关键词： 机器视觉   芒果分拣   图像处理   品质分类  

摘要： 设计和实现一套基于机器视觉的芒果分拣系统,以提高芒果分拣效率和质量。通过图像采集、预处理、特征提取和品质分类等关键技术,结合现代图像处理算法和机器学习模型,对芒果的颜色、纹理、形状等特征进行分析,实现芒果品质的智能评估和自动分级。系统在实际测试中表现出色,达到了高准确率、高效率和良好稳定性的预期目标。研究表明,该系统能有效提升芒果分拣的自动化和智能化水平,为芒果产业的发展提供有力的技术支撑,具有广阔的应用前景。

关键词： 输电线路   覆冰厚度   图像处理   边缘检测  

摘要： 针对雨雪天气严重影响线路覆冰图像质量与标准覆冰厚度计算的问题,提出一种基于智能图像处理的线路覆冰厚度检测方法,并在实验室对导线进行人工覆冰并模拟人工冷雾,采集有雾和无雾条件下的覆冰图像,用所提方法检测导线覆冰厚度。对采集的图像通过去雾、灰度化、直方图均衡化和空间滤波进行预处理,采用多种算子对处理后的图像进行边缘检测,计算出覆冰厚度。结果表明,覆冰图像去雾处理后采用直方图均衡化和空间滤波可较好地改善图像质量,配合使用Canny算法进行导线覆冰图像边缘检测时更具优势,即使在有雾的情况下,也可以得到较为准确的覆冰厚度检测结果。

关键词： 无人驾驶车   激光点云   测距影像   动态目标检测  

摘要： 针对利用激光雷达测距影像开展动态目标检测中存在的区域过度生长问题,本文提出了一种城市环境动态目标检测优化方法。在二维测距影像中进行三维点云空间快速分割旋转,准确、高效地保证了不依赖目标模型情况下的目标正确区域生长;同时针对场景流检测动态目标作了分类特性分析,通过目标聚类和目标区域生长解决了检测场景流后动态目标漏检测、超长目标误检测等问题,在显著提升检测查准率和查全率的同时,保证了较好的计算效率。相比直接在三维点云进行动态目标检测的算法,本文算法的帧平均计算时间是其1/11,计算查准率提升了12.67%,查全率提升了1.51%。

关键词： 图像处理   Edge-NCC算法   模板匹配   工件定位  

摘要： 传统的归一化互相关(NCC)匹配算法基于灰度实现,存在运算量大,忽略图像特征信息、无法匹配旋转图像等问题,因此研究了一种基于OpenCV实现的结合图像特征和灰度信息的Edge-NCC模板匹配算法。该算法在图像金字塔顶层利用边缘点进行相似度计算,计算量可减少(1-z/(m*n)),同时降低噪声、光照等对匹配结果的影响,提高相似度得分;在非顶层利用优化后的NCC公式结合积分图像进行相似度计算,计算量可减少约2/3。实验结果显示Edge-NCC算法在图像存在光照变化、噪声以及模糊的鲁棒性上相较于原有的NCC算法有了一定的改善,在这些不同条件下的匹配成功率能够达到约95%,验证了算法的有效性。在视觉点胶机的工件定位应用过程中,使用该算法能够有效地增加定位的准确度和降低企业的生产成本。

关键词： 夜间视频   目标检测   YOLOv8   Adown   CBAM  

摘要： 夜间视频目标检测一直是一项具有挑战性的课题。由于低能见度和光线不足等问题,夜间视频目标检测面临诸多挑战。该文提出了一种改进的YOLOv8算法,在YOLOv8n模型的基础上,引入了SOTA(State-of-the-Art)轻量化下采样ADown模块和CBAM注意力机制,以降低参数量、提高检测精度并增强模型的感知能力。实验结果表明,相较YO-LOv8n,改进算法的计算量和参数量分别下降了8.5%和10.5%,mAP@0.5~0.95值提高了3.7个百分点,有效提升了夜间目标检测的精度。

