关键词： 机器视觉   卷烟制丝工艺   图像处理   深度学习   工艺监测  

摘要： 随着卷烟行业对“均质化生产,精细化加工”要求的提出,针对制丝工艺中异物剔除精度的下降、人工质量检测的主观性以及过程工艺指标监测控制的滞后性等问题,大量基于机器视觉技术的应用与研究被提出,进一步提高制丝生产过程的自动化、智能化水平。为深入了解机器视觉技术在制丝工艺中的应用研究情况,分析整理了近年来国内外的相关文献。从机器视觉在制丝工艺中的监测和检测两方面展开,并对图像处理、传统机器视觉和深度学习的研究现状进行分析,提出当前机器视觉在制丝工艺中存在的问题,展望其在制丝工艺中的发展趋势,旨在为机器视觉在制丝工艺中的应用研究提供参考和思路。

关键词： 图神经网络   局部熵   双波段红外图像   目标检测方法  

摘要： 双波段红外图像在目标检测时,若不能有效地将不同波段图像融合,会降低后续目标检测效果,为此提出融合图神经网络与局部熵的双波段红外图像目标检测方法。构建双波段红外图像的目标检测模型,模型建立时,利用单尺度的Retinex方法做图像融合前的增强处理,并通过增强结果对不同波段图像实施滤波处理,实现图像有效融合。再使用加权局部熵方法对融合图像展开处理,获取双波段红外融合图像的目标显著图像。利用卷积网络和图神经网络,通过目标显著图像学习训练提取目标特征,开展特征匹配,实现双波段红外图像目标的精准检测。实验结果表明:该方法在融合双波段红外图像时,保留信息量最大差值仅为5个,融合双波段红外图像能力较强;可有效利用局部熵抑制双波段红外图像内的干扰因素,同时检测双波段红外图像内目标数量为13个,与实际目标吻合,检测双波段红外图像目标精度较高,应用效果较为显著。

关键词： 计算机视觉   神经网络   道路缺陷检测  

摘要： 阐述通过对比分析传统机器学习、神经网络以及深度学习的病害图像识别技术路径,并结合某路段PCI评估显示的严重病害问题,提出融合半监督学习与显著性检测的裂纹检测方法。实验结果表明,与SegNet、DeepCrack等全监督模型相比,该方法检测准确高,可为智慧道路养护提供技术支持。

关键词： 掘进机   位姿测量   高精度定位   图像处理  

摘要： 为了提高掘进机在井下低能见度、狭小空间中的定位准确性,提出了一种基于可视化的掘进机井下高精度定位技术,建立了掘进机位姿测量系统,对靶标特征提取、图像分割技术等进行了研究,最后通过建立掘进机高精度定位模拟实验平台对该系统的实际定位精度进行了研究。结果表明,在50 m的测量范围内,该系统的轴向定位精度在100 mm以内,其角度定位精度在0.6°以内,满足井下掘进机自主定位精度要求。

关键词： 伪装目标检测   上下文信息   交叉细化   边缘感知  

摘要： 基于边缘感知的模型是伪装目标检测的主流方法之一,其核心是在早期阶段输出边缘预测,能更好地定位和分割伪装目标。而在伪装目标数据集中,由于伪装目标与背景环境有很高的视觉相似性,对早期的边缘预测质量要求很高,错误的前景预测会导致分割不完整,甚至缺失目标,进而造成伪装目标分割效果不佳。为了解决这一问题,提出了一种边缘-分割交叉引导网络ECGNet。利用ConvNeXt模型作为骨干网络,通过1×1卷积对特征通道进行统一处理,在多尺度上提取全局上下文信息。设计了一个分割诱导边缘融合模块和一个边缘感知引导完整性聚合模块交叉融合,关注伪装目标的整体结构,不断细化分割特征和边缘特征。通过引导残差通道注意模块利用这些连接和卷积更好地提取低层特征中的结构细节。在CAMO、COD10K以及NC4K数据集上的实验结果表明,ECGNet性能优于其他22个具有代表性的模型,比HitNet在S_(α)、E_(ϕ)、F^(ω)_(β)和M方面的性能平均提升了0.019、0.019、0.018和0.009。

