关键词： 图像处理   目标检测   语义地图   激光雷达   区域分割  

摘要： 本文提出了一种基于激光雷达和深度相机数据的区域划分方法,通过平均距离检测、宽度判断和平滑性分析实现区域入口的高效识别;结合目标检测技术和深度信息,精确计算物体的三维空间位置,并通过物体类别统计划分功能性区域.本方法融合了几何信息与语义信息,不仅提升了区域入口检测的精度与效率,还在动态场景中实现了物体位置的判断和功能性区域划分.实验结果表明,本方法在区域入口检测、物体识别及区域划分的精度和实时性方面均优于传统方法,能够生成高效的语义分割区域地图.

关键词： 目标检测   YOLOv7   混凝土工厂   障碍物识别   注意力机制  

摘要： 随着人工智能技术的快速发展,目标检测算法在工业领域中的应用越来越广泛。混凝土工厂环境复杂,障碍物种类多样,对障碍物的准确识别对于保障生产安全至关重要。提出一种基于改进YOLOv7的混凝土工厂障碍物识别算法,通过引入SPD-Conv模块与GAM-Attention,在不降低模型检测性能的前提下,优化算法对混凝土障碍物的识别精度。试验结果表明,与原始YOLOv7模型相比,在6个不同障碍物类别上准确率、召回率、综合性的评估指标F1和评估模型性能的核心指标mAP@0.5分别提升了1.0%~10.4%、2.8%~11.3%、0.5%~10.5%、3.5%~8.3%,表明该算法具有更高的识别精度。Improved-YOLOv7的mAP@0.5和mAP@0.5:0.95分别为0.908和0.710,参数量为36.91 MB,Flops为135.2 G,ADT为24.9 ms,相较于Ca s ca de R-CNN、Fa s te r R-CNN、Re tina Ne t、S S D、YOLOX模型,Improved-YOLOv7模型具有更高的识别精度和性能,对于算力需求最小,能够有效识别混凝土工厂中的各类障碍物,为实际生产提供有力支持。

关键词： 电力载波   PLC   地址编码   图像处理   DMX   归零码   LED  

摘要： 本文主要阐述了电力载波通信(Power Line Communication,PLC)在LED灯具中的应用原理,并详细介绍了一种新的编码方式,实现高效的LED灯具重新排序,让杂乱的LED实现有序的组合,实现不规则布局下的灯光控制。

关键词： 目标检测   低照度图像   四头自适应多维特征融合策略   无人机   YOLOv8  

摘要： 针对昏暗场景中背景复杂导致目标边缘模糊、小目标易被遮挡和误检漏检的问题,提出一种改进的YOLOv8s算法—YOLOv8-GAIS。采用四头自适应多维特征融合(four-head adaptive multi-dimensional feature fusion,FAMFF)策略,过滤空间中的冲突信息。添加小目标检测头,解决航拍视角下目标尺度变化大问题。引入空间增强注意力机制(spatially enhanced attention mechanism,SEAM),增强网络对昏暗和遮挡部分的捕捉能力。采用更关注核心部分的InnerSIoU损失函数,提升被遮挡目标的检测性能。采集实地场景扩充VisDrone2021数据集,应用Gamma和SAHI(slicing aided hyper inference)算法进行预处理,平衡低照度场景中不同目标种类的数量,优化模型的泛化能力和检测精度。通过对比实验,改进模型相对于初始模型,参数量减少1.53 MB,mAP50提高6.9%,mAP50-95增加5.6%,模型计算量减少7.2 GFLOPs。在天津市津南区大沽南路进行实地实验,探究无人机(UAV)最适宜的图像采集高度,实验结果表明,当飞行高度设置为60 m时,该模型的检测精度mAP50最高为77.8%。

关键词： 开放世界目标检测   自适应特征动态融合   未知类评分优化   注意力机制  

摘要： 开放世界目标检测(open world object detection,OWOD)的主要任务是检测已知类别和识别未知目标。此外,模型在下一个训练阶段中逐步学习已知新类。针对OW-DETR(open-world detection transformer)中未知类召回率偏低、密集目标与小目标漏检等问题,提出了一种UBA-OWDT(UCSO,BiStrip and AFDF of open-world detection transformer)开放世界目标检测网络。针对未知类召回率偏低的问题,对未知类评分优化(unknown class scoring optimization,UCSO),将生成的浅层类激活图与聚合类激活图融合,获取细粒度特征信息,提高未知类的目标评分,进而提升未知类的召回率;针对小目标漏检问题,将双条状注意力(spatial attention based on strip pooling and strip convolution,BiStrip)应用于输入特征图,捕获长程依赖,保留目标精确的位置信息,增强感兴趣目标的表征,以检测小目标;针对密集目标漏检问题,采用自适应特征动态融合(adaptive feature dynamic fusion,AFDF),根据目标大小和形状,获得不同的感受野,动态分配注意力权重,关注目标的重要部分,融合不同层级的特征,以检测密集目标。在OWOD数据集的实验结果表明,未知类召回率增值范围在0.7~1.5个百分点,mAP增值范围在0.6~1.2个百分点,与现有的开放世界目标检测方法相比,在召回率偏低、密集目标与小目标漏检问题上具有一定的优势。

