关键词： 正则极限学习机RELM   图像处理   特征值  

摘要： 针对成型模块的人工质量检测对鞋面质量和效率具有重要的影响,提出了基于机器视觉的鞋面缺陷检测系统研究。首先根据鞋面检测的特殊性,提出鞋面缺陷检测系统总体设计方案;其次对收集的鞋面图像进行预处理;最后,采用模板匹配识别鞋面缺陷的方法对鞋面缺陷图像进行特征识别和提取。实验结果表明,在不同的检测环境下,该检测方式具有高识别精度,识别成功率在96.0%以上,检测时间不超过0.53s,满足鞋面缺陷检测的工业要求。

关键词： 目标检测   空洞卷积   上下文特征   特征融合   注意力机制   ACON激活函数  

摘要： 目的针对CenterNet无锚框目标检测算法表征能力不足的问题,提出一种基于上下文增强和特征融合的学习方法。方法该方法采用多感受野和信息融合的思想,构建自适应上下文提取模块和特征融合策略。首先网络通过自适应上下文提取模块的多路径空洞卷积层获取目标的上下文特征,督促深层网络学习多尺度信息;然后,通过ACON-C激活函数在网络中加入非线性因素,对网络神经元自适应地激活,增强网络的数据拟合能力;最后,联合注意力特征融合策略对不同层次的特征信息进行合并,通过整合深层网络的语义信息和浅层网络的位置信息,来捕获对识别任务有用的特征信息,同时学习特征图在多个层次通道间的相关性,以加强网络对关键目标特征的专注度。结果所提方法在PASCAL VOC公开数据集上mAP达到83.82%,约比基线算法CenterNet增加了3.72%。相较于经典算法Faster R-CNN、SSD、YOLOv3分别增加了7.4%、9.5%、3.5%。结论有效地提升了CenterNet算法的检测性能,并且改进的CenterNet相较于其他目标识别算法具有更高的识别准确度,在目标检测应用中具有良好的实用性,充分验证了所提方法的有效性。

关键词： 鸟类目标跟踪   帧差法   卡尔曼滤波   电力设备安全  

摘要： 准确、实时地捕捉鸟类运动轨迹是实现电力领域鸟类驱赶的重要前提,但鸟类目标在画面占比小,运动速度快,定位跟踪难度高,因此,提出一种帧间运动信息的电力设备周围鸟类目标跟踪方法。利用帧差法获取视频帧之间的运动区域信息,定位场景中高速移动的鸟类目标区域,并结合卡尔曼滤波算法实时预测、更新鸟类目标的位置,实现鸟类目标运动轨迹的准确捕获,为鸟类目标驱赶提供准确的定位信息。结果表明,在复杂环境下,该方法对鸟类目标的检测与跟踪具有较高的实时性和准确性,可为电力设备鸟类驱赶提供一种高效、稳定的定位技术手段。

关键词： 工业视觉   智能检测   汽车钣金件   图像处理   机器学习  

摘要： 随着汽车工业的快速发展,人们对汽车钣金件的质量要求越来越高。传统的人工检测方法不仅效率低下,而且容易受到人为因素的干扰,导致检测结果的不稳定。为了提高检测效率和准确性,该研究开发一种基于工业视觉的汽车钣金件智能检测装置。该装置采用高精度工业相机捕捉钣金件图像,通过先进的图像处理算法对图像进行预处理、特征提取和缺陷识别,利用机器学习技术对检测结果进行智能分析,实现对钣金件表面缺陷的快速、准确识别。通过实际生产线的测试,验证装置的实用性和可靠性。该研究为汽车钣金件的自动化、智能化检测提供一种有效的解决方案。

关键词： 目标检测   铁路沿线彩钢房   无人机巡检   YOLOv10   FasterNet   C2F-FMB  

摘要： 铁路沿线彩钢房存在安装不规范、结构老化变形等问题,在大风天气下易被吹落至铁路线路附近,威胁列车行车安全,甚至可能引发严重安全事故。为解决上述问题,提出了一种基于无人机巡检图像的铁路沿线彩钢房状态检测算法。基于YOLOv10(You Only Look Once,v10)算法的构架,首先,搭建了基于FasterNet优化的主干网络,提升原算法的特征提取能力,提高算法的检测精度;其次,构造新的C2F-FMB(Cross-Stage Partial Fusion-Feature Modulation Blocks)颈部模块,通过引入特征的自适应调制机制,增强算法对图像中局部细节和全局信息的提取能力,优化C2F模块在小目标检测的性能表现。结果表明:相比原始YOLOv10算法,改进后的算法在IoU(Intersection over Union)阈值为0.5时的平均精度均值(mean Average Precision,mAP@0.5)提高了4.7%。同时,该算法在小面积彩钢房检测任务以及具有相似特征的目标分类任务中表现出更强的适应性和更高的检测精度。

