关键词： 电子连接器   无监督学习   异常检测   扩散模型   计算机视觉  

摘要： 由于电子连接器异常样本稀缺,使得有监督模型难以捕捉异常样本特征,很大程度上限制了有监督学习方法的检测性能。并且现有无监督模型存在重建图像模糊、缺陷残留的问题,严重影响检测精度。为此,提出一种仅需无异常样本训练的一步去噪单纯形扩散模型电子连接器异常检测方法。由于高斯去噪扩散概率模型在图像重建任务中存在特征投影误差导致重建位置偏差,因此引入单纯形噪声构建单纯形噪声去噪扩散概率模型,并重新制定去噪范式使推理时间降低至0.09 s。此外,研究得到一种图像预处理方法,消除冗余特征干扰,使模型高效学习电子连接器表面特征,提高模型学习效率。实验结果表明,在异常检测标准评估度量AUROC准则下,所提方法显著优于现有无监督模型。图像级检测准确率达99.71%,像素级精度达到93.86%,展现出卓越的异常检测性能。

关键词： 高级筛选特征提取   双向特征融合   YOLOv8n算法   多尺度特征   小目标检测头  

摘要： 针对YOLOv8n算法在面对复杂多变的多尺度目标时出现的错检、漏检问题,提出了一种基于多尺度特征融合的改进YOLOv8n车辆与行人目标检测算法——BF-YOLOv8n。首先,在空间池化层中设计高级筛选特征提取模块(CA_SPPF),以增强模型对不同尺度特征的提取能力;然后,设计一种160×160的小目标检测头,以提高模型对小目标的识别精度;接着,提出一种基于4检测头的双向融合特征金字塔网络(BiFPN-4H),以提高模型对不同尺度目标的适应性和检测精度;最后,采用EIoU作为边框损失函数,以增强模型对目标的定位精度。在VOC数据集上的实验结果表明,相较于YOLOv8n模型,BF-YOLOv8n模型的精准率、召回率和平均精度均值分别提升了5.7、5.1和5.0百分点;在COCO数据集上的实验结果表明,BF-YOLOv8n模型的各项评价指标都有不同程度的提升,说明该算法具有良好的泛化性和鲁棒性。

关键词： 图像识别   车道偏移   监测技术   汽车安全   计算机视觉  

摘要： 随着交通安全问题日益受到关注,车道偏移引发的事故成为研究重点。传统车道偏移监测技术存在局限性,文章主要研究图像识别技术在此领域的应用。通过构建完整技术链条,设计多场景试验方案,系统分析该技术性能。结果表明,图像识别技术在标线清晰场景下检测精度高、成本低,但在极端天气下表现不佳。

关键词： 二维码   PDF417   编码   解码   图像处理   神经网络  

摘要： 本文综述了PDF417条码的结构特征和编码、解码技术,重点探讨了编解码相关的方法和算法,以及当前研究的热点和挑战。通过对现有文献的综合分析,总结了PDF417条码的特点、应用领域和标准规范,并介绍了常用的编码和解码算法。

摘要： 近年来,密集遮挡、极端弱光、高动态模糊、水下浑浊、强辐射等极端环境日益成为智慧城市、深空探测、极地科考、灾害应急、智能交通和高端制造等领域的常态场景。面对信噪比极低、退化类型多样、目标尺寸微小或密集的原始影像,传统图像处理链路在增强复原、信息解析和下游应用中屡遭瓶颈。

关键词： 图像处理   AutoCAD   轮廓提取   边缘检测   仿射变换  

摘要： 【目的】实现包含物体轮廓信息的图片高效、自动地转化为AutoCAD图纸。【方法】基于计算机视觉图像处理算法和AutoCAD的图形设计接口,设计了一种将图片中物体轮廓自动转换为AutoCAD图纸的技术方法。分析了该方法从图片读取、预处理(去噪、灰度化、二值化、闭运算)、边缘检测到轮廓提取,并最终在AutoCAD中自动生成图纸的完整流程。【结果】该方法有效提高了设计效率,减少了传统手工绘制或复杂软件操作的耗时与成本;同时,通过优化图像处理步骤和算法选择,确保了转换后CAD图纸的高精度与原始图像的一致性,并解决了图像与CAD坐标系差异导致的图形失真问题。【结论】本研究为产品设计领域提供了一种全新的自动化设计工具,有助于推动工业设计向更高效、更精准的方向发展。