关键词： 机器视觉   目标检测   深度学习   可编程逻辑控制器(PLC)  

摘要： 采用低成本硬件结合Python软件与可编程逻辑控制器(PLC)通信动态采集图片,使用深度学习算法来训练模型,实现装配孔的智能化检测;对装配孔下方的胶条,利用计算机视觉来检测与装配孔之间的距离,从而判断门槛胶是否粘连或堵塞装配孔。该检测系统具有算法简单、检测性能优越、硬件要求低等特点,对门槛胶状态自动检测和生产制造数字化工作有一定促进作用。

关键词： 道路工程   落石检测   Yolov8   轻量化模型   注意力机制   目标检测  

摘要： 为确保道路交通安全、及时检测并预警滚落到公路上的落石,构建面向落石灾害的数据集,设计一套基于机器视觉的落石检测系统,并提出一种改进的YOLOv8算法(YOLOv8-GCB),该算法在提升检测精度的同时,优化模型计算效率,便于部署于边缘计算设备。首先,在YOLOv8-GCB算法中设计幻影主干网络,将主干网络中的普通卷积单元替换为幻影卷积单元,降低模型的参数量和计算复杂度,提升模型在低算力设备上的运行效率。其次,在主干网络中引入通道空间混合注意力机制,使模型能够更好地关注落石的关键特征,增强对复杂背景的适应能力。最后,设计跨越加权融合网络,将跨越连接和加权融合的思想融入到特征融合网络中,进一步提升模型对不同尺度落石目标的检测性能,并与YOLOv8算法进行对比试验。研究结果表明:YOLOv8-GCB算法的平均精度在AP@0.5上提高了1.2%,在AP@0.75上提升了1.1%,模型参数量下降了14.1%,模型计算量下降了16.1%;上述改进为边缘设备在有限算力条件下实现公路落石灾害的智能检测提供了可行的技术解决方案,在确保检测精度的同时,有效兼顾了实时性与资源受限的双重约束,为公路落石灾害的智能化监测与预警奠定了技术基础。

关键词： 车辆检测   YOLOv5   目标检测   深度可分离卷积   注意力机制  

摘要： 为了促进自动驾驶技术的发展,针对现有车辆检测算法对小尺寸目标的检测效果差、精度较低的现状,提出一种基于改进YOLOv5的车辆检测算法QF-YOLOv5。在YOLOv5结构上,增加一层小尺寸特征融合检测层,提高小目标的检测能力。引入注意力机制,使网络聚焦有效特征,抑制干扰特征,提高了算法检测能力,并采用深度可分离卷积来降低网络计算量。使用了Mini Batch K-Means聚类算法,加快网络收敛。利用Quality Focal loss损失函数,使网络对连续数值有监督能力。实验结果表明:该算法在检测准确性和实时性上,都有一定程度的提高。

关键词： 农业机械   玉米   株间除草   摆动型   目标检测  

摘要： 针对苗期玉米株间除草装置除草率低、伤苗率高等问题,该研究设计了一种摆动型正弦转轭式玉米株间除草装置。装置首先利用改进的CA-YOLOv5s模型对玉米苗进行视觉检测与定位,通过电机控制一对正弦转轭机构精确旋转,带动除草铲往复摆动实现避苗除草。对避苗除草过程进行理论分析和预试验,确定了影响作业效果的主要因素及其取值范围,以装置前进速度、作物保护区直径、除草铲入土深度为试验因素,以除草率、伤苗率和作业单体功耗为评价指标,设计了二次回归组合试验,并进行田间验证试验。试验结果表明,装置前进速度和除草铲入土深度对除草率和作业单体功耗的影响最显著(P<0.01),装置前进速度和作物保护区直径对伤苗率的影响最显著(P<0.01)。采用响应曲面分析法,建立评价指标的回归模型,以低伤苗率为首要考虑指标,得到最优作业参数为:前进速度0.42 m/s、作物保护区直径74 mm、除草铲入土深度18 mm,田间试验结果表明,装置的平均除草率达到92.75%,平均伤苗率为2.91%,平均功耗为129.7 W,满足玉米田间管理期间株间除草的要求。研究结果可为玉米田间除草机械装备的研究提供参考。

关键词： 昆虫识别   图像处理   五大连池   小样本学习   匹配网络   不平衡学习   随机欠采样  

摘要： 为解决由于五大连池地区昆虫样本量少、类别分布不均导致昆虫识别准确性低的问题,提出一种基于注意力卷积增强特征的匹配网络(feature-enhanced matching network,FEMNet)。采用随机欠采样对数据集进行平衡处理;通过提出特征上下文嵌入模块,增强昆虫全局和局部特征的提取能力;基于匹配网络实现样本间特征的灵活匹配,提高小样本下昆虫图像识别精度。实验结果表明,对于小样本昆虫数据集,FEMNet方法比次优方法MatchingNet准确率提升4.5%、召回率提升4.8%、精确率提升6.1%、F1值提升5.3%,说明该方法能够准确自动识别昆虫,可为后续昆虫学研究提供技术支持。