关键词： 环境感知   多模态融合   目标检测   变换器   注意力机制  

摘要： 针对单一传感器在环境感知任务中的性能局限性,提出了一种基于Transformer的毫米波雷达/激光雷达/相机融合3D目标检测方法。该方法由3个关键模块组成:1)相机模块,将图像特征与初始3D目标预测结合,进行视觉增强;2)雷达模块,针对毫米波雷达点云稀疏问题,提出时序多帧融合算法,对连续5帧毫米波雷达数据进行融合,同时提出点云加权融合算法,在毫米波雷达与激光雷达的点云描述能力互补的基础上,构建增强的雷达点云;3)融合模块,采用Transformer解码器,充分整合雷达点云与相机特征,以提升3D目标检测性能。在自制城市道路数据集上进行了实验,并基于nuScenes数据集指标进行评估。实验结果表明,相较于现有方法,本方法在mAP指标上提升6.38%,在NDS指标上提升5.93%。

关键词： 发动机   叶片损伤   目标检测   YOLOv4   注意力机制   扩张卷积  

摘要： 针对孔探设备检测航空发动机叶片损伤时会出现的漏检和人力物力耗费过大的问题,在YOLOv4网络的基础上提出一种基于扩张卷积和注意力机制的目标检测算法。使用CSPDarknet53作为特征提取网络;引入混合注意力机制并融合扩张卷积来增强网络的特征提取能力;采用Focal Loss函数优化原有的损失函数。实验结果表明:改进后算法网络的检测精度提高了5.71个百分点,更能满足发动机叶片损伤检测不漏检的需求。

关键词： 青枣病虫害   YOLOv5   目标检测   工程化应用   边缘部署   实时检测  

摘要： 针对青枣病虫害传统检测效率低、实时性差的问题,本文提出基于YOLOv5的工程化检测系统,创新性地构建了首个包含9类病虫害及正常果的青枣专用数据集,共计863张图像。通过采用数据增强(旋转±15°、对比度调整)、超参数优化(学习率5×10^(-4)、batch size 32)及余弦退火训练策略,对YOLOv5s模型进行优化。实验结果表明,系统在青枣数据集上mAP@50达0.79,单帧推理时间0.148 s,满足田间实时检测需求。与YOLOv8s系列模型相比,YOLOv5s在保持较高精度的同时,参数量减少36%,推理速度提升37%,在Jetson Nano等边缘设备部署上优势显著。该系统基于PyQt5开发,集成图像采集、预处理、检测与结果可视化功能,为复杂农业场景下青枣病虫害检测开辟智能化高效新路径,有望为农业智能化发展中的病虫害防治贡献力量,具备一定应用价值与推广潜力。

关键词： 食品安全监管   智能监控   计算机视觉   物联网   人工智能  

摘要： 针对传统人工监管方式存在的效率低下、覆盖面有限等问题,研究采用计算机视觉、物联网传感和人工智能等技术,构建了一套完整的智能监控系统。通过在某市50家食品生产企业开展为期一年的实地试验,分析智能监控与传统监管模式在准确率、实时性、成本效益等方面的差异。对比结果表明,智能监控技术能将食品安全隐患的发现率提升43.2%,平均响应时间缩短至传统模式的1/6,监管成本降低52.7%。该研究为推进食品安全监管现代化提供了实践依据和技术支撑。

关键词： 无人机   YOLOv7   目标检测   牲畜种群数量调查  

摘要： 牲畜种群数量调查是卫生防疫、禁牧、休牧、草畜平衡核定等草原管理工作的重要内容,关系到畜牧业现代转型升级和草原的可持续发展。使用无人机进行牲畜种群数量调查,不可避免地出现牲畜小而密集的问题而导致识别错误。针对该问题,提出了一种高效的LSNet算法,该算法增加了一个检测头(P2)来识别浅层特征图中的小物体,并去除了一个检测头(P5)来减少过度下采样的影响。为了捕获高级语义特征,提出了一个大型内核全局注意力空间金字塔池化(LKGSPP)模块,而且集成了双向特征金字塔网络(BiFPN)结构来增强无人机图像中多尺度特征图的融合效果。此外,还利用了中国内蒙古呼伦贝尔陈巴尔虎旗的无人机图像,建立了用于深度学习的放牧牲畜数据集。实验表明,与YOLOv7相比,LSNet的mAP提高了1.87%。LSNet可以成为无人机影像下草原牲畜检测的有利工具。

