关键词： 计算机视觉   矿用皮带机   YOLOv8网络模型   图像处理  

摘要： 工业生产环境中的皮带机经长期运行后,容易出现偏移现象,引发生产事故。针对该问题,提出了一种基于视觉系统的矿用皮带机调偏方法,通过高分辨率摄像头捕获现场图像,经改进的YOLOv8网络模型定位调偏区域后,对定位区域进行灰度处理,使用设计的偏移判定算法对皮带边缘像素进行提取计算,绘制得到皮带边缘线,最后根据边缘线位置获得当前皮带位置与标准位置的偏移差,将该距离值送入下层硬件系统,使皮带调节装置设备产生正确响应调整,从而完成皮带机的实时检测及自动矫正偏移过程。

关键词： 计算机视觉   图像处理   视觉显示系统  

摘要： 本文概述了计算机视觉算法及其核心技术,详细阐述了图像处理的流程及关键技术,深入探讨了图像处理技术在视觉显示系统设计与图像畸变矫正中的具体应用,利用图像处理技术开发程序,以期为计算机视觉与图像处理技术的创新与发展提供有益借鉴与指导。

关键词： 深度学习   生活垃圾检测   YOLOv8   目标检测  

摘要： 随着社会的进步和生活水平的逐渐提高,生活垃圾也日益增加,垃圾分拣工作面临着工作环境复杂、对工作人员体力要求高等挑战。为了提高生活垃圾分拣效率,提出一种加强特征模块融合、引入注意力机制和MPDIoU损失函数的改进YOLOv8的生活垃圾检测模型,用于生活垃圾检测和分类。首先,利用GOLD-YOLO中的Gatherand-Distribute机制对特征融合模块进行改进;其次,将注意力机制的目标检测头添加到模型中,并将损失函数替换为MPDIoU,从而提高模型对生活垃圾的检测性能;再次,在改进算法结构后,通过实验数据比较对训练策略加以改进;最后,在生活垃圾数据集上进行了验证。结果表明,经过改进后的模型检测精度明显提升,mAP@0.5和mAP@0.5∶0.95分别提高了0.4%和2.9%,生活垃圾检测能力得到有效提升。

关键词： Wahba问题   四元数算法   计算机视觉  

摘要： Wahba问题是指在旋转矩阵估计中求解两组向量之间的最佳旋转矩阵,该问题常出现在航空航天工程、机器人应用和计算机视觉等领域。尤其在卫星姿态估计、图像拼接、3D重建等应用有着重要作用。在这些应用中,数据往往受到测量误差和异常值的影响,导致估计结果的精度下降,因此,如何在这些不理想条件下求解Wahba问题,成为了研究的核心问题之一。为了应对这些问题,要求算法具有更强的抗噪性和鲁棒性,以确保在不完全准确的数据条件下仍能获得可靠的结果。本文主要研究在三维空间中的Wahba问题,介绍了几种针对误差和异常值影响的算法,包括四元数解法(QUASAR)、快速全局配准算法(FGR)、RANSAC算法,此外,本文还在四元数解法的基础上提出了一种新的算法思路,旨在提高算法性能。文章简单阐述了算法的计算原理和推导过程,通过计算机进行数据仿真,对比了不同算法在存在误差和异常值情况下的精度、计算时间和鲁棒性。

关键词： 目标检测   YOLOv5   位置感应   损失函数   注意力机制   钢材缺陷  

摘要： 为了提高钢材缺陷检测精度,提出一种基于YOLOv5s的缺陷检测算法YOLOv5sFNCE.首先,在骨干特征提取网络中加入新型NAMAttention注意力机制,提高对目标的感知和区分能力;并提出新型的C3-Faster,通过减小内存访问和冗余计算更有效地提取特征;在特征融合网络和输出端引入位置卷积CoordConvs,增强目标的语义感知能力和全局感知能力;最后,引入新的损失函数Focal-EIoU,以加快收敛速度,提高回归精度.实验结果表明,YOLOv5sFNCE算法在钢材表面缺陷数据集上的均值平均精度达到了75.1%,比原始YOLOv5s提高了1.7个百分点,检测速度则提升了20.5%,证明了该算法在钢材缺陷检测中能够有效提升检测速度和检测精度.

