关键词： 安全标志检测   计算机视觉   YOLOv4-tiny   注意力机制   Soft-NMS算法  

摘要： 为有效实现高效安全标志检测和对不安全行为预警,基于深度学习YOLOv4-tiny模型引入ECANet注意力机制,结合Soft-NMS算法提出1种用于检测安全标志的模型。模型中数据集包含2000个安全标志,其中训练集1620张、验证集180张和测试集200张。研究结果表明:该模型的检测精度达到97.76%,比YOLOv4-tiny和Faster RCNN卷积神经网络算法分别提高了7.55百分点和9.23百分点;改进的模型可避免YOLOv4-tiny和Faster RCNN卷积神经网络算法中出现的过拟合现象,泛化性能更好,在检测小目标区域和弱光条件下目标时,改进模型优势更加突出。研究结果可为施工场地安全标志的智能化监控与风险预警提供技术参考。

关键词： 脐橙采摘   YOLOv7-tiny   目标检测   视觉识别系统  

摘要： 为提高脐橙采摘作业的智能化水平,解决复杂果园环境中果实识别困难和操作精度不足的问题,设计基于改进YOLOv7-tiny的视觉识别系统,融合图像增强、三维定位及柔性抓取技术,开展多模型对比与实地测试。结果表明,设计的系统具备较高的识别准确率、较低的响应时延和良好的果实保护性能,具有工程实用价值和推广前景。

关键词： 电解槽   图像处理   故障检测   YOLO v5  

摘要： 采用一种基于改进YOLO v5神经网络模型的铜电解槽短路电极智能诊断方法,通过对原始图像进行桶形畸变矫正和几何角度畸变矫正,再运用滤波处理和Canny边缘检测到电解槽注液口位置,实现对电解槽极板精确分割,并利用优化后的红外图像来训练YOLO v5神经网络模型,最终实现铜电解槽短路极板的智能诊断。

关键词： X射线   缺陷识别   图像处理   图像变换   图像分割  

摘要： 【目的】传统的X射线检测方法存在评片结果容易受到人为因素影响的问题,评片人员在长时间进行评片工作后可能产生疲劳,该文意在解决背景复杂的焊缝图像容易漏检小缺陷目标的问题。【方法】选用中值滤波进行图像去噪。利用图像的灰度值在焊缝起始和终止位置的灰度变化剧烈的特性,进行了基于灰度变化率的焊缝区域提取工作。对图像进行灰度增强,对每一行的灰度值进行变换,通过对灰度值区间的线性拉伸使缺陷与背景的灰度差增大;提出一种窗口累计式S-T灰度变换,将缺陷的“灰度劣势”进一步拉大,将变换后的缺陷灰度值置于低值水平,将变换后的处于灰度起伏区域的背景像素点灰度值置于中值水平。【结果】结合图像去噪、图像分割、形态学处理等技术,成功提取出焊缝X射线图像中大灰度起伏背景下的缺陷弱目标。实际检测图像应用该文算法进行检测,检测结果与原图像对比显示,该算法能较准确地提取出缺陷,证明了其有效性。【结论】基于数字图像处理算法,提出的窗口累计式的S-T变换方法,结合图像去噪、图像分割、形态学处理等技术成功提取出焊缝X射线图像中大灰度起伏背景下的缺陷弱目标。

关键词： 侧扫声纳   YOLOv8模块   特征融合   目标检测   CMUNeXt模块   MDFM模块  

摘要： 受测量机制和海洋环境因素影响,侧扫声纳沉船目标存在多尺度、多畸变、分辨率低的问题,严重影响了SSS沉船目标检测精度。为此,提出一种基于改进YOLOv8的侧扫声纳沉船目标检测方法。首先,为了优化网络的特征提取能力,在YOLOv8主干网络中引入CMUNeXt模块,增强了网络对不同尺度、形状和背景噪声的侧扫声纳目标的适应能力。之后,在网络中引入多尺度特征融合模块,并行处理不同尺度的沉船目标特征,并采用加权融合的机制实现差异化特征融合,增强网络的特征表达能力。实验表明,本文所提出方法在各项定量和定性评价中均超越了同系列的YOLO网络。相较于YOLOv8网络,精确率、召回率和mAP分别提升了5.0%,13.0%和7.8%。