关键词： 自动驾驶   3D目标检测   多模态融合   可变形交叉注意力机制  

摘要： 近年来,随着新能源汽车的快速发展,3D目标检测作为自动驾驶技术的核心基础正变得愈发重要。融合雷达点云与图像等多模态信息的策略,能够显著提升目标检测的准确性与鲁棒性。受BEVDet启发,本研究提出了一种基于BEV(鸟瞰图)视角的改进多模态融合3D目标检测方法。该方法采用ConvNeXt网络结合FPN-DCN结构高效提取图像特征,并通过可变形交叉注意力机制实现图像与点云数据的深度融合,从而进一步提升模型的检测精度。在nuScenes自动驾驶数据集上的实验表明,本研究模型性能优异,在测试集上的NDS达到了64.9%,显著超越了大多数现有检测方法。

关键词： 线阵   单光子   激光雷达   目标跟踪   船舶探测   数据关联  

摘要： 近年来,针对水面船舶的目标跟踪是船舶自主航行中需要解决的一个重要问题。对于三维的环境感知,激光雷达有着其高分辨率和高精度等特征,长线阵激光雷达通过加上一维扫描,有着比单点和面阵激光雷达更大的视场,在环境感知上有着其独特的优势。由于水面船舶的特征等信息与地面目标的特征不一致,且相关的数据集较少,目前常用的拟合方法无法有效地针对水面目标的特征进行有效感知。文中根据单光子点云以及远距离目标探测的特征提出一种高效的船舶目标跟踪方法。该方法基于近邻点的同步聚类及去噪的方法,并基于船舶的几何特征先验知识通过船舶特征点面提取的方法进行拟合,进一步降低了噪声的影响。结合扩展卡尔曼滤波以及速度估计方法,实现了600 m范围内目标的实时稳定的轨迹跟踪,跟踪均方根误差(RMSE)为0.5 m,单帧处理时间1.02 s,满足工程实时性的需求。并在复杂环境下进行测试,对大型船舶仍有较好的跟踪效果,效果优于常用拟合跟踪方法。为后续智能船舶自主航行提供更完善的信息,实现船舶更好的障碍避让、路径规划。

关键词： 机载激光雷达   图像处理   水下探测   障碍物检测  

摘要： 无人机机载激光雷达是水下障碍物探测的重要手段,尤其在浅水区航迹规划与导航中应用广泛。传统三维点云建模能准确呈现水体及障碍物的空间关系,但精度受水体参数影响,且解算耗时较长。提出一套机载激光雷达海洋探测数据的处理流程,对数据中存在的水体散射现象和随机反射强的情况进行波形预处理,将预处理后的波形拼接为图像,针对图像提出基于多尺度差分高斯增强与对比度判定的障碍物检测方法,该方法旨在克服现有技术在图像模糊、障碍物分辨率低以及背景干扰等情况下的不足。结果表明:所提方法在已有实验数据中整体的准确率达到94.55%,F1-Score达到94.97%。该处理流程能够有效提高水下障碍物的识别精度,为水下探测、航迹规划以及海洋资源开发提供重要的技术支持。

关键词： 目标检测   YOLOv5网络   图像增强   检测精度  

摘要： 针对YOLOv5目标检测模型检测精度不高的问题,提出一种改进融合多层卷积结构的YOLOv5模型,并成功应用于目标图像重组领域。加入MPC-Net可有效增强YOLOv5算法先验框的适应度及特征表征能力,在保持网络原有检测速度前提下,提高了网络检测精度及收敛速度。通过数据集测试结果表明:选取α与β值分别为1.6和0.14,此时平均准确率均值mAP最高为92.3%,训练速度提升30%左右。相比其它目标检测算法,加入MPC-Net的改进YOLOv5算法准确率最高分别提升5%左右,且检测速度更快,能够有效提高目标图像识别能力,可拓展到其它的图像增强领域。