关键词： 深度学习   目标检测   注意力机制   计算机视觉   复合缩放   航拍   无人机  

摘要： 无人机结合计算机视觉技术成为新的信息获取手段,广泛应用于各个领域,但无人机多角度成像过程中,目标像素占比小,受背景干扰严重,存在目标漏检误检等现象。针对此问题,提出一种小目标检测算法。首先,替换更高效的主干网络,应用复合缩放的方式来探索网络深度、宽度以及图像分辨率三者间的平衡点;结合C2f层级链接的优势,应用注意力机制来有效提取不同尺度、方向和形状目标的上下文细节信息,并通过并行网络实现小目标位置信息的交互建模。其次,针对小目标像素利用率低的特点,设计DTADH模块,构建共享特征交互模块,结合任务对齐预测器进行目标的分类以及定位分配,经注意力机制动态计算任务特征来进行任务分解,有效减少了参数量,提高整体性能。在无人机航拍数据集VisDrone2019上进行实验,结果显示算法的mAP提升了2.1%,FLOPs减少了32.5%。计算复杂度下降,具有更好的检测效果。

关键词： 现场可编程门阵列(FPGA)   视频数字识别   图像处理   Verilog HDL   视频图形阵列(VGA)  

摘要： 构建了一种基于现场可编程门阵列(field programmable gate array,FPGA)和CMOS图像传感器OV7725的视频数字识别系统.该系统包括人工光感受器、数字电位器阵列相关电路和视频图形阵列(video graphic array, VGA)显示器.由FPGA和CMOS图像传感器OV7725组成的人工光感受器将视频数字输入并进行图像处理,利用数字电位器阵列相关电路进行数字的训练与识别,可通过VGA显示器和FPGA上的数码管进行数字显示.系统采用QuartusⅡ18.1软件平台,通过Verilog HDL语言进行程序编写并进行时序分析验证.该系统能识别0到9的视频数字,取得了良好的效果,从而实现了基于FPGA的视频数字识别系统.

关键词： 深度学习   目标检测   真空包装   缺陷检测   YOLOv5s  

摘要： 针对真空包装缺陷检测任务中人工剔除和传统机器学习算法检测的方式存在效率低下、检测精度不高的问题,提出了一种基于YOLOv5改进模型的目标检测方法。首先,使用SPD卷积模块代替普通跨步卷积进行下采样,减少了卷积过程中的特征信息丢失,并引入Ghost模块,在减少模型参数和计算量的同时提高了检测精度;其次,引入SimAM(Simple Attention Module)无参数注意力模块,进一步增强了模型的特征提取能力;最后,采用AFPN渐进式特征金字塔网络,弥补了非相邻层级特征融合语义差距大的不足。改进后的模型在自制真空包装缺陷数据集上的平均精度达到96.84%,相比原YOLOv5模型提高了3.38%,同时模型尺寸减少了25.89%。实验结果表明所提检测算法可有效提高真空包装缺陷检测的效率。

关键词： 光学传感   空间频率响应   实时调焦   图像处理  

摘要： 通过分析光学传感器原理,设计了一种基于光学传感的实时调焦算法,并对其进行了优化。实验结果表明,该算法能准确获取图像的空间频率响应(spatial frequency response,SFR)值,并通过实时调整焦距来优化图像清晰度。优化后的算法在提升调焦精度和响应时间方面表现优异,可有效减少焦距调整时间,提高系统的自动对焦性能,为智能设备图像处理提供了新的解决方案。

关键词： 太阳能板   智能跟踪   光伏发电   计算机视觉  

摘要： 随着可再生能源需求量的增加,提高光伏发电效率变得越来越重要。相较于传统的固定式光伏支架,太阳能板跟踪支架具有辐照效率高、发电时间长等优点,得到了迅速推广和应用。然而,由于高散射天气和地势起伏等因素,传统光伏跟踪策略存在阴影遮挡和运动失配等局限性。为了弥补这些不足,提出了一种基于计算机视觉的太阳能板智能跟踪方法。实践应用表明,该方法可以高精度地追踪太阳位置的变化,有助于提高光伏发电的效率。

关键词： 煤矸石   目标检测   改进YOLOv8s   轻量化   实时分选  

摘要： 煤矸分选是煤矿生产的必要环节,煤矸自动识别是实现智能化分选的前提。基于深度学习的煤矸石目标检测可以充分利用图像特征,其精度上限高,但存在模型计算量较大、难以部署实时分选现场等问题。针对上述问题,提出轻量级的DVBS-YOLOv8s煤矸石目标检测方法。为了提高模型的推理速度,在YOLOv8s的网络骨干部分引入DSConv和Vanillanet模块,在网络颈部引入Slim-neck实现轻量化;为了提高模型对皮带背景和煤矸石目标的特征抓取能力,引入BoT和Slim-neck;最后利用WIoU和Soft-NMS算法增强训练效果。搭建图像采集试验平台,并自建14 790张煤矸石图像作为数据集进行试验,结果表明,在煤矸石目标检测任务中,与YOLOv8s相比,改进后的DVBS-YOLOv8s-WS网络模型更加关注全局特征,增大了感受野,同时推理速度加快了32%;与YOLOv5系列、YOLOv7系列、SSD、Faster-RCNN和YOLOv8s相比,检测精度和速度均有所提高,为实现基于深度学习的煤矸石高精度实时分选提供了参考。

