关键词： 悬索带式输送机   目标检测   YOLOv5   风振监测  

摘要： 文中针对悬索带式输送机在运行过程中出现类似钟摆的异常运动问题,提出了一种基于机器视觉的风振监测方法以分析悬索式结构的稳定性。首先,在悬索带式输送机上需要监测的点位设置检测标杆并在索塔上布置摄像头,然后利用4G信号将视频实时传输到监控中心,利用YOLOv5模型完成对检测标杆的识别和定位,并根据检测标杆实际尺寸计算得到标杆在风载等作用下相对平衡位置的偏移量,之后通过加权滑动平均对偏移量的时序数据进行降噪处理,最后判断当前偏移量是否超出阈值并完成预警。在实际项目上的实验表明:基于机器视觉的风振监测方法能完成对检测标杆的识别和定位,能反映出监测点的横向和竖向偏移量,为悬索带式输送机的振幅检测提供了一种监测方法。

关键词： 曳引轮   磨损检测   图像处理  

摘要： 文章提出了一种基于图像检测的曳引钢丝绳磨损故障检测技术,采用改进的Canny算子边缘检测与随机Hough变换方法,对曳引轮轮槽磨损情况进行精准分析。研究表明,基于图像检测的磨损检测技术具有较高的可行性和准确性,为电梯安全运行提供了有效的技术支持。

关键词： YOLOv8   目标检测   堆垛纸箱   现代物流   神经网络  

摘要： 在现代物流仓储领域,纸箱识别对于库存管理以及物流自动化实现至关重要。针对传统方法及现有部分自动化识别方案在纸箱识别任务中实时性较低、准确度不高等不足,提出一种基于改进YOLOv8网络的纸箱识别方法。首先,提出一种自适应的归一化机制(ADBN)引入YOLOv8骨干网络,使模型能够更好地聚焦于关键特征,增强特征提取效果。在YOLOv8检测头中引入了结合FasterBlock和卷积门控线性单元(CGLU)的C2f-Faster-CGLU机制,提高了模型计算效率与模型局部建模能力。此外,引入一种新的基于最小点距离的边界框相似性比较指标MPDIoU,能够更准确地评估模型预测框与真实框的相似度,改进了损失函数。对比实验结果显示,改进后的模型较原模型mAP@0.5提高了1.6%,召回率提高了1.3%,且相较于其他几种主流的检测算法均有性能上的提升,为物流仓储行业的识别工作提供了更精准高效的技术支持。

关键词： 森林生长动态监测   计算机视觉   蒙阴县  

摘要： 森林作为全球生态系统的重要组成部分,在调节气候、生物多样性保护、水土保持等方面发挥着不可替代的作用。然而,传统的森林生长监测与培育方式受限于人工调查的低效性和滞后性,难以精准掌握森林生长动态。近年来,人工智能技术的快速发展,为森林生态监测与优化培育提供了新的可能。蒙阴县作为森林资源丰富的区域,面临森林经营管理、森林健康监测以及生态效益优化等多重挑战。因此,基于人工智能的森林生长动态监测与培育优化研究,利用计算机视觉、遥感影像分析、深度学习等技术,构建高效、精准的森林动态监测系统,并结合智能培育管理措施,不仅能够提升森林经营管理的科学性,还能实现生态和经济效益的双重优化。

关键词： 焊缝质量评价   同态滤波   阈值分割   评价指标  

摘要： 针对水下焊接过程难以观测和焊缝质量评价精度较低等问题,提出了一种基于图像处理技术的水下焊接焊缝成形质量评价方法。该方法以焊缝成形图像为核心信息源,通过同态滤波算法对焊缝边缘轮廓图像进行预处理,利用焊缝与母材在灰度值上的显著差异,结合阈值分割算法和形态学操作,实现了焊缝与母材的有效分割。进一步地,以焊缝图像的灰度值矩阵为基础,完成了焊缝外观特征参数的提取。为了量化焊缝质量,提出了外观稳定系数作为质量评价的关键指标,基于该指标能够有效表征水下焊接过程的优劣。实验对比结果表明,所提出的方法显著提升了焊缝质量指标的提取精度和评价效果,能够客观且准确地反映水下焊接操作的稳定性。

关键词： 大豆冠层   深度学习   改进YOLOv5s   叶片识别   目标检测  

摘要： 为开发自走式大豆表型信息采集平台,实现自动化叶片识别与表型参数获取,解决人工干预问题,提出一种基于改进YOLOv5s的大豆冠层叶片识别方法。在骨干网络特征提取层中引入通道空间融合注意力机制(CBAM),提高对小叶片的识别效果。将网络中的空间金字塔池化结构(SPPF)替换为空洞空间卷积池化金字塔结构(ASPP),加强局部信息检测,引入SIoU损失函数,提高复杂背景下叶片的定位能力。利用检测框的坐标信息对单个叶片进行分割进而获取叶长、叶宽、叶面积。试验结果表明:相比于原模型,改进后模型的平均精度均值mAP、精确率、召回率分别提高5.4%、3.3%、4.6%;叶长、叶宽、叶面积平均绝对误差分别为0.98 cm、0.56 cm、6.20 cm^(2)。

