关键词： 机械臂抓取   深度学习   目标检测   位姿估计  

摘要： 针对机械臂在传送带上运动物体检测准确率低和实时性差的问题,提出了一种融合V5CA与几何特征的目标检测及位姿估计方法。首先,将坐标注意力机制模块嵌入YOLOv5得到V5CA网络模型,提高了机械臂对目标物的检测精度;设计了一种基于几何特征的位姿估计算法,解决了机械臂在位姿估计方面实时性差的问题。在仿真和真实环境中进行实验,结果显示:基于V5CA与几何特征融合算法,目标检测的平均识别率相比于原模型提升了1.4%,位姿估计效率较传统图像处理方法提升了一个数量级,在仿真和真实环境中对运动目标物的抓取成功率分别达到了95.3%和91.8%,对所有目标物的平均检测时间分别达到了26.05 ms和29.52 ms,提升了机械臂对传送带上运动物体检测的准确率和抓取的实时性。

关键词： 杂草识别   机器视觉技术   图像处理   图像识别   人工智能算法  

摘要： 农田杂草是影响作物生长和制约农产品优质高产的重要因素之一,准确识别农田杂草是有效防除杂草的关键。随着计算机技术的迅速发展,机器视觉技术正逐步被应用于农田杂草识别领域,该应用显著提升了除草效率。为进一步推动机器视觉技术在农田杂草识别领域的应用,现对图像识别技术和图像处理技术在农田杂草识别领域的应用现状进行总结,并针对机器视觉技术在杂草识别领域应用中存在的主要问题进行分析,在此基础上,在提高硬件运行效率、开发通用应用软件、优化人工智能算法等方面,提出了相关对策与建议。

关键词： 计算机视觉   沥青路面   质量检测   病害识别  

摘要： 文章探讨了基于计算机视觉的沥青路面质量检测方法,旨在提高检测效率与准确性。通过图像采集、预处理、特征提取与分类识别等步骤,实现对沥青路面裂缝、坑洞等病害的自动识别与评估。实验结果表明,该方法具有非破坏性、高效性、自动化等优势,为道路维护和管理提供了科学依据。

关键词： 深度学习   点云   语义分割   语义标签   计算机视觉  

摘要： 点云语义分割将点云中每个点赋予语义标签,实现对场景中不同物体的分割,是场景理解的基础。近年来,随着深度学习技术的发展,将深度学习与点云语义分割方法相结合,提升了点云语义分割的处理效率和分割精度,展现出卓越的性能,被广泛应用于交通、医学、建筑设计、虚拟现实等众多领域。在回顾点云语义分割发展历程的基础上,对已有研究进行分类综述,然后分析相关数据集和评价指标,对比已有方法的性能。最后,总结现有研究的不足,并展望未来发展方向。

关键词： 深度学习   YOLOv5算法   目标检测   模型训练   图像处理   系统测试  

摘要： 非机动车驾乘人员正确佩戴头盔可以减轻交通意外中的人身伤害,为了检测非机动车驾乘人员头盔状态,基于YOLOv5设计了一款非机动车驾乘人员头盔检测系统。首先通过网络爬虫下载交通监控图像建立数据集,标注图像中的非机动车驾乘人员头盔佩戴状态,分为正确佩戴和未佩戴两种;接着将数据集划分为训练集、验证集和测试集;设置算法的超参数,训练头盔检测模型,开发非机动车驾乘人员头盔检测系统。系统分为用户管理、图像采集、头盔检测、结果分析与显示4个模块,分别实现用户身份验证,交通视频图像获取,利用训练好的模型检测头盔状态,显示头盔检测结果等功能。实验表明,该系统能有效检测非机动车驾乘人员的头盔状态,为道路交通安全提供支持。

