关键词： 目标检测   YOLOv11   手眼标定   机器人上料  

摘要： 【目的】解决多品种、小批量生产时停产换线的问题。【方法】创新了一种基于深度学习的物料识别与机器人上料技术。首先,对相机、机器人、PLC等硬件进行选型和接线,完成试验平台的搭建;其次,比较目标检测的深度学习算法,选择YOLOv11算法对图像进行训练、验证、识别;再次,对相机进行标定,对手眼进行标定,计算得出图像与机器人末端之间的转换关系;最后,根据图像识别结果,计算机器人末端应偏移的变量,实现机器人自主上料。【结果】该试验平台识别准确率达99.5%,准确抓取率达99.0%,能够对不同种类工件进行上料,解决停产换线问题。【结论】未来的研究可考虑工件的高度变化,利用深度摄像头获取工件的深度信息,结合Z轴的偏移变量以实现不同高度品类工件的自动上料。

关键词： 平面设计   格式兼容   图像处理  

摘要： 在数字媒体迅速发展的背景下,平面设计师常常面临处理和管理多种图像格式的挑战。文章通过探讨现有的多格式兼容图像处理技术,分析其在提升设计效率和维持作品质量方面的作用,基于对智能格式识别、自动化转换流程以及云计算支持等技术的研究与分析,揭示了这些技术在优化图像处理流程中的优势。结论表明,深入应用这些技术可为平面设计行业提供更加高效和灵活的工具支持,有助于推动设计工作的智能化发展。

关键词： 目标检测   主动视觉   参数调整   视点规划   智能感知  

摘要： 目标检测是计算机视觉领域的基础研究方向之一。由于图像采集时物体摆放密集、光照条件差等因素导致图像失去细节,当使用此类图像作为输入时,常规的目标检测算法对目标物的检测结果无法满足任务需求。为了解决这类问题,面向目标检测的视点规划这一智能感知方法应运而生,其可自主分析当前条件下影响检测任务的因素,调整相机的位姿参数规避影响,实现目标物准确检测。面向目标检测的视点规划方法不仅可以辅助计算机视觉的其他领域,也会为未来的智能化生活提供便利。为了反映其研究现状和最新进展,本文梳理了2007年以来的文献,对国内外的研究方法做出概括性总结。首先,以算法应用的场景维度和调整参数作为分类依据,将面向目标检测的视点规划方法分为二维像素调整的规划方法、三维空间移动的规划方法以及两者结合的规划方法3类,本文重点对前两类方法进行分析与总结。其次,解析每类方法的基本思想,并指出各类方法需解决的关键问题,然后对解决问题的主要研究方法进行归纳和分析,并总结各自的优点和局限性。除此之外,本文也对各类场景下可使用的数据集和评价指标进行简要介绍。最后,在目前方法的分析基础上,探讨面向目标检测的视点规划领域所面临的挑战,并对未来研究方法进行展望。

关键词： 废钢   分类   深度学习   目标检测   YOLOv5  

摘要： 废钢是钢铁行业可循环利用的绿色资源,对行业可持续发展至关重要。废钢的品级和结构关系到钢生产成本及质量,入炉前的分类与定级是当前钢铁行业的重点研究内容之一。针对传统人工判定方法公正与安全等方面的局限性,基于目标检测技术开发了废钢验质模型CSIL-Net。首先,建立了多相机联动的废钢图像采集系统,收集并标注各种料型废钢图片,经图像增强构建废钢数据集。然后,在YOLOv5模型基础上,增加小目标检测层P2优化判定场景中小目标废钢检测的效果,并删除检测层P5以简化模型,设计了新型3层检测层网络IL(Improved Layer);引入双向特征金字塔网络(BiFPN)增强模型跨尺度特征融合与信息传递能力,采用Soft-NMS(Soft Non-Maximum Suppression)改善废钢密集重叠情况下的漏检问题。最后,使用增强后的废钢数据集对模型进行训练与验证,并评估网络层数、复杂度和推理时间等模型指标。试验结果显示,CSIL-Net废钢验质网络模型的所有类别平均精度由88.8%提升到了96.3%,单张图片的推理速度仅为21.8 ms,在准确率以及检测速度方面相较于人工判定方法都具有明显的优势,可有效应用于实际场景,解决废钢判定中的实时性和公正性等难题。

关键词： 印刷电路板   计算机视觉   轻量化   小目标检测  

摘要： YOLO算法模型在轻量化与保证检测精度之间存在矛盾。针对印刷电路板小目标缺陷检测任务,提出一种基于改进YOLOv8s的轻量级目标检测算法。首先,删除主干网络中最后的卷积层与C2f层,然后引入轻量级跨尺度特征融合模块CFFM,在实现模型轻量化的同时提升小目标检测精度。其次,引入分布移位卷积DSConv,将C2f与DSConv结合生成C2f_DSConv模块,再与轻量级注意力机制CBAM集成,设计出C2f_DSConv_CBAM模块,分别替换骨干网络部分与颈部网络部分的C2f,进一步减少模型参数量,增强模型特征提取能力。最后将辅助边界框损失函数Inner-IoU、边界框聚焦损失函数Focal IoU Loss、原边界框损失函数CIoU三者结合生成Focal Inner-CIoU,引入大小可控的辅助边界框用以计算定位损失,提高较高的IoU边界框所占比重,最终实现检测精度提升。实验表明,改进模型较YOLOv8s原模型参数量降低81.5%,计算量降低21.3%,模型大小降低72.3%,平均精度均值(mAP)提升3.0%。有效降低了算法的计算成本,便于实际应用部署。

