关键词： 辣椒病害   目标检测   图像处理   YOLOv5n  

摘要： 为实现辣椒病害的精准高效识别,提出一种基于改进YOLOv5n的辣椒病害检测模型。首先,替换主干网络为FasterNet网络,这样不仅通过局部卷积PConv减少冗余计算,而且还能有效提取特征,以增强模型对重要特征的表达能力。其次,结合运用ELAN思想的C2f模块和Res2Net结构,提出C2f-Res2模块,对输入图像进行更深粒度层次上的多尺度特征融合,进一步加强网络的特征提取能力。最后,使用WIoU损失函数对原损失函数CIoU进行替换,提高锚框的质量。结果表明,基于改进YOLOv5n辣椒病害检测模型的平均精度均值mAP为89.2%,检测速度为94.2帧/s。相比于YOLOv5n模型,其mAP提升5%,精确率和召回率分别提升4%、5.9%。该模型有效减少辣椒病害检测中的错检漏检情况,可以更高效地对辣椒病害进行识别定位。

关键词： 表面缺陷检测   计算机视觉   多尺度特征提取   注意力机制   解耦检测头  

摘要： 针对工业场景下资源受限且表面缺陷图像对比度低的问题,提出了一种改进YOLOv5的工业产品表面缺陷检测方法。首先,在骨干网络中引入感受野增强模块,用于从不同层次的感受野提取更丰富的视觉特征;其次,在特征融合网络中添加混洗注意力模块,更有效地对不同维度的特征图进行融合;最后,采取了任务解耦检测头,使分类和回归两个任务采用相互独立的网络进行预测,降低彼此的干扰,提升检测精度。实验结果表明:该网络的参数量和计算量均低于YOLOX、YOLOv7、deformable DETR等模型,且在管道数字射线(DR)缺陷图像数据集PDD和NEU-DET数据集上,mAP@0.5分别提高2.23百分点和2.99百分点,兼顾了工业场景下对缺陷检测实时性和精确性的要求。

关键词： 荔枝   点云   图像处理   深度图像   表型参数   无损检测  

摘要： 【目的】荔枝Litchi chinensis的表型参数提取对荔枝采后分级具有重要作用,为解决荔枝采后分级效率低下的问题,本文提出了一种利用图像处理和三维点云技术的荔枝表型参数提取方法,一次性获取多种表型性状。【方法】利用Intel Realsense D405深度传感器同时获取4个不同视角下的荔枝RGB彩色图像和深度图像,通过映射得到荔枝三维点云;根据获取的荔枝点云,计算点云曲率及法向量,识别荔枝机械损伤区域;将荔枝的RGB彩色图像在颜色空间下进行转换,判断红色像素点阈值并提取荔枝表面的红色着色率;建立荔枝的3D模型,通过计算深度图像的厚度估算荔枝体积。【结果】通过荔枝表面三维点云的曲率成功识别荔枝的机械损伤,平均检测准确率为94%;采用RGB图像提取着色率相较于采用三维点云在检测速度上提升90%,基于RGB图像和三维点云的着色率结果与人工检测结果的决定系数分别为0.957 4和0.920 5,平均绝对误差分别为6.33%和4.37%,平均相对误差分别为4.17%和6.01%。基于深度图像提取的荔枝体积与人工测量体积的决定系数为0.890 1,平均绝对误差为1.59 cm3,平均相对误差为7.94%。【结论】本研究提出的方法能够提高荔枝表型参数提取的准确率,可为荔枝采后分级提供高效技术手段和数据支持。

关键词： 目标识别   无人机视角   机器视觉   果实测产   核桃检测  

摘要： 目前针对核桃测产的方法大多停留在利用传统的统计学模型上,其准确率几乎无法保证。因此,以青皮核桃为例,建立无人机航拍视角下的核桃图像数据集,首次将coordinate attention(CA)机制嵌入YOLOv8模型中,利用改进后的YOLOv8-CA模型算法对青皮核桃进行目标检测。实验结果表明,改进后的新模型YOLOv8-CA与原始YOLOv8和YOLOv5相比,在mAP值上分别提高了0.004和0.051,在Recall值上分别提高了0.019和0.089。

关键词： 玉米气吸式排种器   性能检测   机器视觉   YOLOv8   图像处理  

摘要： 玉米育种试验过程中,排种器的性能直接关系到播种试验的作业质量。为此,针对气吸式玉米排种器,设计了一种基于机器视觉的排种器性能检测系统。系统可以检测的排种模式有单粒播、双粒播和单双粒播,并且还能够检测在对应模式下玉米种子的漏播数和重播数等关键数据。软件系统以YOLOv8目标检测模型为基础进行改进,通过增加漏播重播计数的逻辑算法,实现对图像的分析处理,并进行排种的重播、漏播计数。通过不同条件下的试验分析,系统的检测精度与实际人工统计对比,系统播量计数总体平均准确率为99.68%,漏播检测平均准确率在99%以上,重播检测平均准确率在98%以上。试验结果表明,系统能够完成玉米排种器性能的鉴定与评估。

