关键词： 线激光   图像处理   中心线提取   海森矩阵   感兴趣区域  

摘要： 提出一种基于海森矩阵的改进了Steger算法流程的线激光中心线提取方法。首先,采用高斯滤波、图像锐化等方法对图像进行预处理,去除噪声,加强灰度差别。其次,采用迭代式的全局阈值分割方法,将图像中的图像分割,得到图像中的感兴趣区域。最后,改进海森矩阵的计算原理,对Steger算法进行了优化,以求出亚像素点的位置,并采用非极大值抑制去除噪声点。计算结果表明,相较于传统的Steger算法,这一改进型算法能将中心线的提取速度提高4倍以上,而且能去除传统Steger算法上提取中心线会出现的冗余点,提取精度相比传统的灰度重心法和Steger算法分别提高了28%和19%。

关键词： 计算机视觉   疲劳状态   不安全行为状态   塔吊驾驶员   YOLOv5  

摘要： 以提高塔吊操作的安全性和效率为案例,提出一种综合识别疲劳状态和不安全行为的方法,以实时发现驾驶员可能存在的安全隐患。通过摄像头捕获实时视频流,并对视频进行分析和预处理,提取关键信息,用于识别后续的疲劳和不安全行为;在疲劳状态识别方面,采用基于眼睛和嘴部状态的分析方法,重点监测眼睛开闭状态、眨眼频率及哈欠次数等生理指标;在不安全行为识别方面,结合计算机视觉与深度学习技术,实时检测驾驶员的潜在危险操作,从而确保及时发现安全风险。结果表明:经过优化后的YOLOv5-高效通道关注(ECA)模型在疲劳状态和不安全行为识别中性能得到显著提升;模型在测试集上的精确率和召回率均超过90%,展现出良好的识别能力。

关键词： 目标检测   YOLOv11n   激活函数   自注意力机制   C3k2   自适应平均池化  

摘要： 针对目前人工巡视导致的变电站设备及生产行为异常检测效率低、人工风险高等问题,提出改进你只看一次11纳米版(you only look once version 11 nano, YOLOv11n)模型。首先,通过设计基于自注意力机制的3尺度卷积双路径可变核(convolutional three-scale kernel-adaptive dual-path self-attention mechanism, C3k2-SA)模块在较小特征图衔接特征融合部分,优化了网络结构,增强了全局特征提取能力。然后,在主干网络末层引入了基于注意力机制的特征增强(feature enhancement, FEN)模块,动态调整不同区域的特征权重,实现自适应的特征增强,缓解深层网络中的梯度消失问题。最后,对拼接(concatenate, Concat)模块进行优化,通过卷积层调整通道数,采用池化和sigmoid激活函数进行特征的精细处理,提高了模型对不同类型特征的自适应,增强了特征融合效果,同时抑制了无关或冗余特征,防止过拟合。结果表明,与原始YOLOv11n模型相比,改进YOLOv11n模型的精确率、召回率、平均精确率均值分别上升了1.7、6.6、3.6个百分点。改进YOLOv11n模型能够提高变电站异常状态检测的准确性,为智能变电站的异常检测工作提供一定参考。

关键词： 计算机视觉   橡胶衬套   缺陷检测   YOLOX   多注意力机制  

摘要： 针对橡胶衬套表面微小气泡和中片压伤缺陷检测中存在漏检率高、深度学习模型特征融合不足等问题,提出了基于多注意力特征融合的YOLOX-A模型。搭建橡胶衬套表面缺陷检测试验台并制作数据集,在骨干网络中添加Res2NetBlock和CoT注意力模块,在特征融合层内置坐标注意力模块。试验结果显示:YOLOX-A模型在测试集上的平均精度达到86.68%,较YOLOX提高了11.91%,其中气泡缺陷的F1值为0.99,中片压伤缺陷F1值为0.75,FPS为42.5。

关键词： YOLOv5s   细粒化卷积模块   C3TR   损失函数   软非极大值抑制算法   解耦合头  

摘要： 航拍图像中普遍存在目标尺寸微小、尺度多变以及背景繁杂等问题,从而导致YOLO系列算法的检测精度较低。为此,基于YOLOv5s提出YOLO-SC2算法。首先,在YOLOv5s的网络结构基础上添加细粒化卷积模块、融合基于Transformer架构的C3TR层,并采用C2F模块替换C3模块以增强目标特征信息提取能力;其次,通过替换Focal-EIoU损失函数,使用软非极大值抑制算法增强小目标检测准确性;最后,融合解耦合头,提高多目标下的检测精度。实验数据表明,在VisDrone2019公开数据集上进行实验,相较于原始模型,改进后的模型在P、mAP_0.5、mAP_0.5:0.95指标上分别实现了6.2%、8.2%和8.4%的提升。通过与其他算法对比,验证了该改进算法的有效性。

