关键词： 计算机视觉   智能汽车   环境感知  

摘要： 智能汽车的环境感知能力是实现高级驾驶辅助及自动驾驶的核心技术基础,而计算机视觉通过模拟人类视觉系统的信息处理机制,已成为解析复杂交通场景的主要技术路线。由于现实道路环境存在光照变化、动态目标扰动、复杂几何结构等多维干扰因素,视觉系统需在有限算力下兼顾精度与实时性,这对算法架构和硬件部署提出了双重挑战。因此,文章就计算机视觉在智能汽车环境感知领域的应用及其发展方向进行探讨,以期为构建普适性强、容错度高的异构感知体系提供参考。

关键词： 无人机   智能摄影   图像识别   目标跟踪   深度学习  

摘要： 随着无人机技术的飞速发展,智能摄影已成为一个备受关注的研究领域。本文探讨了无人机智能摄影中图像识别与目标跟踪技术的应用与创新。分析了深度学习算法、多尺度特征融合技术以及轻量化图像识别模型在无人机图像识别中的应用优势。阐述了多目标实时跟踪算法、预测性跟踪技术以及基于视觉-惯性融合的鲁棒目标跟踪方法在无人机智能摄影中的创新应用。探讨了图像识别与目标跟踪的协同优化、多模态数据融合以及基于大模型的无人机智能摄影创新。旨在为推动无人机智能摄影技术的进一步发展提供新的思路和见解。

关键词： 自动化产线   普洱茶饼   机器视觉   图像处理   缺陷检测   可编程控制器  

摘要： 随着自动化生产线的普及,茶饼的压制过程对产品质量的影响变得尤为重要。然而自动化生产线生产的普洱小茶饼在质量把控上往往不及人工制作的茶饼,因此针对自动化生产线生产后的茶饼外观质量检测成为亟待解决的问题。为此,提出一种基于机器视觉的普洱茶饼自动化质量检测算法。该算法综合应用大津法(otsumatlab,Otsu)阈值分割、Canny边缘检测等多种图像处理技术,并引入多种算法优化策略,以提升检测的精度和效率。该算法能够自动完成茶饼外观质量的检测与评估,并将结果实时与可编程控制器(programmable logic controller,PLC)进行数据传输。试验结果表明,该算法能准确识别茶饼的外观缺陷,平均计算准确率达95.75%,显示出较高的鲁棒性和可靠性,适用于自动化生产线中的质量控制,具备广泛的应用前景,尤其是在茶叶生产行业的智能化改造中,具有重要的参考价值。

关键词： X光检测技术   组合电器   非破坏性检测   图像处理   故障预警  

摘要： X光检测技术作为一种非破坏性的检测手段,被广泛地应用在对组合电器内部结构进行分析和测试。这项技术是用X射线透过物体形成影像来确定内部结构及潜在缺陷的。综述X光检测技术原理,局限性,并分析组合电器基本构造,绝缘拉杆功能和结构特点及触头分合状态等因素对设备性能影响。对组合电器X光检测进行了详细描述,主要包括前期准备,检测流程,图像处理及分析方法等。

关键词： 机器人   目标检测   YOLOv11   粒子滤波   全局定位  

摘要： 针对类人足球机器人在图像模糊、小目标检测与资源受限条件下的交叉点检测与全局定位问题,提出了一种融合深度学习与粒子滤波的定位方法。在YOLOv11中引入空间与通道协同注意力(spatial and channel synergetic attention,SCSA)和多尺度卷积模块(multi-scale convolutional block,MSCB),提升场地线交叉点检测精度与鲁棒性。结合机器人坐标系下的交叉点定位模型构建观测输入,并在粒子滤波算法中引入观测置信约束、自适应采样与遗传优化重采样策略,提升粒子多样性与状态估计精度。实验结果表明,改进YOLOv11模型的mAP50达97.3%,计算量降至19.8 GFLOPs;实机定位误差最大为45.9 mm,算法在不同区域均保持稳定性能,整体精度满足机器人世界杯(robot world cup,RoboCup)类人组比赛对全局定位的需求。

