关键词： 双目视觉   检测与定位   YOLOv5   多尺度   棉花采摘   机器人  

摘要： 针对棉花采摘机器人自动采摘棉花过程中需要实时检测并定位棉花的问题,对基于双目视觉的棉花采摘检测与定位技术进行了研究。在YOLOv5s模型中,首先利用Mosaic数据增强技术把CSP结构融入Darknet53,减少模型计算量和内存占用量,然后将模型Neck中的SPP替换为SPPF,解决目标多尺度问题,提高模型计算速度,最后使用搭建的棉花检测与定位系统对不同数量和不同朝向的棉花进行检测并定位。结果表明:该系统能够快速准确定位不同数量和不同朝向的棉花,检测精度达99.4%,基本可以完成棉花检测与定位任务。

关键词： 目标检测   旋转矩形框   深度学习   电容器元件  

摘要： 针对经典的YOLOv5目标检测算法仅能实现水平矩形边界框的目标定位的问题,设计了一种基于YOLOv5s模型的旋转边界框电容器目标检测方法。该方法通过使用环形平滑标签将角度预测问题由回归问题转化为分类问题,并使用二值交叉熵损失描述角度预测的损失函数。此外,通过复制、旋转变换和拼接等手段对原始训练数据进行扩充,以提高模型的精度和泛化能力。在真实电容器数据集的实验结果表明,改进的旋转边界框电容器目标检测算法平均精度达83.5%,相比于原始YOLOv5模型,预测的目标边界框与电容器实际矩形轮廓更加吻合。

关键词： 南药   病虫害检测   目标检测   YOLOv5s   轻量化  

摘要： 本研究构建了南药病虫害图像数据集并提出了南药病虫害检测轻量化模型以提供诊断防治。以YOLOv5s为基础,使用更轻、更快的轻量化网络Mobile Net V3作为主干网络提取特征,加入了神经网络架构搜索(NAS)和h-swish激活函数,得到轻量化后的YOLOv5s-M检测模型,构建的数据集包含南药病虫害图像1693幅,其中病害种类包括鞘翅目、同翅目、鳞翅目和异鳃总目等11目昆虫,实验结果表明:基于YOLOv5s-M的南药病虫害检测模型平均检测精度达到了95.7%,参数量下降了30%,浮点运算次数下降了43.7%,模型内存占用量为21.561MB,YOLOv5s-M模型内存均小于Faster R-CNN、SSD、YOLOv3。所提出YOLOv5s-M南药病虫害检测模型更加轻量化,准确且快速检测图像中南药病虫害,可为病虫害绿色防控提供检测手段,推动绿色防控技术与绿美生态的融合。

关键词： YOLOv8   煤泥水外溢   选煤厂   目标检测   标志物  

摘要： 为解决煤泥水外溢检测中传统方法响应速度慢、误报率高及环境适应性差的问题,提出一种基于标志物的煤泥水外溢检测方法。通过设置地面标志物,使用YOLOv8深度学习模型实时监测标志物的可见性,当标志物被煤泥水覆盖时,系统自动触发泄漏警报;该方法采集60张选煤厂现场煤泥水图像,其中,40张图像为倾倒煤泥水覆盖标志物生成的模拟数据;通过亮度调节、对比度调节及噪声添加等数据增强技术模拟环境变化,扩充40张图像数据,共100张图像即可完成YOLOv8模型训练;对比图像分类方法,验证该方法的有效性,研究表明:该方法有效减少对大量标注数据的依赖,成功解决数据量不足的难题,检测准确率可达95%,且显著降低对光照、天气等环境变化的敏感性,特别适用于选煤厂工业环境复杂多变的场景。

关键词： YOLOv11   智能分拣   目标检测   人机交互  

摘要： 设计了一种高效的智能分拣控制系统,该系统使用基于深度学习的神经网络算法YOLOv11来检测识别目标物料,显著提升了物料识别的精度与速度。该系统结合机械臂、传送带等分拣机构执行相应的分拣任务,同时以PLC为下位机、触摸屏为上位机进行了人机界面控制,实现了实时监控和数据记录等功能。实验结果表明,本智能分拣控制系统在复杂场景下以及物理干扰和环境变化时对物料识别的准确率达98%以上,能够迅速而精准地执行相应的分拣任务,大大提升了分拣效率。