关键词： YOLOv8   多尺度检测   通道注意力机制   特征融合   深度可分离模块  

摘要： 针对无人机巡检输电线路过程中待检测目标受复杂背景干扰、故障目标部分遮挡以及目标多尺度造成传统算法难以准确检测的问题,提出一种基于CSD-YOLOv8的输电线路故障目标检测方法。首先,以YOLOv8网络作为基础框架,并在其主干网络中引入空间金字塔池化将不同尺度特征进行融合;然后,在检测网络头部中引入深度可分离卷积,并将其与交叉卷积连接模块结合,实现对部分遮挡目标的准确检测;此外,设计基于通道注意力机制的特征融合模块对不同层级特征进行加权融合,提高复杂背景下故障目标特征信息提取能力;最后,利用某电力巡检部门近5年的巡检数据对所提出算法进行验证。结果表明:相比于4种经典对比算法,所提方法在对12种故障类型检测效果的综合指标最好,平均检测精度为94.7%,召回率为93.0%。与此同时,所提算法具有较好的实时性,对于分辨率为1280×720的图像检测速度为45帧/s,为输电线路的智能巡检奠定了坚实的理论基础。

关键词： 目标检测   三维坐标   ZED2i相机   手眼标定   刚体姿态  

摘要： 提出了一种视觉引导抓取回收车载旋翼无人机的方法,为实现旋翼无人机的回收提供了一种可行的解决方案。首先,提出了一种改进的目标检测算法,保证了在边缘设备上对无人机的实时精准检测;然后,通过ZED2i相机获取点云数据中无人机的中心点三维坐标,利用眼在手上的标定方式获取相机与机械臂末端的坐标系变换关系;最后,结合相机传感器测得的自身姿态信息,调整机械臂末端的姿态以适应抓取。实验结果表明,所提方法可以实现对无人机的实时检测和较为精准的抓取回收。

关键词： 目标跟踪   交互式多模型   自适应   马尔可夫矩阵   无迹卡尔曼滤波  

摘要： 为解决传统交互式多模型(interactive multiple model, IMM)算法在车辆目标跟踪中存在模型概率变化不明显和跟踪精度不足问题,提出一种改进的自适应IMM-UKF(unscented Kalman filter)算法。首先采用匀速直线、匀加速直线和匀速转弯来建立车辆的运动模型,并通过无迹卡尔曼滤波对车辆目标进行跟踪。然后将子模型概率变化率作为IMM算法修正参数,对马尔可夫矩阵主对角线和非主对角线元素采用不同的修正策略。最后设置判定窗修正归一化后的马尔可夫矩阵主对角线元素,以扩大匹配模型的概率。结果表明,改进算法模型概率变化更加明显,位置和速度均方根误差均要小于原有算法,有效地提高了跟踪精度。

关键词： 成像测井   裂缝识别   深度学习   集成学习   图像处理  

摘要： 传统成像测井裂缝识别依赖专家经验,主观性强;深度学习方法可提取多维度特征构建裂缝识别模型,集成学习方法融合多个模型提升精度,但简单融合策略精度提升不明显,复杂融合策略易过拟合,需探索更有效融合方法提升裂缝识别准确性;针对上述问题,提出了一种基于Stacking方法改进的集成深度学习模型,将Deeplabv3+,YOLOv8,SegFormer三个模型进行融合,并设计了跳跃连接模块将原始图像骨干特征传递至元模型层,避免在模型融合时由于特征不足产生的错误拟合;经实验,该模型在构建的测井图像裂缝识别数据集上Dice系数可达89.6%,优于单一模型与少数模块构建的集成模型;将该方法用于柴达木盆地实际成像测井资料的裂缝识别,能够准确地提取出测井图像的裂缝信息,证明了该模型的有效性,为成像测井裂缝识别提供了新的思路。

关键词： YOLOv7   深度学习   输电线路缺陷检测   小目标检测   多尺度融合   Swin Transformer   β-dropout   自适应特征融合   损失函数  

摘要： 针对在复杂背景下输电线路多尺度缺陷目标检测精度较低的问题,文中提出一种基于改进YOLOv7(You Only Look Once version 7)的输电线路多类缺陷目标检测模型。对于复杂背景造成缺陷目标较低的问题,在Backbone部分引入改进的Swin Transformer模块,通过使用多头注意力机制提升对全局特征的提取效果来提高模型的检测精度。对于待检测目标的多尺度特性,在特征金字塔基础上引入自适应特征融合模块,提升了Neck部分特征融合网络对多类不同尺度缺陷目标的检测能力。使用SIoU(Structured Intersection over Union)损失函数在提高预测框回归精度的同时加快了模型的收敛。实验结果表明,相较于YOLOv5、YOLOv7和Faster R-CNN(Faster Region with Convolutional Neural Network)模型,改进YOLOv7模型具有较高的检测精度,其平均检测精度可达96.4%,检测速度为29.6 frame·s^(-1),能够为输电线路多类缺陷目标检测提供参考。