关键词： 仔猪计数   目标检测   YOLO v8n   轻量化   重度遮挡  

摘要： 哺乳期仔猪因体型小、生性好动、易被遮挡且聚集重叠,人工盘点效率低且易出错。现有方法在复杂猪场环境和频繁遮挡下难以平衡检测准确率与资源受限部署需求,增加了漏检和误检风险。为此,本文提出了一种基于YOLO v8n的轻量化仔猪检测模型GSD-YOLO。模型通过引入柔性非极大值抑制边界框交并操作和Inner-MPDIoU损失函数,优化边界框回归以降低误检和漏检率;并嵌入坐标注意力机制(Coordinate attention for efficient mobile network design,CA),增强了目标区域的特征表达能力,有效解决长程依赖问题。为实现嵌入式设备的高效部署,模型引入GhostNet模块优化特征提取和融合,减少通道间特征冗余的同时降低模型参数量。模型重构了一种轻量化的检测头Detect_DG,在模型体积缩减18.48%的同时,进一步提升了检测精度。与YOLO v8n相比,GSD-YOLO的F1分数和平均精度分别提升1.0、0.6个百分点,参数量降低61.28%,帧率提高12.5%。GSD-YOLO在综合检测性能上优于YOLO v11等4种主流模型。结果表明,该模型在不同遮挡、重叠和光照下检测仔猪目标的准确率更优,且模型内存占有量较小,仅有2.6 MB。将GSD-YOLO部署到边缘计算设备Jetson Orin NX和安卓(Android)移动端,为实际应用中的仔猪检测提供了有效的技术支撑。

关键词： 铁路   货运场站   多源融合定位   目标检测   冲突防护逻辑  

摘要： 智能化安全冲突防护方法对于确保铁路货运场站作业安全具有至关重要的作用。基于对铁路货运场站安全管理面临的问题及原因分析,提出安全冲突防护需求和解决思路。构建包括数据采集、信息传输和安全报警单元的物理架构,提出4种位置数据采集方案,设计多源融合定位、视频定位算法流程,分别给出人员与设备之间冲突、设备之间冲突和范围冲突的安全冲突防护逻辑。提出的铁路货运场站安全冲突防护方法可在一定程度上防护人员与设备之间冲突、设备之间冲突和范围冲突,能够促进铁路货运场站安全管理水平提升。

关键词： 浅剖图像   目标检测   管线目标   模型构建   分块检测策略  

摘要： 传统的人工判读方法在大区域浅剖管道图像检测中效率低、易受人为因素影响,限制了海底掩埋物检测技术的自动化、智能化发展。针对此问题,提出了一种基于YOLOv8的大区域浅剖图像管线快速检测方法,通过构建海底管线智能检测模型,并采用分块检测策略,提高了检测效率与精度。实验结果表明,该方法在准确率、查全率、平均精度等指标上表现出色,其中平均精度达到了0.81。这一成果提高了海底管线检测的自动化水平,为海底掩埋物的智能检测提供了有效技术支撑。

关键词： 垃圾分类   深度学习   Jetson Nano   目标检测   图像处理   机械臂  

摘要： 为应对日益严峻的环境挑战及促进资源高效利用,研究设计并实现了基于深度学习和物联网技术的智能化垃圾分类系统。该系统以Jetson Nano作为核心处理单元,通过机械臂和摄像头实现垃圾的自动分类。首先,利用OpenCV控制摄像头采集垃圾图像并处理;其次,采用深度学习模型进行训练;然后,调用训练好的模型对图像进行目标检测和分类;最后,根据分类结果控制机械臂投放垃圾到对应回收箱。测试数据和结果表明,该系统能够对不同种类的垃圾进行快速准确地分类,有效减轻人工分拣的压力,避免资源浪费,具有良好的应用前景。

关键词： 道路工程   数字图像处理   沥青路面均匀性   评价方法   图像分割  

摘要： 沥青路面均匀性是影响其路用性能和使用寿命的重要因素。为快速、准确和高效地评价沥青路面的均匀性,阐述了数字图像处理技术原理、系统组成以及图像采集的影响因素;分析了国内外基于数字图像处理技术的沥青路面均匀性评价方法;展望了未来的发展方向,包括图像处理算法优化、数据处理效率提升和深度学习技术的更广泛应用。研究结果表明:数字图像处理过程重点在于图像增强和图像分割,其精确性和适用范围需进一步提高;数字图像的采集受采集高度、光照强度、拍摄角度等因素的影响;已有的路面均匀性评价指标主要从集料分布状态和路面纹理构造2个角度建立对应的评价方法,但尚未形成统一标准。综合运用数字图像处理技术,可为沥青路面均匀性评价提供新的视角和解决方案,为道路工程质量的实时监控与施工指导提供有力支持。