关键词： 结构健康监测   深度学习   计算机视觉   无接触位移测量  

摘要： 提出了一种基于深度学习的无接触式结构健康监测算法,旨在突破传统位移测量方法的局限性。传统接触式和非接触式传感器安装复杂、耗时,并且难以实现全场位移测量。相比之下,计算机视觉技术在位移监测中具有全场测量和安装便捷等优势,但仍存在靶点安装困难等问题。通过改进算法,利用SuperPoint特征点提取和SuperGlue匹配技术,实现在无需安装靶点的情况下对结构表面位移的精准监测,从而提高了大型土木工程结构健康监测的实用性和鲁棒性。

关键词： 计算机视觉   目标检测   深度学习   模态融合   轻量化  

摘要： 针对可见和红外双模态融合的目标检测算法计算量大、难以在边缘设备上有效部署的问题,提出一种基于可见和红外双模态融合的轻量化行人车辆检测算法。该算法使用轻量级网络Mobilenetv2替换YOLOv7-tiny作为网络主干,减小了模型的参数量与计算量,并设计了照明感知模块和差分模态特征融合模块,其中照明感知模块能够依据光照条件自适应调整各模态权重,差分模态特征融合模块能在不增加网络参数的同时合理互补各模态的特征信息,提高了检测精度。在多光谱数据集FLIR、LLVIP和KAIST上的验证实验表明,相比于经典的YOLOv5s、YOLOv7-tiny轻量级模型和ICAFusion、CFT双模态算法,所提出的双模态轻量化目标检测模型具有检测精度高、推理速度快等优势。

关键词： 钻杆计数   目标检测   时空融合   深度学习   瓦斯抽采  

摘要： 目的随着煤矿开采逐渐深入,瓦斯抽采作业的安全风险不断增加,钻杆计数的准确性对保障瓦斯抽采的安全和效率至关重要。传统的钻杆计数方法效率低、易出错,且难以适应复杂环境。方法本文基于YOLOv5深度学习模型,提出了一种结合时空信息融合的钻杆智能计数方法,通过实时处理煤矿井下的视频数据,实现钻杆的自动检测与计数。实验数据包括7组28段模拟退钻场景和10组真实退钻场景。为了增强模型的鲁棒性,采用过亮、过暗、烟尘噪声和镜像等数据增强技术。此外,对YOLOv5的不同版本(YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x)进行比较,选择最优模型进行钻杆计数。计数过程中,结合钻杆面积跳变、IOU跳变等前置更新条件,进一步优化钻杆数量更新的准确性。结果结果表明,4种YOLOv5模型在当前数据中均达到了99.5%的准确率和100%的召回率,因此采用YOLOv5s作为后续计数检测模型。结论本文方法在模拟和真实退钻场景下均实现了100%的正确计数,展现出较高的准确性和鲁棒性。通过减少人工干预,显著提高了钻杆计数的自动化水平,具有广泛的应用前景,尤其在煤矿安全生产及其他工业自动化监控领域具有重要意义。

关键词： 红外图像   红外图像处理   系统级芯片  

摘要： 随着红外成像技术在夜间监控、工业检测等领域的广泛应用,对红外成像系统提出了一体化应用需求。文章设计了一款面向红外成像系统一体化应用的红外图像处理系统级芯片(SoC),该芯片集成了CPU、红外图像处理协处理器及专用外设控制接口等,可单片实现红外探测器控制、红外图像采集、自适应非均匀校正、自适应盲元识别补偿、图像增强等实时图像处理,从而简化了红外成像系统中的红外探测信号处理系统结构,降低了其功耗和成本,为红外成像系统一体化设计的实现奠定技术基础。芯片采用40 nm CMOS工艺实现,尺寸为4000μm×6800μm。测试结果表明,经过该芯片处理后,图像非均匀性和盲元率可分别降低到0.14%和0.19%,红外图像处理效果满足预期要求。

关键词： 改进YOLO11算法   混凝土抗渗性能   渗漏水识别   深度学习   计算机视觉  

摘要： 混凝土抗渗性能是评价其耐久性的重要指标,而渗漏水识别则是混凝土抗渗性能检测的关键环节。传统渗漏水识别方法主要依赖人工肉眼观察,存在主观性强、效率低、准确性受限等问题。文章提出了一种基于改进YOLO11深度学习算法的混凝土抗渗性能检测方法,用于试件渗漏水识别。与传统人工方法相比,该方法能够实时观察抗渗试验过程中的渗漏水情况,显著提升检测效率与可靠性,同时为混凝土抗渗性能的自动化、智能化检测提供了有效的技术支持。