关键词： 计算机视觉   机电制造   自动化生产系统   工艺过程监控   工业4.0  

摘要： 随着科技的发展,计算机视觉在机电制造业中的应用逐渐显现出重要性。本研究旨在探讨基于计算机视觉的机电制造自动化生产系统。首先,我们提出了一种基于计算机视觉的机电制造自动化生产系统模型并对其进行了详细的描述。我们采用了现代计算机视觉技术,通过对工艺过程的实时监控,提高了生产效率和产品质量。研究表明,这种自动化生产系统不仅可以辨识和跟踪产品在生产线上的位置,还可以对生产过程中的异常情况作出快速反应,极大地降低了生产成本和生产时间。此外,通过对系统的长期运行和评估,我们发现这种自动化生产系统具有很高的稳定性和可靠性,能够在各种工况下都能保持高效稳定的运行。因此,基于计算机视觉的机电制造自动化生产系统无疑为我国的机电制造业发展带来显著的改进,为实现工业4.0的目标铺平道路。

关键词： 收获机械   河马优化算法   成行作物   图像处理   路径拟合  

摘要： 面向大蒜、大葱等田间成行种植的绿色条状排列作物,针对其收获机械的田间自动行走问题,提出一种基于河马优化算法的导航路径提取方法。首先,基于OpenCV对田间图像进行灰度图转化、颜色阈值处理和二值化;然后,结合田间作物分布进行形态学分析处理,采用混沌映射改进河马优化算法,依据二值化图像特征点分布密度进行寻优求解,并通过改进的RANSAC方法对特征点进行导航路径拟合;最后,拍摄田间作物真实图像构建图像集,利用改进后的河马优化算法处理图像,并与其他优化算法进行对比。结果表明:采用改进的河马优化算法对二值化图像特征点分布寻优处理优于改进前,处理田间作物图像得到的导航路径角度误差绝对值≤6°,平均处理时间为0.23 s/张,且对不同种类的绿色作物具有较好的适应性。

关键词： 输电线路   山火烟雾   目标检测   YOLOv8s   ODConv   DyHead   WIoU  

摘要： 针对输电线路走廊复杂背景场景下传统预警方法山火检测效果差、速度慢,图像识别误检、漏检率较高等问题,提出了一种基于改进YOLOv8s的输电线路山火检测方法。首先,通过网络收集并对现有数据集筛选,得到以野外荒地为背景的山火图像数据集,更加贴合目标背景。其次,引入ODConv模块,对基线模型的Backbone和Neck部分使用C2f_OD模块替换原C2f模块进行特征提取,提升模型对火焰烟雾的检测性能;再更换Head部分为DyHead模块,融合尺度、空间和任务3种注意力感知模块,进一步提高检测精度;并使用WIoU损失函数,将检测框回归聚焦于普通质量的预测框,提升模型对复杂背景的泛化性能。最后,设计了3组消融实验和1组对比实验。实验结果表明:所提算法与原YOLOv8s模型相比,在自建山火数据集上mAP@0.5提高了5.6百分点,P提升了4.51百分点,R提升了5.41百分点,帧率为34.9帧/s,满足输电线路山火精准检测的要求。

关键词： 豆类病害   目标检测   可变形卷积   多尺度特征   注意力机制  

摘要： 为实现豆类病害的实时精准检测,提出一种改进YOLOv10的目标检测算法。首先,引入DCNv2替换neck网络中的CBS模块,提高模型对不同形状和空间位置的病害作物的检测能力。然后,采用BiFPN结构,通过多尺度特征加权融合策略提高模型对不同尺度目标特征的区分能力。最后,设计一种基于注意力机制的多尺度融合检测头,有效利用neck网络提供的多尺度输入特征,改善对不同尺度目标的检测效果。利用公开的豆类病害数据集进行试验,经过改进的模型mAP@0.5和mAP@0.5:0.95分别达到72.1%、47.1%,相较于原始的YOLOv10模型,在未提高计算代价的前提下,分别提升3%、4.9%。改进后的算法可以实现豆类病害的精准检测,为豆类作物的种植推广提供充分的帮助。

关键词： 目标检测   语义分割   多任务学习   轻量化   自适应损失函数  

摘要： 桃园场景复杂,为辅助农业机器人更好地感知环境,快速精准识别桃园中的桃子和道路,针对当前现有的模型任务单一、检测精度低和推理速度慢等实际问题,改进YOLOv5n并提出一种高效的多任务学习网络MTL-YOLO,同时完成目标检测和语义分割两类任务。首先,在YOLOv5n的基础上添加可行驶区域分割检测头,实现对桃子和桃园道路的检测;其次,使用轻量级ShuffleNet V2作为MTL-YOLO的主干网络,在保证检测精度的同时大大降低模型计算量;然后,在模型的Neck部分嵌入RepNCSPELAN4模块,替换掉原有的C3模块,增强模型的特征提取能力,并进一步减少模型计算量;最后,提出一种适用于多任务模型的自适应损失权重调整方法,避免手动优化两类任务损失权重的复杂过程并加强两类任务训练的相关性。结果表明,改进后的MTL-YOLO目标检测精度由原算法的82.1%提高到84.7%;语义分割精度比主流的Mask R-CNN和YOLACT算法分别提高0.3%、2.5%;模型的实时推理速度达到110 f/s。