关键词： 图像处理   焊缝定位   三维视觉传感器   机器人焊接   激光传感器手眼标定  

摘要： 随着智能制造技术的持续发展,工业机器人与机器视觉技术的深度融合已成为工业生产中的关键趋势。机器视觉技术在多个制造领域展现出广泛的应用潜力,并取得显著成果。焊接作为工业生产中的核心环节,传统焊接机器人由于缺乏自适应能力,难以满足智能制造对于高效率和高质量的要求。该研究以3D机器视觉技术为基础,开发一种集成于工业机器人的自动焊缝追踪激光系统,该系统融合3D视觉技术、深度学习、光源技术、激光原理及机器人技术。该文的研究重点包括:首先,在硬件配置完备的前提下,建立图像与机器人坐标之间的映射关系;其次,进行视觉系统的标定;接着,制定数据收发协议;然后,探讨图像处理技术;最后,基于神经网络技术实现焊缝轨迹的自动获取。通过在实际应用场景中的测试,验证该系统能够满足自动焊缝跟踪焊接的实际需求。

关键词： 计算机视觉   背景模型   特征提取   径向基核函数   LSSVM模型  

摘要： 针对监控视频识别突发事件效率低,导致识别系统无法及时检测并响应突发事件,增加潜在危险的问题,提出应用计算机视觉的监控图像异常行为识别算法。以监控图像的初始背景为基础,利用差分运算获取背景与监控图像差分后的差分图像,并利用背景减除法对组合排序后的新监控图像实施二值化处理,完成目标区域识别;然后利用矩形遍历目标区域,采集目标区域的有效运动块,提取运动块的特征向量,完成监控图像异常行为特征提取;最后通过库恩塔克条件,完成监控图像异常行为识别。实验结果表明,所提方法的异常行为识别时间在1.0 s以内,识别准确率保持在94%以上,可准确识别监控图像异常行为,有效提高识别效率与识别率。

关键词： 目标跟踪   孪生网络   拆分注意力   像素级互相关   多通道特征聚合  

摘要： 目前以孪生网络为基础的目标跟踪算法,仍然存在网络浅层的特征中有价值的上下文信息无法合理利用的问题。针对这一问题,提出一种融合拆分注意力机制(split-attention,SA)的目标跟踪算法SiamMCFA(siamese multi-channel feature aggregation module)。在骨干网络中引入拆分注意力机制,用来提取浅层特征中有价值的上下文信息,通过像素级互相关模块(pixel-wise cross correlation,PWCC)融合模板区域和搜索区域浅层和深层特征中的上下文信息,以增强模板区域和搜索区域的特征图之间的联系,从而提高跟踪器的鲁棒性。针对因尺度变化而容易导致目标丢失的问题,设计了一个多通道特征聚合模块(multi-channel feature aggregation module,MCFA),用于聚合目标不同区域的特征信息,使跟踪器尽可能地区分目标和语义背景,进一步提升跟踪准确性。最后,在OTB100、VOT2019、GOT10K和LaSOT四个数据集上进行了详尽的实验评估,结果显示,SiamMCFA与当前基于孪生网络的先进的跟踪器SiamCAR相比,其成功率(success rate)与精准度(precision)分别提高了2.26和2.83个百分点。与SiamIRCA相比成功率与精准度提高了0.3和0.9个百分点。

关键词： 超声心动视频分割   半监督学习   目标检测  

摘要： 在超声心动视频中,复杂的解剖结构和心跳周期内的形变伪影常导致分割区域混淆和错误,因此提出一种基于自约束多尺度记忆网络(self constrained multi-scale memory network,CSTM)的半监督超声心动视频分割算法。该算法采用目标检测网络SAM-DETR定位超声心动视频中每帧的左心室区域,并利用该网络有效地提取左心室及其周围组织的特征,这些特征作为约束信息被输入到多尺度记忆网络中,指导有对象掩码的帧进行左心室分割并更新记忆信息,对于没有对象掩码的帧,通过查询记忆信息进行分割。将多尺度编码器与多层次细化解码器相结合构成多尺度记忆网络用于解决约束信息带来的边缘信息丢失问题,使CSTM能得到精确的分割效果。在公开数据集EchoNet-Dynamic上的实验结果显示,所提算法在Dice系数上达到90.5,Hausdorff距离为4.11,分割结果优于现有方法,验证了算法在超声心动图分割任务中的有效性和正确性。

关键词： 红外小目标   目标检测   采样定理  

摘要： 为提高复杂背景下红外小目标检测能力,提出基于采样定理的检测算法。预处理用高斯滤波增强局部对比度与降噪,经图像上下采样与原图像差分分离小目标区域,再用自适应阈值分割筛选目标。实验表明,该算法对不同场景适应能力好,处理质量和效率显著提升。

关键词： 深度学习   轨迹参数   目标检测   YOLOv3   无人机识别  

摘要： 本文提出一种融合深度学习与目标运动轨迹的无人机识别方法,旨在提高对无人机的识别准确性和效率。该方法通过获取摄像机或其他视觉传感器拍摄无人机的视频数据,首先,根据YOLOv3目标检测网络初步识别潜在的无人机候选目标;其次,分析目标检测网络获取的候选框,并计算每一个候选框在该时间点前的一系列目标检测框生成的轨迹参数,主要包括速度、方向、加速度;最后,将候选框与其对应的轨迹参数一同纳入目标重检测网络,基于目标重检测网络的输出结果,获取最终识别出的无人机位置。