关键词： 水下目标检测   特征融合   注意力机制   YOLOv7   计算机视觉  

摘要： 为了改善由于水下图像模糊和水下环境复杂而导致现有的水下目标检测模型效果不佳,模型检测精度低等问题,提出一种改进YOLOv7的目标检测模型YOLOv7-RMC,提高水下目标检测的性能。为了能够在模糊的图像中提取到更关键的信息设计了一种多信息残差融合注意力机制(residual fusion global attention mechanism,RGAM),解决随着网络层次的加深上下文特征信息丢失的问题,加强模型的特征信息提取能力。为解决远景近景目标信息丢失和小目标缺陷信息丢失问题,对原颈部网络结构进行优化重构,引入多尺度浅层特征融合网络(multi-scale shallow feature fusion network,MSFN)结构,通过多次深层特征融合与浅层特征之间的信息交互,提高目标检测精度。在优化后的颈部网络MSFN中引入轻量级上采样算子模块(content aware reassembly of feature,CARAFE),通过特征重组和特征扩张改善网络的特征融合能力保留更多的目标信息。实验结果表明,该算法在URPC数据集和Brackish数据集上的平均精度(mAP@0.5)达到87.4%和97.9%,相较于原始的YOLOv7网络模型mAP@0.5提高了2.3和0.9个百分点,提高了模型的检测能力,具有很强的实用性。

关键词： 深度学习   虚拟现实场景   小波分解   卷积神经网络  

摘要： 为实现高度逼真且流畅的虚拟环境,首先,使用小波分解与距离插值去除虚拟现实场景图像中的高斯噪声,卷积神经网络学习映射函数F将输出图像映射到高分辨率图像,通过反向传播算法和梯度下降,不断更新网络参数,直至达到最优解;其次,引入正则化项来进一步平衡模型拟合能力和泛化能力;再次,提取图像的像素颜色信息,整合为三维信息格式,修正因入射、反射光强差异导致的颜色误差;最后,将图像分解为方格平面,并利用这些颜色信息进行空间点云的虚拟现实图像颜色渲染。实验证明,深度学习虚拟场景图像特征消耗时间最短仅为1.833 s,重建虚拟现实场输出的峰值信噪比较高;重建后图像结构相似性最高为-0.986,且得到的图像边缘细节丰富清晰、色彩饱满、结构完整,在虚拟现实场景图像处理领域具有极高的应用价值。

关键词： 目标检测   YOLOv5s   轻量化   安全帽检测  

摘要： 针对施工现场安全监管的实际需求。提出了一种基于YOLOv5s的轻量化安全帽检测算法。通过引入Shuffle Block重构主干网络、加入SE注意力机制、采用深度可分离卷积等方法对YOLOv5s网络进行改进,显著降低了模型参数量和计算量并能保持较高的检测精度。实验结果表明,改进后的算法可实现82.3FPS的检测速度,较原始YOLOv5s提升了30.8%,同时模型大小减少77.1%,表现出优异的实时检测性能。

关键词： 缺陷检测   目标检测   YOLOv8算法   注意力机制   损失函数  

摘要： 针对金属生产制造中表面缺陷检测环节存在检测准确率低、处理速度慢等问题,提出一种基于改进YOLOv8网络的金属缺陷检测方法(TCM-YOLO)。该方法改进坐标注意力机制为三通道坐标注意力机制(TCCA),并与第2版可变形卷积网络相结合改进为三通道可变形卷积网络(TDCN),增强网络的特征提取能力。在特征融合网络中采用双向特征金字塔与动态蛇形卷积(DSC)相结合的方法,改善网络对于带钢缺陷检测的漏检率,更好地保留缺陷微小纹理和复杂结构的信息。采用最小点距离交并比(MPDIoU)损失函数替换原来的损失函数加快收敛速度和获得更准确的回归结果,最后嵌入全局注意力机制,以不断地捕获缺陷全局形态的重要信息。实验结果表明,TCM-YOLO方法在东北大学带钢缺陷数据集上的平均精度达到了81.8%,相比于原始的YOLOv8算法提高了7.4百分点,精确率达到了78.3%,相比于原模型提升了8.9百分点,算法检测速度达到61.73帧/s,在天池铝型材缺陷的数据集上平均精度相比于原始的YOLOv8算法提高了4.1百分点,精确率相比于原模型提升了8.7百分点。结果表明了TCM-YOLO算法具有检测精度高、检测速度快的特点,能更好地满足金属表面实际检测需求。

关键词： 输电线路   山火识别   目标检测   YOLOv8  

摘要： 输电线路是确保电力系统稳定运行的关键基础设施,其安全对系统协调运转至关重要,而山火灾害对其构成的威胁极为严重。为此,提出一种基于YOLOv8神经网络模型的输电线路山火检测方法。首先,利用YOLOv8的主干网络进行特征提取;其次,在特征提取阶段加入GAM(Global Attention Mechanism,全局注意力机制模块),以增强特征中的语义信息和位置信息;最后,引入了F-CIoU损失函数,旨在增强锚点的贡献并加速模型的收敛过程。实验结果表明,与YOLOv8基线模型相比,所提出方法的精确率、召回率和平均精度均值(mAP)分别显著提升了3.9%、5.62%和4.46%,证明了其在火情检测方面的有效性。