关键词： 深度学习   番茄黄化曲叶病毒病   目标检测   YOLO v7   病害检测  

摘要： 为解决自然环境下人肉眼鉴定发病番茄植株效率低、主观性强的问题,提出一种基于改进YOLO v7的番茄黄化曲叶病毒病分级检测模型,分别对轻度、中度、重度发病植株进行检测。模型在主干网络中引入了DCN模块,以加强对复杂病变区域的感知能力;同时,Pconv模块替换主干网络中部分普通卷积,以更高效地提取空间特征,降低冗余计算和内存访问;在检测头中引入SimSPPF模块,极大地减少浮点运算量,提高感受野,增强特征提取能力。经测试,改进YOLO v7模型对轻度发病、中度发病、重度发病番茄植株检测的平均精度分别为97.5%、92.1%和93.6%。改进模型平均精度均值为95.0%,较原模型提升0.8个百分点,参数量减少8.2×10~5,浮点运算量减少2.7×1010,模型内存占用量减少15.7 MB,在保证检测精度的同时减小模型体量。与Faster R-CNN、YOLOX、YOLO v5l、YOLO v8m模型相比,平均精度均值分别提高11.2、5.7、1.4、8.7个百分点。试验结果表明,该模型能够实现对番茄黄化曲叶病毒病的分级检测识别,为实现番茄种植智能化提供支持。

关键词： 低空经济   eVTOL   人工智能   计算机视觉   飞行安全  

摘要： 随着低空经济的兴起,电动垂直起降飞行器(eVTOL)的应用更加广泛,其飞行安全保障至关重要,有待加强相关应用研究。通过分析大量相关文献,从eVTOL本身的效能可靠性、应用规程的安全性和飞行数据传输的安全这3方面进行深入剖析,梳理了可能面临的数据安全、复杂环境感知决策、计算资源限制和多智能体协同挑战等问题。最后对人工智能在eVTOL安全应用的未来发展趋势进行预测,为后续研究与实践提出技术研发重点、标准法规完善及行业合作等建议,旨在全面展现人工智能保障eVTOL运用安全的应用全景,为其进一步发展提供参考。

关键词： 目标检测   YOLOv5s   注意力机制   线扫描相机  

摘要： 表面贴装技术(SMT)生产线贴装器件类型多样、料盘规格不一致,针对生产过程中芯片位置姿态易出错、芯片字符难识别等问题,本研究设计并实现了一种基于改进YOLOv5s的SMT生产线器件检测系统。利用高精度线扫描相机快速抓拍生产线上的料盘图像,通过在YOLOv5s目标检测算法中增加注意力机制、增加P2小目标检测层等进行算法改进,实现了不同规格的料盘图像中所有芯片的位置姿态检测和信息识别。实际测试结果表明,该系统能够实现不同工况下器件的准确检测,显著提高了SMT生产线器件的检测质量和效率。

关键词： 多晶硅切割机   金刚线跳线   目标检测   小样本   数据增强   YOLOv8n   注意力机制  

摘要： 多晶硅切割机是硅电池片的核心生产设备,其机腔内的金刚线跳线严重影响硅棒切割效率,甚至引发停机事故。金刚线跳线的样本数量有限、目标尺寸小以及背景复杂等特点,导致传统的图像类目标检测方法失效。为解决上述问题,提出一种基于小样本的多晶硅切割机金刚线跳线检测算法。首先,提出一种基于梯度变化的数据增强算法,扩充样本数量,解决跳线样本不足的问题;然后,引入Extra DW结构,对YOLOv8n中的C2f模块进行改进,减少模型的参数量和计算量,增强模型对跳线与背景噪声的区分能力;最后,在Neck部分引入CBAM注意力模块,使网络能更有效地提取并融合跳线特征。实验结果表明,与YOLOv8n算法相比,所提算法的参数量减少了24.1%、计算量减少了约6%,FPS提高了3.99帧/s,准确率、召回率和mAP分别提升了5.3个百分点、7.2个百分点和3.0个百分点,实现了金刚线跳线的高效检测。

关键词： 城市轨道交通   计算机视觉   非监督学习   图像分割   异常检测   隧道病害  

摘要： 在城市轨道交通行业中,由于隧道内壁图像的复杂性及病害样本的稀缺性,传统有监督学习方法在检测病害时面临挑战。针对这一问题,文章提出一种非监督学习框架,用于检测隧道内电缆托架的病害。首先,采用非监督学习方法对隧道图像进行预分割;随后,利用多边形形态特征进行快速的人工筛选,将筛选出的图像作为训练样本;接着,通过蒸馏监督学习方法训练一个图像分割网络;最后,利用非监督异常检测网络,基于正常样本训练,通过分析病害样本与正常样本的特征分布差异识别稀有病害。该研究可提高电缆托架病害检测的准确性,为复杂环境下的城市轨道交通病害检测提供一种有效的技术路径。