关键词： 目标检测   成熟度识别   病虫害检测   YOLOv8   AKConv   SimAM  

摘要： 针对电商场景下番茄品质管控与供应链响应效率的协同需求,本文提出一种面向电子商务的改进YOLOv8番茄植株病虫害与成熟度同步检测方法。通过深度学习模型,实现植株生长状态的多维度感知。技术改进方面,将原本的Conv模块替换为AKConv模块,并添加SimAM注意力机制,引入了MPDIoU损失函数去避免引入复杂的惩罚项降低计算复杂度,使模型计算量降低16.35%的同时维持82.4%的检测精度。实验表明,在自建包含6类常见病害与3级成熟度的番茄数据集上,模型综合检测精度达82.4%。In response to the collaborative demand for tomato quality control and supply chain response efficiency in e-commerce scenarios, this paper proposes an improved YOLOv8 tomato plant disease and pest synchronous detection method for e-commerce. Realize multi-dimensional perception of plant growth status through deep learning models. In terms of technological improvements, the original Conv module was replaced with the AKConv module, and SimAM attention mechanism was added. The MPDIoU loss function was introduced to avoid introducing complex penalty terms and reduce computational complexity, resulting in a 16.35% reduction in model computation while maintaining 82.4% detection accuracy. The experiment showed that the comprehensive detection accuracy of the model reached 82.4% on a self-built tomato dataset containing 6 common diseases and 3 levels of maturity.

关键词： YOLOv8   目标检测   注意力机制   智能制造  

摘要： 针对玻璃盖板划伤缺陷形状细长不连续、尺度多变等特性,对YOLOv8模型进行改进,借鉴注意力机制MLCA和GhostBottleneck模块改进网络主干的C2f模块,减少冗余特征,深入挖掘空间与通道信息、局部与全局信息;颈部引入VoVGSCSP模块,提高语义增强和特征融合能力;头部运用深度可分离卷积并做出非对称化结构改进,减少参数量,提高检测效率;后处理算法改用WIOU,采用明智的梯度增益分配策略,提升收敛速度。在自建数据集上训练模型并验证,改进后的YOLOv8模型精确率提高了5.1%,召回率提高了4.5%,平均精度均值提高了2.1%,参数量和浮点运算量分别下降了38.5%和47.6%,漏检、误检减少,目标重叠和检测锚框重复的情况明显改善。

关键词： YOLOv10n   车辆检测   车牌检测   SE注意力机制   目标检测  

摘要： 车辆检测与车牌检测是现代交通中的重要课题。为提高车辆及车牌检测的准确率,文章提出了一种基于YOLOv10n算法及SE注意力机制的车辆车牌检测方法。首先,将YOLOv10的检测类别设为两类,分别为车辆和车牌,以降低模型的信息冗余,提高检测精度;其次,将SE注意力机制融入YOLOv10n算法模型,以提升检测效率;最后,对经SE注意力机制处理后的特征进行检测,以提高整体的检测性能。实验结果表明,该模型取得了较好的检测性能,车牌的Box(P)、Box(R)分别比YOLOv10n的提高了1.1%、1.2%,全部类别、车牌的m AP50分别比YOLOv10n的提高了0.2%、0.4%。除此之外,在模型所占内存并无增加的前提下,检测时间有所降低。

关键词： 医疗废物智能分类   图像处理   MobileNetV2   特征提取   多尺度特征融合   深度学习  

摘要： 随着医疗服务需求的增长,医疗废物的产生量逐渐超出负荷,当前医疗废物的分类与包装多以人工为主,存在医护人员感染病毒风险高、工作效率低下等问题。针对上述问题,本研究在MobileNetV2模型的基础上,提出一种改进MobileNetV2的医疗废物智能分类模型(MobileNetV2-MW)。通过改进瓶颈残差模块,捕捉不同特征通道之间的关系,提升模型对图像信息的特征提取能力;同时,引入一种多尺度特征融合模块,增强模型对图像多尺度信息的适应能力,避免模型过度关注某一特定尺度带来的不良影响。实验结果表明,MobileNetV2-MW模型在医疗废物图像数据集上的分类准确率、精准率、召回率和F1-Score分别达到95.38%、95.36%、95.33%和95.30%,相比于MobileNetV2模型分别提升了3.18%、3.05%、3.23%和3.21%,在对比模型中分类效果优秀,最后通过t-SNE可视化分析和泛化实验进一步验证了该模型的有效性,为医疗废物智能分类研究提供了新的思路和方法。