关键词： 机器人自动化   工业自动化   计算机视觉   图像匹配   工件识别   计算机技术   机器视觉技术   快速识别  

摘要： 0背景在工业4.0时代,制造业作为国家经济发展的基石,其自动化水平直接影响到国家经济的整体发展。计算机集成制造系统(CIMS)是实现工业自动化的重要组成部分,这一系统通过结合先进的机器视觉技术与计算机技术,实现对制造过程的全面控制和优化。图像匹配作为计算机视觉领域中的核心技术,扮演着至关重要的角色。特别是在工业机器人自动化搬运和分拣工件的过程中,图像的快速识别和精准配准对提升生产效率和产品质量具有显著作用。

关键词： 铁矿   巡检机器人   皮带   图像处理  

摘要： 皮带上料系统是铁矿生产中的关键运输环节,负责将井下提升的矿石输送至磨矿仓进行后续处理。然而,由于井下物料性质不稳定,常含有水分,加之爆破和支护过程中遗留的铁器,容易导致皮带压料、跑偏甚至撕裂等故障,存在严重的安全隐患。传统的人工巡检方式效率低,难以及时发现隐患。通过对智能巡检机器人系统的研究,实现了图像数据的采集与处理,结合Canny算法和红外线检测技术,实现了皮带运行状态的全面监测。结果表明,该系统能够有效提高上料系统皮带运输的可靠性,减少故障发生,提升生产效率。

关键词： 船舰目标检测   SAR影像   注意力机制   可变形卷积   融合空间金字塔池化   损失函数  

摘要： 针对目前SAR影像船舰目标检测方法存在多场景下检测精度不高、漏检、模型泛化能力差的问题,尝试以YOLOv8s网络为基础,提出新的注意力机制D-CBAM,并定义新的损失函数RIoU,以及将最新的可变形卷积DCNv4替换标准卷积,引入融合空间金字塔池化focal modulation networks来提升网络性能,提出的网络命名为DR_YOLOv8s++检测网络。为验证DR_YOLOv8s++网络的有效性和通用性,在SSDD、HRSID数据集上进行实验。结果表明,所提出算法的平均精度均值分别达到98%、97.5%,优于其他经典算法,模型性能提升明显,同其他目标检测算法相比,具有较强的泛化能力。

关键词： 峰值旁瓣比   多搜索区   核相关滤波   目标跟踪   粒子滤波  

摘要： 在目标因快速运动或遮挡造成观测不连续的情况下,由于核相关滤波(Kernel Correlation Filter,KCF)算法采用固定大小搜索区,容易导致跟踪精度下降甚至目标漂移。针对这一问题,本研究提出了一种基于峰值旁瓣比扰动的多搜索区核相关滤波跟踪方法。该方法首先在核相关滤波跟踪框架中融入跟踪质量感知机制;然后在特殊场景下,以上一帧目标所在位置为先验信息,通过峰值旁瓣比对运动状态方程的协方差矩阵进行扰动,从而调节各采样粒子所在搜索区分布;最后以各搜索区域的相关滤波响应峰值构造似然函数,利用粒子滤波算法在多搜索区中实现对目标位置的有效估计,在模板更新上采用差异化模板更新策略以降低目标漂移概率。定性和定量实验结果表明,本研究所提方法在目标快速运动和被遮挡情形下,相比原始KCF算法跟踪精度有较大的提升,且具有一定的鲁棒性。

关键词： 碾压混凝土坝   水利工程施工   视频监控   深度学习   计算机视觉   碾压施工  

摘要： 碾压混凝土坝坝面施工时间控制对浇筑质量影响巨大,而碾压混凝土坝坝面施工环境复杂,指派专人定时定点手动记录的传统方式存在人员成本大、效率低和安全管理难度高等难题。针对以上问题,本文提出一种视觉化的碾压混凝土坝仓面碾压及摊铺状态智能监控和分析方法。通过利用布置于施工现场的视频监控系统获取坝面施工的图像数据,采用QueryInst深度学习算法对坝面各区域施工状态自动化识别,并考虑图像数据的时间关系,实时统计分析现场施工阶段和各阶段施工时间。本方法应用于某碾压混凝土坝仓面施工状态的监控过程,应用效果表明:所提方法能够准确、有效地识别仓面各区域的施工状态并自动统计各施工阶段的时长,从而为施工现场管理提供出丰富的数据支持和参考依据。