关键词： 工业机器人   绘画工作站   图像处理   轨迹  

摘要： 近年来,机器人行业发展迅猛,机器人的应用场景也渗透进各行各业之中。其中,绘画机器人因其与生活关联度较大,备受机器人学习者们的青睐。在采用机器人技术开展绘画项目的过程中,如何将图像的信息转化成有效的机器人可执行的轨迹是至关重要的一步。本文将从具体的方案介绍、优缺点分析等角度,阐述机器人绘画工作站中图像处理的方法。

关键词： 卫星影像   目标检测   CenterNet   注意力   农业大棚  

摘要： 农业大棚的检测在保障农业生产和输电线路安全方面具有至关重要的意义,针对卫星影像下的农业大棚形状、纹理以及尺度变化多样的问题,提出了一种基于改进CenterNet的旋转农业大棚检测方法。该方法通过对CenterNet目标检测网络的改进,引入空间注意力和通道注意力机制,采用向量参数表示旋转框,并结合随机量化数据增强方法,提高了目标检测准确性和模型的泛化能力。实验结果显示,所提出的方法显著提升了卫星影像中大棚目标的检测效果,农业大棚识别的准确率达到了90.57%。

关键词： 计算机视觉   缺陷检测   航空发动机叶片   改进YOLOv7   深度学习   MPDIoU损失函数  

摘要： 对于航空发动机叶片在生产加工过程中产生的各种缺陷,通常以人工目检的方式来进行检测。为避免因人为经验导致检测结果缺乏一致性,以及检测效率低的问题。文中提出一种基于改进YOLOv7的叶片检测方法,旨在精准高效地检测叶片表面的缺陷。针对生产加工过程中四类常见的典型缺陷,构建了航空发动机叶片表面缺陷数据集。在YOLOv7特征融合网络的ELAN-W中加入SKNet,使模型获得自适应感受野以增强网络特征提取的能力;在头部网络引入Dyhead提升模型的类别识别能力和检测性能;采用MPDIoU损失函数替代原始的CIoU损失函数以实现更加精确的边界框回归。所提方法在保证召回率的基础上提升了模型的检测性能,其中精度、召回率和mAP@0.5分别提升了5.3%、2.2%和3.7%,检测单张叶片的时间为4.93 s。为叶片的自动化检测提供了一种新方法。

关键词： 图像处理   指纹分类   双分支结构   注意力机制   特征融合   超参数   激活函数   深度学习  

摘要： 针对现有指纹分类算法中存在的低质量指纹难以识别、特征信息提取不充分以及提取过程中信息丢失的问题,提出一种基于双分支注意力机制的指纹纹型分类算法。算法通过提取方向场和进行Gabor滤波的双分支网络进行特征融合,充分利用指纹图像的纹线特征和全局特征;提出的组合激活函数和综合注意力机制模块充分提取卷积分支上的空间特征和通道特征信息,减少提取过程中的信息丢失;设计分支特征融合模块对双分支输出的特征图进行加权,充分融合特征信息;最后引入改进的交叉熵损失缓解样本分布不平衡的问题。实验结果表明,所提算法在自建纹型数据集的4类指纹分类中取得了99.08%的准确率,在准确率、F1分数和曲线下面积指标方面均优于其他网络模型,验证了本文算法在纹型分类任务上的有效性和优越性。

关键词： 矿井   单轨吊机车   机器视觉   目标检测  

摘要： 单轨吊机车作为一种新型矿井辅助运输设备,其无人驾驶技术是发展趋势,目前障碍物的准确识别和实时检测被认为是保证煤矿无人驾驶单轨吊机车安全运行的前提。文章提出了一种基于DeblurGANv2和改进的YOLOv4(SAYOLOv4-Tiny)的单轨吊运行区间障碍物检测方法,实现在煤矿低照度、运动模糊、遮挡、小目标、背景干扰等复杂环境下对井下巷道内障碍物、作业人员等进行准确检测。此次研究使用了DeblurGANv2对模糊图像进行了去模糊处理。现场实践验证了该系统可满足矿用单轨机车的障碍物检测要求,为煤矿井下轨道运输设备的自主驾驶奠定了基础。