关键词： 遥感图像   目标检测算法   特征增强   多尺度池化算法   极端长宽比目标  

摘要： 目标检测是分析与处理遥感图像的基本任务之一,其目的在于识别遥感图像中物体的类别和位置信息.极端目标是指图像中拥有极小尺度和极大长宽比的物体,这些物体在遥感图像中广泛存在且难以被现有的目标检测算法检测,如何检测这些物体是一项有挑战性的任务.针对这一问题,本文提出一种基于特征增强的极端目标检测网络(FEEODNet).该网络包含一个双分支融合网络,一个分支利用浅层特征提取细节信息用于检测小目标,另一分支利用深层特征提取语义信息用于检测大目标.两分支融合后,通过注意力机制模块增强特征,从而提升目标检测性能.此外,为了提取目标的全局信息,本文对语义信息特征图通过串联的非对称卷积块生成不同形状的感受野,以适应极端目标的多样性和复杂性,并利用多尺度最大池化算法筛选热图中的关键点,从而更准确地确定不同尺度目标的中心点.最后,在NWPU VHR-10和RSOD数据集上进行测试,结果表明,本文提出的方法在两个数据集上的mAP分别为96.92%和96.43%,优于目前主流的目标检测算法,说明本文所提方法能有效检测遥感图像中的极端目标.

关键词： 街景图像   包容度   偏好性   人群属性   计算机视觉  

摘要： 包容度是指城市空间对不同属性群体的开放性和可及性,偏好性则是不同居民属性群体对环境要素的喜好和选择偏向性,两者共同反映了城市对多样化需求的适应性和满足程度.因此,探究环境要素与包容度及居民属性偏好性的关系,对于“以人为本”视角下的城市规划具有重要参考意义.以往的城市包容度及居民偏好性研究多基于访谈和调查问卷等方式,存在成本高、效率低、样本有限等问题,故本研究基于计算机视觉技术,从居民属性多样性的角度提出了一种新的包容度量化指标,探究了成都市清源、同德社区中影响包容度的环境要素,并进一步挖掘了环境要素对偏好性的影响.具体而言,首先,利用Segformer模型提取街景图像中环境要素的语义信息,并统计其所占视觉比例.接着,利用Paddle Detection模型提取街景图像中的人群属性信息,在此基础上构建包容度指标并将其进行空间分布可视化,再利用皮尔逊相关系数分析环境要素与包容度之间的关系.同时,利用皮尔逊相关系数分析环境要素对不同居民属性的影响,得到偏好性.结果表明:(1)研究区域内整体包容度值较高且呈现空间同质性,同德社区的包容度值相对清源社区较高且更为向中心区域集中;(2)研究区域内环境要素对包容度有显著影响;(3)研究区域内不同属性群体对不同环境要素存在显著偏好性.基于研究结论,提出以下规划建议:应协调建筑、墙体与天空的配比;科学管理车辆;道路的宽度和布局应满足不同交通工具的需求;人行道上应设置并维护无障碍通道;适当保留植被.本研究为优化成都市规划布局和推动社区治理精细化提供了科学依据.

关键词： 结构健康监测   海洋平台   海底环境监测   计算机视觉   深度学习   三维实时声呐图像  

摘要： 针对海洋平台基础海底环境监测人工工作效率低,时间成本高,依赖具有先验知识的技术人员的主观判断等问题,本文提出了一种基于深度学习的智能化海洋平台基础环境监测算法。该算法能够有效避免人工主观因素对图像判读的干扰,实现全天候、自动化、实时的海洋平台基础环境灾害初步预警。首先,通过试验从目前基于深度学习(DL)的主流计算机视觉(CV)算法中筛选出最适合海底三维实时声呐图像分类的基础网络结构。然后,对试验选出的VGG-11算法,使用通道优先卷积注意力(CPCA)模块改进,并通过Grad-CAM热力图验证了CPCA-VGG算法的有效性。试验结果表明,CPCA-VGG算法对海洋平台基础各类环境分类评价指标分别达到了Acc_(Top-1) 97.35%、Acc_(Top-5) 100.00%,平均精确率和平均召回率分别为98.62%、98.44%。该算法能较好地满足对海洋平台基础各类环境的实时监测,以及对灾害进行初步预警的实际工程需要。

关键词： 低光照检测   图像增强   YOLOv8n   大卷积核架构   感受野卷积  

摘要： 针对低照度环境下图像质量差、光照不均匀及细节模糊导致检测精度低的问题,提出了一种基于YOLOv8n改进的夜间检测模型LowLight-YOLOv8n。首先,在Backbone网络的卷积特征提取之前,引入了低光照图像增强网络Retinexformer,提升低光图像的可见度和对比度。其次,在Backbone和Neck网络中使用RFCAConv卷积操作替代传统卷积操作,自适应调整卷积核权重,解决传统卷积参数共享问题,进一步提高模型的特征提取和下采样能力。再次,结合大卷积核架构UniRepLKNet和Neck网络的C2f模块,形成新的C2f_UniRepLKNetBlock结构,获得更大的感受野,用较少的卷积操作覆盖图像的更多区域,聚合更大范围的上下文信息,捕捉到更多低光照图像中潜在的目标信息。最后,采用新的边界框回归损失函数Focaler-CIoU,聚焦于难样本的检测。在ExDark数据集上的实验结果表明,相比基线模型YOLOv8n,LowLight-YOLOv8n的mAP@0.5和mAP@0.5∶0.95指标分别提升了6.8百分点和5.8百分点,且参数量降低0.09×10^(6)个。