关键词： 图像处理   烟支缺陷检测   深度学习   注意力机制   NWD损失函数  

摘要： 针对烟支生产过程中微小微弱缺陷(如刺破、黄斑、油渍、隐形夹沫等)检测难度大、对易混淆缺陷的区分能力不足的问题,提出一种改进的缺陷检测网络TCN-Net。融合三重注意力机制,在通道、高度和宽度3个维度进行特征增强,提高微小目标的检测能力,使刺破等缺陷的mAP@0.5提升2.4个百分点;设计一种特征聚焦扩散结构,优化高层语义与低层空间特征的融合,有效提高易混淆缺陷(如油渍、黄斑等)的区分能力,使其mAP@0.5分别提升2.8,1.9个百分点;采用归一化Wasserstein距离损失函数优化目标定位,提升小目标检测精度。试验结果表明,相较于基线模型YOLOv8,TCNNet的mAP@0.5提高5.4个百分点,综合性能优于SSD,YOLOv5和YOLOv7等主流检测算法。研究为烟草工业的缺陷检测提供更精准的解决方案。

关键词： 混凝土结构   损伤检测   YOLO v5算法   注意力机制   目标检测  

摘要： 针对混凝土结构损伤人工检测方法主观性强、效率低的问题,提出了一种基于改进YOLO v5算法的混凝土结构损伤检测方法.首先,将YOLO v5的耦合头更换为解耦头,可有效避免目标损伤信息和背景信息相互干扰的问题,提高模型的特征表达能力;其次,在YOLO v5中加入了包含通道注意力模块和空间注意力模块的CA注意力机制,使模型忽略掉一些无关信息,可以更好关注到目标损伤的特征信息.通过建立的4101张包含实际工程中混凝土结构裂缝、剥落和露筋三种类型损伤的数据集对模型性能进行对比验证.试验结果表明:相较于YOLO v5模型,改进后的模型在混凝土裂缝、剥落和露筋的检测平均精度值分别提升了2.6%、1.3%和0.5%,mAP值提高了1.4%,且mAP值和FPS值均优于Faster R-CNN和YOLO v3目标检测算法,可较好满足实际工程中混凝土结构损伤检测任务的需求.

关键词： 铁路隧道   目标检测   模型试验   超前支护小导管   可变形卷积   门控特征融合   模型轻量化  

摘要： 针对因隧道内部环境复杂和小导管形态变化导致的超前支护小导管难以自动识别的问题,本文提出一种联合可变形卷积与门控特征融合机制的超前支护小导管影像实时检测Transformer模型。该模型通过可变形卷积灵活地进行特征图采样,提升模型对于小导道形态变化的适应能力,建立多尺度门控特征融合机制,自适应筛选并融合各个尺度的特征,过滤冗余信息。此外,在主干特征提取网络中引入部分卷积(Partial Convolution,PConv),在保持识别精度的同时降低模型计算量,提升了检测速度。试验结果表明,本文模型在保持推理速度的情况下,平均精度和每张影像最多考虑10个检测结果时的平均召回率指标较基线模型分别提升1.3%和0.9%,证明了模型改进的有效性。

关键词： 遥感图像   目标检测   注意力机制   全局特征融合   锚框优化  

摘要： 针对遥感图像目标检测中复杂背景干扰、多尺度目标检测以及检测精度差的问题,提出一种基于改进YOLOv8的遥感图像目标检测算法CGF-YOLOv8。首先,将CPAM双重注意力模块嵌入特征提取网络之后,使模型提取的特征更充分,在处理复杂背景时更好地区分目标与非目标区域。其次,GFPN通过跨尺度特征融合的方式,将不同分辨率的特征信息有效地结合起来,使模型在处理多尺度目标时达到更高的检测准确性。最后,利用FIoU的锚框优化策略,通过赋予每个特征点不同的权重,在提升预测框与真实框匹配精度的同时,显著提高定位精度。在RSOD数据集上的测试结果表明,此方法的平均精度达到了98.6%,帧率FPS为每秒112帧。与原YOLOv8算法比,mAP提升了6.8%,帧率提升了12帧,达到了实时检测的效果。

关键词： 目标检测   深度学习   YOLOv5n   位姿估计   SLAM  

摘要： 针对传统的视觉SLAM在运行环境中易受运动物体影响而导致位姿估计精度低的问题,提出一种基于目标检测的动态视觉SLAM算法。选择YOLOv5n作为动态物体检测的主干网络,利用Ghost模块和无参数的SimAM注意力机制对模型进行轻量化改进。使用改进的模型作为目标检测算法,把检测到的物体分类,剔除动态特征点,使用静态特征点进行匹配和位姿估计。使用TUM数据集验证,结果表明轻量化YOLOv5n模型权重减少了15.7%,计算量降低到了3.6GFLOPs,实现了轻量化满足在一些小型设备上运行的条件;提出的算法与ORB-SLAM3相比,在动态Walk序列实验中,绝对轨道误差的均方根误差和相对位姿估计的均方根误差分别平均减少94.8%和94.9%。结果证明,在动态场景下该算法能显著提高系统定位的精度。