关键词： 图像处理   输电线路   绝缘子   缺陷   自动检测  

摘要： 针对输电线路绝缘子缺陷检测中存在的效率低、准确性不足以及人工检测成本高问题,提出了一种基于图像处理的自动检测算法。该算法旨在通过先进的图像处理技术,实现对输电线路绝缘子表面缺陷的快速、准确识别。首先,利用高分辨率相机获取绝缘子的图像数据;然后,采用图像预处理技术,包括去噪、增强对比度等,以提高图像质量;最后,利用边缘检测与形态学分析方法提取绝缘子表面的关键特征,并通过机器学习算法对这些特征进行分类与识别,以判断绝缘子是否存在缺陷。实验结果表明,本文提出的算法能够在多种光照和天气条件下,准确识别出绝缘子的裂纹、污秽等多种缺陷,其检测精度和效率均优于现有方法。

关键词： 图像处理   基准信息   相似度检测   表盘检测  

摘要： 工业现场环境复杂,无法精准识别现场仪表的准确位置,进而无法读取仪表的准确数值,导致工厂和工人的安全存在极大隐患。基于上述问题,提出一种基于图像处理和基准信息的方表检测方法,对于现场拍摄的图像进行预处理操作和方表检测操作来获取方表的大致位置,对基准表盘和待检测表盘进行相似度检测,最终获取表盘的精准位置。实验证明,本文所提出检测方法可以获取准确的方形表盘区域,为工厂的安全生产和稳定运行提供有利保障,同时为工业生产的自动化改革提供参考。

关键词： 目标检测   钢绞线   多尺度损伤   YOLOv7   注意力机制   损失函数   自适应机制  

摘要： 为解决高压架空线路中钢绞线破损检测难的问题,提出了一种改进的YOLOv7(you only look once version 7)钢绞线损伤检测模型。由于钢绞线损伤检测过程中,存在损伤尺度小的问题,利用坐标注意力模块(coordinate attention,CA)提升模型对小尺度目标的信息提取能力。在路径聚合特征金字塔网络(path aggregation feature pyramid network,PaFPN)的架构基础上,加入自适应空间特征融合模块(adaptively spatial feature fusion,ASFF)来增强模型获得不同尺寸图像以及不同损伤大小的能力。使用加权交并比替换完整交并比来优化损失函数,利用动态聚焦机制对边界框回归,提高模型的鲁棒性。试验结果表明,改进后的YOLOv7模型相比原YOLOv7模型,钢绞线损伤检测性能明显提升,平均精度提高15.8%。钢绞线损伤检测效果优于原模型。

关键词： 多光谱成像技术   成像光谱仪   目标检测算法   多光谱目标检测算法   数据集   特征融合  

摘要： 相较于单一波段目标检测技术,多光谱目标检测技术通过捕获物体在多个不同波长的光谱波段下的反射或辐射信息,极大地提高目标检测的准确性和应对复杂环境的鲁棒性。在遥感、农业检测、环境保护、工业生产以及国防安全等领域有着广泛的应用。然而,目前多光谱目标检测领域仍面临着严峻挑战:多样化的高质量数据集以及高效目标检测算法的缺乏,严重制约了该技术的进一步发展和应用。鉴于此,综合阐释了多光谱目标检测数据集的制作方法以及多光谱目标检测算法的重要进展。首先,系统分析了多光谱数据集的构建过程,包括数据采集,预处理和数据标注。其次,全面分析了目标检测算法发展的历史脉络,这些算法涵盖了基于传统特征提取技术的目标检测算法、深度学习方法以及其改进版本。此外,着重强调了算法开发者为提升多光谱目标检测性能在特征融合、模型架构和子网络方面所作的关键改进。最后,探讨了多光谱目标检测技术未来的发展方向,期望为研究人员指明潜在的研究热点和应用领域,促成多光谱目标检测技术在实际场景中更广泛的应用,提升其社会价值。

关键词： 矿石输送带   钢筋异物   目标检测   YOLOv5   卷积神经网络  

摘要： 以矿石输送带钢筋异物检测为研究对象,通过采集和增强矿石异物数据集,研究了改进的YOLOv5算法对于检测性能的提升。通过引入CBAM注意力机制,构建了高质量的矿石与钢筋混合数据集,并基于CBAM-YOLOv5模型在检测精度上实现了2.38个百分点的提升。结果表明,YOLOv5算法以其高效的实时检测能力和优化的推理速度,在工业检测中表现出色,能够迅速准确地识别晶圆表面的缺陷。

