键词： 深度学习   多目标跟踪   计算机视觉   Transformer  

摘要： 多目标跟踪是计算机视觉领域的一个重要分支,得益于当前计算机硬件以及深度学习技术的飞速发展,基于深度学习的多目标跟踪算法取得了显著进展和亮眼成绩。为了推动视觉多目标跟踪算的研究发展,通过汇总近年来本领域创新成果,对当前研究进展进行综合论述。在介绍了多目标跟踪的背景和应用场景的基础上,分别从基于检测的多目标跟踪算法、联合检测与跟踪的多目标跟踪算法、基于Transformer的多目标跟踪算法和融合语义指引的多目标跟踪算法4个方面阐述了当前的研究进展;汇总常用基准数据集和多跟踪算法的评价指标,并将本文算法在常用基准数据上进行对比分析;最后对基于深度学习的视觉多目标跟踪算法的未来发展进行展望。

关键词： 目标检测   轻量化模型   边缘计算   YOLO  

摘要： 为了提升边缘设备中目标检测系统的部署效率与实时响应性能,构建基于轻量化YOLO架构的实时检测系统,设计采用Mobile Net V3与Ghost模块作为主干网络,融合BiFPN特征融合结构与α-IoU损失函数以增强检测精度与效率,同时结合剪枝与INT8量化策略优化模型体积与推理速度。系统部署于Jetson Xavier NX平台,构建端到端高效推理链,实现图像预处理、模型推理与结果后处理全流程优化。分析认为,该设计在COCO与VisDrone数据集上实现mAP@0.5为32.7%、FPS达到61.3帧/s,模型压缩率超过68%,具备良好的边缘计算适应性与工程实用价值。

关键词： 计算机视觉   自动泊车系统   图像处理   路径规划  

摘要： 随着城市化进程的加快和机动车数量的迅速增长,城市交通压力日益加重,停车难问题逐渐成为人们日常出行中的普遍困扰。传统人工泊车方式在复杂环境下存在操作不便、效率低下和安全隐患等问题,已难以满足现代驾驶需求。智能驾驶技术的兴起为解决这一问题提供了全新的思路,其中自动泊车系统因其实用性和发展潜力备受关注。计算机视觉作为人工智能技术的重要组成部分,具备较强的环境感知和识别能力,在实现高精度泊车控制方面显示出独特优势。因此,文章对基于计算机视觉的汽车自动泊车系统展开探讨,旨在为智能交通的发展和城市停车问题的缓解提供技术支持。

关键词： 机器人   避障识别   图像处理   蝴蝶算法   多机器人协同  

摘要： 针对多机器人系统在复杂动态环境中的路径冲突与规划效率问题,提出一种高效的协同避障路径优化方法和一种融合视觉传感与蝴蝶算法的协同路径规划方案。该方法首先通过各机器人的视觉传感器采集并融合环境图像,利用深度学习模型精确提取障碍物信息。随后,引入蝴蝶算法进行路径优化,通过模拟蝴蝶觅食与信息共享行为迭代搜索最优解。为实现协同,各机器人在优化自身路径时会参考已完成规划的机器人路径信息,从而主动避免冲突。实验表明,所提方法能有效提升路径规划的精度与效率,在路径总长度、规划时间等关键指标上均优于对比算法,且在动态障碍物场景下表现出良好的鲁棒性。该方法为多机器人协同作业提供了高效可靠的路径规划方案,具有重要的理论意义和广阔的工程应用前景。

关键词： 目标检测   注意力机制   YOLOv5   茶叶病害  

摘要： 针对茶叶病害在复杂自然环境下识别精度受限的问题,提出了一种融合SE注意力机制的改进YOLOv5目标检测方法YOLOv5-SE.该方法在YOLOv5网络主干中引入SE注意力模块,增强特征通道的自适应加权能力,抑制冗余信息对检测精度的影响.同时,引入小目标检测头,提升对小尺度病害的检测效果,增强模型在高分辨率特征图上的检测能力.在包含8种茶叶病害及健康叶片的数据集上进行实验验证,结果表明,YOLOv5-SE的检测精度达到93.2%,召回率达到95.0%,较改进前模型精度提高4.5个百分点,召回率提高3.8个百分点.进一步的消融实验表明,SE注意力机制能够在优化特征提取能力的同时,有效提升模型对复杂背景下茶叶病害的检测鲁棒性,减少误检与漏检的发生.

关键词： 电力线巡检   YOLOv8   深度学习   目标检测   缺陷检测  

摘要： 为了提高电力线巡检的检测效率和目标检测算法在电力线巡检中的表现,提出了一种基于深度学习的电力线杆塔组件类别与缺陷检测方法。采用YOLOv8算法框架,优化了特征提取模块,加入了注意力机制。为验证算法的有效性,创建了一个多类别电力线巡检数据集。在自定义数据集上,改进后的模型在满足实时性要求的同时,有更高的检测精度。试验结果表明,改进后的模型检测帧率在单块RTX4090上可达93.6 FPS。所提方法在自定义多类别电力线杆塔组件类别与缺陷检测数据集上有很好的识别性能,能够准确检测出不同尺寸的各类目标,同时也满足无人机检测的实时性要求,在电力线巡检中具有重要意义。