关键词： 改进的YOLOv8n算法   StarNet   目标检测   注意力机制   轻量化  

摘要： 针对现有仪器设备检测算法在管廊复杂环境下检测精度低、模型复杂等问题,提出一种改进YOLOv8n的SLB-YOLOv8n仪器设备检测算法。首先,构建C2f-star模块并替换主干网络中的C2f,降低模型复杂度;其次,在SPPF模块添加LSKA注意力机制,增强低光环境识别能力,并将特征融合方式替换为BiFPN,提高识别精度;最后,将损失函数替换为WIoUv3,加快模型收敛速度。使用管廊自建数据集进行训练,结果表明SLB-YOLOv8n相比YOLOv8n参数量减少了31.9%,而mAP提升了0.9%。改进后的算法在轻量化的同时提高了识别精度。

关键词： 无人机   桥梁裂缝检测   目标检测   YOLOx-s算法   注意力机制  

摘要： 针对桥梁裂缝检测不充分的安全隐患问题,结合小型无人机平台提出一种基于YOLOx-s的桥梁裂缝检测算法.首先,在backbone中添加残差空洞卷积模块,以解决无人机图像尺度变化大、背景复杂的问题;其次,在PANET中添加坐标注意力机制模块,以提高小目标检测率;最后,替换损失函数为Focal loss,以加强正样本的学习,提高模型的稳定性.实验结果表明:该方法相比于YOLOx-s算法,检测精度提升了3.72个百分点;在嵌入式设备上,该方法比其他主流算法有更好的精度,且能实现实时性检测,可以更好地应用在无人机桥梁裂缝检测中.

关键词： 计算机视觉   小目标检测   水面漂浮垃圾   自注意力机制   损失函数   噪声抑制   深度学习  

摘要： 为解决水面垃圾检测中小目标比例高、易受光照及环境噪声影响的问题,提出一种基于YOLOv7的改进型检测算法FA-YOLOv7。构建一个上下文信息感知模块(GCFA),解决小目标环境语境信息缺失的难题;引进深度噪声抑制模块(DNSM),降低环境噪声对检测精度的影响;为增强模型训练的稳定性和提高收敛速度,采用联合回归损失函数。通过水面垃圾检测实际应用的测试,验证了该方案的准确性与有效性。

关键词： 目标检测   YOLOv8   MobileViT   轻量化   Soft-NMS  

摘要： 智能除草装置在农田实际应用中面临杂草检测模型如何部署至移动设备,并实现对复杂背景下不同形状和特征的杂草快速精确识别的问题。针对农业移动除草设备的部署需求,本文以玉米苗期的杂草数据为检测目标,对YOLOv8(You Only Look Once)检测算法进行改进,提出了一种轻量化杂草目标检测算法。为了缩减模型规模,并提高模型在移动设备上的运行效率,将主干网络替换为改进后的Mobile Vi T(Mobile Vision Transformer)轻量级模型主干。与此同时,设计了颈部网络纳入轻量级卷积GSConv(Group-Steerable Convolution)和Vo VGSCSP(Voting-based Vision Guided Superpixel Co-Segmentation with Pooling)模块,以增强模型的特征提取能力和目标检测的精确度,提高模型检测的准确性和速度。通过将Distance-Io U(DIo U)与柔性非极大抑制(Soft-NMS)相结合的算法,改善了模型的收敛速度,并在多个目标重叠下达到了更高的平均准确率。通过自建的玉米田杂草数据集进行了实验验证,结果表明:轻量化的杂草识别模型参数量仅为1083025,相较于YOLOv8n减少了64%;模型的精确率和召回率分别达到了93%和92.6%,m AP50和m AP50-95指标分别为97.4%和88.1%;此外,单幅图像的检测速度达到了92.5帧/s,为该模型在农业边缘设备上的应用提供了条件。该算法在准确性、速度和模型规模方面取得了显著的改进,可以为智能除草装置在农田中的实际应用提供技术支持。

关键词： 无人机   图像处理   检查系统   信息处理  

摘要： 本文提出了一种基于无人机影像处理的建筑外墙维护检查系统,旨在解决传统人工高空作业方式存在的安全隐患大、检查效率低、成本高以及检查精度不足等问题。该系统结合了无人机技术和先进的图像处理技术,通过无人机图像采集模块获取建筑外墙的高清图像数据,并利用图像处理与分析模块对图像进行预处理、特征提取和缺陷识别,能够自动识别出外墙上的裂缝、破损、污染等缺陷。系统还包括图像传输与存储模块以及用户界面与报告生成模块,实现了图像数据的快速传输、存储和管理,以及直观易用的操作界面和详细的维护检查报告的生成。测试结果表明:该系统相比现有技术,正确率提高了9.2个百分点,误检率降低了2.8个百分点。