关键词： 瓷砖表面缺陷检测   目标检测   YOLOv9   深度学习   特征融合  

摘要： 针对瓷砖表面缺陷检测中存在的小目标检测精度低、参数量大,以及误检和漏检问题,提出了一种改进的瓷砖表面缺陷检测算法YOLOv9s-SEFN。首先,本研究设计了SPNet多尺度特征融合模块通过增强网络对多尺度特征的捕捉与融合能力,有效提升模型对瓷砖表面小缺陷检测的特征表达;其次,设计ECG轻量融合模块减少计算量和参数量以实现轻量化;然后,引入频率自适应扩张卷积(FADC)通过自适应调整膨胀率和频率选择,提升瓷砖小缺陷检测精度;最后,设计新的损失函数NWD-EIOU通过结合EIOU和NWD,提高小目标定位的精度。实验结果表明,与原YOLOv9s检测算法相比,改进后的YOLOv9s-SEFN算法在自建实验数据集上表现更佳,模型mAP@0.5提升至93.2%,提高了3.5%;召回率提升了4.96%;参数量减少了2.3%;浮点运算量降低了4.0%,能够满足瓷砖表面缺陷检测的需求。

关键词： 相机标定   手眼标定   非线性模型   机器视觉   图像处理  

摘要： 在高精度工业自动化应用领域,精确的相机标定是关键技术。本文阐述了相机标定的基本原理,分析了常用的线性与非线性标定模型,并提出了一种基于卷积的非线性手眼标定改进方法。研究结果表明,与传统九点标定法相比,在更广泛的标定范围内,新方法的精度和稳定性更高,在处理边缘区域的畸变的过程中性能更高。采用本文所提方法,不仅提高了标定的准确性,还为复杂工业环境下的视觉系统提供了技术支持。

关键词： 激光外差   太阳跟踪   模型预测控制   图像处理  

摘要： 为满足车载平台下激光外差太阳辐射光谱探测系统对太阳位置高精度跟踪的需求,设计了一套适用于移动平台下的太阳跟踪系统。将数据处理任务迁移至边缘计算平台,显著提升数据处理速度,保障系统在动态环境下的快速响应;同时结合相机畸变校正技术与视觉检测算法,精准确定相机画面太阳质心位置并计算角度偏移量;将角度偏移量作为系统模型的状态变量,引入模型预测控制算法对姿态调整电机转速实现最优控制,有效提升了太阳跟踪的准确度与稳定性。实验结果表明,该系统的响应延迟仅为14.6 ms,将它置于以15 km/h的速度行驶的车载平台上,X轴和Y轴方向的跟踪精度分别为0.13°和0.04°。该太阳跟踪系统具有高精度、低延迟的优势,可满足外差测量在车载平台下对太阳位置高精度跟踪的需求。

关键词： YOLO   目标检测   网络结构   多尺度特征融合  

摘要： 全面分析了YOLOv1到YOLOv10的发展历程,探讨了每个版本的关键创新与贡献。首先,介绍了目标检测的标准度量和后处理方法;其次,详细讨论了各代YOLO在网络架构和训练技巧上的改进,研究涵盖了从最初的单阶段检测器到引入更复杂的网络结构、多尺度特征融合及高效的激活函数等变化;最后,探讨了YOLO在实时目标检测等领域的广泛应用,并对未来的研究方向提出了展望,旨在进一步提升实时目标检测系统的性能。

关键词： 目标检测   无人机   航拍图像   深度学习  

摘要： 近年来,无人机凭借其卓越的灵活性、机动性以及对目标的精准感知能力,在众多领域发挥着重要作用,将基于深度学习的目标检测方法与无人机系统相结合,已成为当前研究和应用的焦点之一。然而,在实际模型部署和检测过程中,无人机系统往往易受到计算资源限制、复杂背景干扰以及图像分辨率不足等因素的影响,这些因素会导致模型性能下降,难以实现高效准确的检测任务。鉴于此,本文首先系统阐述了无人机航拍图像目标检测领域所面临的难点与挑战;随后,针对上述问题,重点综述了基于深度学习的检测方法和优化策略;接着,对现有的航拍图像数据集及其特性进行详细概述,为后续研究提供数据支持;最后,总结展望了该领域在未来的研究方向和发展趋势,指出亟待深入探究的关键问题,以期为后续研究提供有益的参考和指导。