关键词： 人工智能   目标检测   道路病害   巡检系统   图像处理  

摘要： 文章简要阐述了路面病害车载巡检仪的研究背景,探讨了现有巡检和养护方式存在的问题,从硬件设计和软件设计2个方面设计了基于视频识别的路面病害车载巡检仪。该巡检仪能够有效节约成本,充分利用车辆资源,为后续的路政养护提供了新的借鉴和思路。

关键词： 四旋翼无人机   神经网络   目标跟踪   环绕控制   动态反馈   导航向量场  

摘要： 针对参数不确定性和外部环境干扰影响下的四旋翼无人机目标跟踪问题,提出一种基于神经网络的四旋翼无人机目标环绕跟踪控制方法,并设计了具有三级闭环控制结构的四旋翼无人机目标环绕跟踪抗干扰控制器。根据四旋翼无人机的运动/动力学模型和跟踪目标对应的坐标建立无人机目标跟踪基本模型。结合导航向量场原理并引入四旋翼无人机位置信息反馈回路,构建基于导航向量场的动态反馈控制器。同时,为了消除四旋翼无人机位置环和姿态环受到的集总扰动影响,引入基于最小参数学习的自适应神经网络干扰观测器进行在线估计与补偿,以构建基于神经网络干扰观测器的轨迹和姿态跟踪控制器。通过仿真验证了该控制方法的有效性,仿真结果表明该控制方法能有效地实现四旋翼无人机对目标的环绕跟踪,而且具有较强的抗干扰性和鲁棒性。

关键词： 番茄   成熟度   多模态   目标检测   语义分割  

摘要： 准确识别番茄成熟度并确定最佳收获时间是实现番茄高效采摘并保障采后品质的重要前提。然而,在实际采摘作业场景中,复杂光照导致RGB图像质量下降,限制模型特征提取能力,影响应用效果。此外,现有的番茄串检测和分割数据集难以在番茄异步成熟的生长过程中满足成熟度定向采摘需求。构建基于可见光、深度、近红外的不同成熟度番茄果实多模态图像数据集,能够有效弥补当前研究领域的空白。本数据集采用机械车平台采集和人工辅助采集两种采集方式拍摄视频流数据,通过抽帧降冗、模态对齐、人工筛选等步骤获得4000组多模态图像数据样本,涵盖自然光、人工光、微弱光、钠黄光4种光照条件下的番茄样本图像,包含未熟、半熟、成熟三类成熟度的目标检测和语义分割标注,共计10.08GB。本数据集在YOLOX和Deeplabv3+模型上表现良好,可为番茄智能管理与采收设备的视觉智能系统研发提供基础数据支撑。

关键词： 计算机视觉   视觉Transformer   目标焦点注意   动态模板更新  

摘要： 针对现有的视觉目标跟踪方法只使用第一帧的目标区域作为模板,导致在快速变化和复杂背景中很容易失效的问题,本文提出了一种基于Transformer的目标跟踪算法,它关注模板中的目标焦点信息,并动态更新模板特征。为了减小背景信息对注意力的干扰,本算法使用稀疏Transformer模块实现特征信息的交互;还提出了模板焦点注意模块,用于对动态模板特征和初始模板特征进行目标焦点的关注,以保留初始模板中高度可靠的特征信息。实验结果表明:本文算法在OTB100基准测试中成功率和准确率分别达到70.9%和91.6%,相较于同类模板更新算法STARK成功率和精确率分别提升4.11%和3.27%。该算法有效解决了现有视觉对象跟踪方法的局限性问题,提高了跟踪的准确性和鲁棒性。

关键词： 图像处理   船舶格子间   深度学习   U-Net模型   焊缝视觉跟踪  

摘要： [目的]为解决船舶格子间焊缝识别和追踪存在的特征丢失、误检或漏检等问题,提升焊缝检测效率和准确性,开发专门针对船舶格子间表面的焊缝图像数据集,[方法]提出一种基于深度学习算法的智能焊缝辨识方法。通过一种并行下采样替换最上层下采样的方法对图像进行预处理,以降低其分辨率并剔除多余的信息,进而提升信息的表达效率;在网络的跳跃连接环节引入一种基于坐标的注意力模块,以此增强网络特征的提取能力,进一步提升分割的准确性。在收集的焊缝图像集上对改进的U-Net模型的有效性进行测试。[结果]结果显示,与原模型相比,改进的U-Net模型在图像语义分割任务中的m IoU和Acc分别增长1.92%和0.3%。[结论]改进的U-Net模型在船舶格子间焊缝检测任务中表现出更高的分割精度和效率,有效解决了特征丢失、误检或漏检等问题,为船舶焊缝检测提供了更可靠的解决方案。