关键词： 计算机视觉   烟支外观质量   YOLOv5s   缺陷检测   工业自动化  

摘要： 该文提出一种基于计算机视觉的烟支外观质量缺陷数字化检测方法,目的在于实现高效的工业缺陷检测与数字化管理。通过工业相机采集3451张烟支外观图像,结合YOLOv5s目标检测模型,对12种缺陷类型及正常类别进行检测。实验结果显示,模型在0.5 IoU阈值下的平均精度(mAP)达到0.85,在0.5至0.95 IoU范围内的mAP为0.65,模型精度和召回率分别稳定在0.9和0.85左右。缺陷检测的置信度普遍高于0.8,部分缺陷如烟棒爆口异常和滤嘴接装纸异常的置信度达0.97以上。此外,检测结果的数字特征如缺陷类别和位置坐标被提取并存入数据库,完成缺陷信息的数字化管理。实验结果验证该方法在工业场景中的鲁棒性和适用性,为卷烟工业的质量控制和智能化管理提供有力支持。

关键词： YOLOv5s   红外图像   多尺度融合   小目标检测  

摘要： 为提高输电线路红外图像检测的可靠性和准确性,从实用化以及多目标检测角度出发,提出了一种基于改进YOLOv5s的输电线路检测及故障识别方法YOLOv5s-ECW.首先在Backbone部分增加跨空间学习的高效多尺度注意力机制,增强模型提取特征和多尺度融合的能力,减少了计算开销;其次在Neck部分引入上下文增强模块,减少信息冲突,提高了小目标与远距离目标的检测精度;最后将损失函数替换为Wise-IoU,使模型聚焦于普通质量的锚框,提升了检测效果.实验与测试结果表明,本文提出的方法YOLOv5s-ECW与原YOLOv5s相比,平均精度、精确率、召回率分别提升了3.9%、4.0%、4.5%,并且针对5种电力设备以及可能故障点的检测能力得到不同程度的增强,方法更加实用化.

关键词： 视频编码   目标检测   率失真优化   人眼视觉质量   量化  

摘要： 为了降低视频编码失真对目标检测性能的影响,提出了一种面向目标检测和人眼视觉的视频编码优化方法。首先,调整I帧的量化参数,提升率-编码失真性能;其次,将目标检测算法引入到视频编码器中提取编码帧中的目标区域信息;接着,采用深度网络模型提取当前编码单元的特征,并采用余弦距离计算特征失真;然后,通过改进的VGG网络模型预测编码单元的量化参数;最后,将特征失真引入到率失真优化问题中,通过计算码率-编码失真-特征失真代价函数选择编码单元的最优编码参数。实验结果表明,与最新视频编码标准参考软件VTM-23.0相比,对于目标检测性能,所提算法平均可取得10.5%的BD-rate节省;对于人眼视觉,所提算法平均可取得2.2%的BD-rate节省。

关键词： 目标检测   YOLOv8   注意力模块   遥感图像  

摘要： 尽管目标检测技术已日趋成熟,但针对遥感图像的目标检测仍面临诸多挑战,主要源于遥感图像中目标特征不明显、背景复杂、小目标占比高以及目标类别不均衡等问题导致检测精度不足.本文提出了一种遥感图像目标检测算法(remote sensing-YOLOv8,RS-YOLOv8),重点优化了瓶颈层模块,通过提出多尺度特征自注意融合结构,提升了对小尺度目标和多层级特征的敏感度与筛选能力,降低了漏检率.设计EMASlideLoss优化损失函数,增强了对复杂样本的处理能力,并引入DySample动态上采样策略提升上采样质量,并在一定程度上改善了因新增模块导致的模型参数量增加.在SIMD数据集上的实验表明,RS-YOLOv8显著改善了小目标的漏检情况,mAP达到83.7%,较YOLOv8提升3.7%,展现出优异的检测性能和广泛的应用前景.

关键词： 计算机视觉   深度学习   自然语言处理   社会治理  

摘要： 人工智能(Artificial Intelligence,即AI)时代的形成是一个动态演进过程。它以技术突破和应用发展为起点,逐步推动技术、经济与社会的共振发展。深度学习、自然语言处理、计算机视觉等技术的出现,标志着人工智能逐步具备了更强的学习、推理和解决复杂问题的能力,并从早期的专用智能(如图像识别、语音处理等)向通用人工智能(AGI)迈进。伴随这种变化,AI技术走出实验室,迅速且深度融入医疗、金融、制造、交通、教育等多个产业领域,让数据成为关键性生产要素,让算法成为生产力变革的重要驱动力。