关键词： 煤矿机器人   图像处理   自主移动   激光雷达点云建图   巷道点云   上采样算法   深度学习  

摘要： 受限于井下防爆要求,目前可以应用于煤矿井下的激光雷达线束多为少线束的小功率激光雷达,其形成的点云较为稀疏,缺乏对环境的细节描述,导致机器人建图性能不佳。提出了一种基于复合残差自注意力网络(Composite residual self-attention network,CRSA-Net)的巷道点云上采样技术,旨在通过端到端的方式实现点云特征增稠,在一定程度上弥补传感器精度低下的问题。首先,对点云中的粉尘、水雾噪声进行离群点去除,并根据现场特点采用法向量聚类方式分割不同退化程度的点云区域;其次,为提高训练数据局部细节质量,基于KD树结构提取点云片,针对稀疏点云内部数据相关性不强的问题,提出了采用特征计算及特征维度扩展的方法,加强对网络训练结果的约束,采用了级联渐进式的复合残差自注意力方法,保证网络对结构退化点云的全局和局部特征学习;最后,利用密集的点特征,使用多个独立的MLP进行特征扩展,通过基于点特征的全连接层输出稠密点云。采用国家能源集团寸草塔煤矿井下某巷的数据及WHU-LTS开源数据构建了1组稠密点云数据集用于训练和测试,在上采样试验中,提出的方法CD指标达到11.35×10^(-3),EMD指标达到5.52×10^(-3),HD达到112.31×10^(-3)。

关键词： 自动目标识别   卷积神经网络   小目标检测   数据增强   特征增强   特征金字塔网络  

摘要： 低空慢速小目标的监视一直是预警探测领域的重点和难点。目前主流的基于卷积神经网络的目标检测算法主要设计应用于VOC数据集或COCO数据集,在特定场景下检测精度并不理想。YOLO是目前应用最广泛的单阶段目标检测算法之一,在检测速度方面具有独特的优势。利用可见光成像手段获取小型无人机目标图片,基于YOLOv7算法改进了其特征增强网络,提出一种三分支并行特征金字塔网络,以获得更多的小目标上下文语义特征;将改进后的算法与生成对抗网络进行级联,旨在生成更真实的超分辨率图像,从而提高检测精度。与目前最先进的目标检测方法相比,该方法在满足检测实时性要求的前提下,使得检测精度有了显著的提升。由于训练集有限,为了提高泛化能力,还提出了SOD-Mosaic数据增强方法,该方法提高了检测器的鲁棒性和泛化能力。

关键词： 图像处理   速度   位移   可视化   教学融合  

摘要： 传统的教学方法中速度和位移概念讲解相对枯燥乏味且抽象、给学生的理解带来一定的困难。旨在通过图像处理中的图像增强、图像目标检测、重心提取等方法将抽象的物理模型和数据结果以图像方式直观的展示给学生,帮助学生建立基本的位移与速度概念空间,脱离相对枯燥的理论讲解,同时展示图像处理技术如何在物体实际运动中计算速度和位移,并实时可视化地展现结果,加深学生的理解。图像处理技术与物理位移速度教学相融合,在一定程度上促进了物理课堂教学的发展,丰富了教学手段,优化了教学过程,激发了学生的创新精神,增强了学生的科学探究能力。

关键词： 计算机视觉   视频超分辨率   深度学习   循环神经网络   深度残差网络   红外动态目标  

摘要： 为了提高机载红外成像系统对动态目标的远距离探测与识别能力,提出一种基于循环残差神经网络的红外视频超分辨率重建方法。该方法针对机载红外成像系统的实际退化过程,结合动态目标的运动信息,通过优化网络架构有效提升视频重建质量。首先,分析了包括下采样、运动模糊及噪声干扰在内的红外视频退化过程并基于此构建了低分辨率数据集,介绍了循环残差神经网络,该网络能够有效提取并传递动态目标的运动信息,从而恢复目标的形状、轮廓和细节纹理。采用跳跃级联残差结构改进模型主干,保证流畅信息流的同时使其更适合处理长视频序列,且有效避免了模型在训练过程中梯度消失。进一步,通过调整残差块的数量和各层卷积核的数量,优化了网络的表达能力和计算效率。此外,提出一种结合Charbonnier损失和高频信息损失(HFLoss)的损失函数共同监督,用于提升重建图像中高频细节的恢复效果。实验结果表明:所提出的重建方法在公开和实测红外数据集上均可实现动态目标的2倍超分辨率,PSNR值高于40 dB,SSIM值大于0.92,重建速率不低于45 frame/s。结合分辨率测试靶标与红外变焦成像系统准确标定了系统角分辨率,验证了重建方法在提升系统角分辨率方面的优势,系统角分辨率提升1.43倍。该方法能够满足机载成像系统高实时性和重建质量的要求。

关键词： 疲劳检测   深度学习   图像处理   驾驶员监测   交通安全  

摘要： 随着汽车行业的快速发展,道路安全问题日益受到重视,疲劳驾驶是导致交通事故的主要因素之一。提出了一种基于高精度dlib疲劳检测技术的汽车安全系统模型,利用深度学习和图像处理技术,通过分析驾驶员面部特征来实时监测其疲劳状态。采用dlib库进行面部特征点的检测,通过计算眼睛的闭合程度、打哈欠频率和头部姿态变化,结合驾驶行为分析,准确评估驾驶员的疲劳程度。当检测到驾驶员疲劳时,系统会通过视觉和声音信号进行警告,提醒驾驶员采取措施,如休息或更换驾驶员,以保证行车安全。实验结果表明,该模型能够有效地识别疲劳驾驶行为,对于提高道路交通安全具有重要的意义。