关键词： 反无人机   嵌入式   边缘设备   目标检测   特征融合  

摘要： 随着无人机技术广泛应用,其滥用带来的安全风险日益显著。而传统检测和预警技术成本高、易受干扰。深度学习计算机视觉技术为无人机检测提供了高效、精准、低成本优势的新方案。然而,边缘设备上的无人机检测面临复杂背景、目标小且快、运动模糊及精度与速度平衡等挑战,本文基于YOLOv8模型,针对边缘设备限制,引入轻量级动态上采样器DySample加强特征融合,并应用三维注意力机制SimAM自适应调节特征权重,聚焦于目标区域,旨在提升无人机检测的准确性和鲁棒性,有效应对边缘计算环境下的检测难题。在Det-Fly与TIBNet数据集实验数据表明,本文提出的方法分别提升了4.5%、3.17%,且在边缘计算板中效果提升4.04%、4.34%,显著提升检测效率,满足实时反无人机检测的实际需要。

关键词： 红外图像   目标跟踪   压缩感知   空时加权   遮挡检测   贝叶斯分析  

摘要： 为了有效解决了遮挡、运动模糊、拖尾等干扰影响下跟踪漂移的问题,本文提出一种基于两阶段时空加权特征的红外目标跟踪算法,该算法将目标区域分割成相同尺寸的非重叠区域,并根据相距目标中心的位置信息分配不同的权值,以此推导出具有自适应时空加权贝叶斯分类器;然后,利用改进的度量准则找出具有最大类差的分类样本,具有较高的跟踪适应性,且在目标被遮挡时具备对目标的重捕和跟踪。仿真实验表明,相比SiamFC等主流跟踪算法,所提算法在LSOTB-TIR目标跟踪数据集中重叠率和中心误差指标上均实现显著优化,大幅提升了跟踪稳定性与定位精度,且跟踪速度达到56帧/s,适合工程应用。

关键词： 荔枝   振动采收   图像处理   分离特性   结构优化  

摘要： 为了研究荔枝振动分离特性,以此为基础优化振动器结构,利用往复振动采收装置在不同振动参数下对荔枝进行振动分离试验,并采用MatLab软件分析高速相机拍摄的荔枝运动视频,获得荔枝运动参数(轨迹、速度、加速度等)。为了确定振动机构的最优工作参数,利用Design-Expert软件处理试验数据并得到回归模型,再通过响应曲面分析振动频率、振幅和振动距离对荔枝分离特性(分离时间、碰撞次数和惯性力)的影响,对回归模型进行优化,结果表明:当振动频率为9.7 Hz、振幅为80 mm、振动距离为29.4 mm时,既能保证较短的分离时间又能减轻荔枝果实所受的机械损伤。为了基于最优工作参数对振动器进行结构优化,以采收效率高和损伤小为目标,以尺寸约束、角度约束和强度约束为约束条件,建立多目标优化模型。优化后的振动器为对心曲柄滑块机构,曲柄长度为56 mm,连杆为127 mm,角速度为62 rad/s。经验证,优化后的振动器可以提高采收效率,减少果实所受损伤,为荔枝振动采收器的设计提供依据。

关键词： 激光选区熔化   深度学习   铺粉异常检测   图像处理   实时监控  

摘要： 提出了一种创新的基于深度学习的激光选区熔化(SLM)铺粉状态识别方法,以应对传统铺粉异常检测方法中效率低下和精度有限的问题。通过模拟5种常见的铺粉状态(正常铺粉、划痕、铺粉不均匀、粉末不足和粉末过多),构建了一个包含1327张多角度图像的数据集。采用VGG-16、ResNet-101和EfficientNetV2-XL三种深度学习模型进行训练和测试。实验结果表明,该方法在实时检测铺粉异常方面相比传统方法具有显著优势。其中,VGG-16模型在保持高精度的同时推理速度最快,达到68.24 frame/s,适用于工业实时监控;而ResNet-101和EfficientNetV2-XL模型则在处理更复杂的异常类型(如铺粉不均匀)时表现更为出色,但推理速度相对较慢。基于Grad-CAM技术的注意力区域分析结果显示,VGG-16模型更适合检测局部异常,而ResNet-101和EfficientNetV2-XL模型在处理复杂背景和大范围异常方面具有优势。多角度图像数据集的构建和深度学习模型的比较分析,为SLM工艺的实时质量监控提供了新的解决方案,并为未来的模型优化和多模态传感器集成应用指明了方向。