关键词： 伪装目标检测   局部-全局特征相互补偿   局部-全局特征交叉协方差  

摘要： 在伪装目标检测(COD)领域中,最新提出的方法主要利用伪装目标的局部特征完成COD任务,输出的预测图存在目标轮廓粗糙和对象不完整的问题。针对上述问题,提出了基于局部-全局特征相互补偿的伪装目标检测方法,利用局部特征与全局特征相互补偿进行伪装目标的检测。设计一个非局部特征增强模块(N-LFEM),使用非局部机制来交互相邻局部区域,增强局部特征表达。构建一个局部-全局特征交互模块(L-GFIM),平均局部特征得到全局特征,执行局部特征与全局特征的相互补偿。设计一个局部-全局特征交叉协方差模块(L-GFCCM),通过语义对齐和交叉协方差获取空间指标定位伪装目标所在区域,选取相似性最高的特征图输出。在3个公开数据集上的实验表明,该算法优于其他8个最新模型。在COD10K数据集上,平均绝对误差(MAE)达到了0.028。

关键词： YOLO算法   鸟类检测   目标检测   深度学习  

摘要： 随着深度学习技术的持续进步,YOLO目标检测算法已成为计算机视觉领域内的研究热点。鉴于环境生态问题的日益严峻,鸟类识别技术对于生态环境保护、鸟类种群监测以及生物多样性研究具有至关重要的作用。本文全面回顾了YOLO系列检测算法从v1至v11的发展历程及其网络结构原理,对基于YOLO的鸟类检测领域的相关文献进行了梳理与分析,并归纳总结了各模型的网络结构及性能指标,为进一步验证模型效能,选取了部分主流模型在CUB-200鸟类数据集上进行了性能对比实验;探讨了几种常用于YOLO目标检测框架下的鸟类图像数据集,这些数据集是训练和测试模型的关键资源;结合YOLO系列算法的特点及最新文献,展望了未来在该领域可能的研究趋势和发展方向,旨在为进一步提高鸟类检测精度和效率提供参考。

关键词： 军事目标检测   YOLOV5   渐进特征金字塔网络   多尺度目标   注意力机制  

摘要： 针对现有算法特征学习能力欠佳、检测精度不高、计算量大等问题,提出一种基于YOLOV5s改进的多尺度目标检测算法AEM-YOLOV5(AFPN-EMA-MPDIoU-YOLOV5)。首先,在颈部网络引入AFPN渐进特征金字塔网络,以渐进的方式融合图像底层详细信息和顶层高级语义特征,增强了网络特征融合效果;其次,在每个检测分支前增添EMA注意力机制模块,跨空间聚合像素级特征,提高了复杂场景下对多尺度目标的关注程度;最后,使用MPDIoU替代YOLOV5原有C_(IoU)边界框损失函数,解决了预测框宽高比相同但绝对值不同时C_(IoU)退化的问题,使回归结果更为准确。实验结果表明,改进后算法在RSOD数据集上PmAP50达到94.5%,FPS达到42 frame/s,模型大小为14.8 MB。与现有算法相比,改进后算法性能显著提升,可满足军事目标检测的实时性要求、模型轻便。

关键词： STM32   Open MV   PID   图像处理   目标追踪  

摘要： 本文提出了一种基于STM32开发板和OpenMV视觉模块的运动目标控制与自动追踪系统。该系统利用图像处理技术和PID控制算法,实现了对目标的精确识别和稳定追踪。通过OpenMV进行实时图像采集和处理,系统能够有效地从视觉数据中提取关键信息,并传输至STM32主控。进而处理这些信息,生成精确的舵机控制信号,以实现对目标的精确追踪。系统设计考虑了交互功能,提供了直观的物理按键,便于用户进行操作和调参。测试结果显示,系统在复位、追踪精确度和稳定性方面均达到预期目标,证明了其在自动化、控制等领域的应用潜力。

关键词： 计算机视觉   增强现实   数字空间   虚拟现实   云计算   沉浸式   空间数据处理   空间计算  

摘要： 空间计算(Spatial Computing)是一项基于空间数据处理以及增强现实、虚拟现实和混合现实技术的前沿技术,能够通过感知、处理和理解真实世界的空间数据来构建虚实融合的数字空间。近年来,随着5G网络的普及、物联网(IOT)技术的快速发展以及硬件设备的不断进步,空间计算技术在多个行业中得到了广泛应用,包括游戏、医疗、制造等领域。这一技术还得益于计算机视觉、人工智能(AI)、云计算与边缘计算的协同发展,使得计算系统能够实时感知并理解三维空间的动态变化,为各行业提供更加沉浸式、智能化的解决方案。