关键词： 机器学习   损失函数   遥感图像   目标检测   注意力机制  

摘要： 针对遥感图像目标检测中的复杂背景干扰,目标密集堆积导致遥感图像目标检测模型效果差的问题,通过对YOLOv5s目标检测模型进行改进.首先使用混合注意力机制对CBAM (convolutional block attention module)加以改进并添加至骨干网络中,使得模型所提取到的特征含有局部信息和全局信息,以加强模型识别复杂背景下目标的能力;其次使用超轻量级的动态上采样器DySample结构,减少模型参数并提高检测效率,最后使用EIoU损失函数提高对于待检测目标的定位水平.在RSOD和DIOR数据集上进行了实验验证,结果表明,改进后的YOLOv5s在遥感图像目标检测中的准确度要比原始模型高7.8%,同时能够满足遥感图像实时目标检测的需求;此外与其他目标检测模型相比,改进模型也能保有一定优势.

关键词： 深度学习   YOLOv5   轻量化   鲜茶叶   目标检测  

摘要： 茶芽分类识别是名优茶生产中十分重要的环节。针对目前茶芽识别算法模型尺寸大、计算量大且无法区分采摘形态等问题,本研究以YOLOv5s为基线模型,提出了一种改进的鲜茶叶识别模型(YOLOv5s-SPCS)。首先,收集实验室环境和自然环境下的鲜茶叶图像制作鲜茶叶数据集。其次,基于ShuffleNetV2思想构建Shuffle Block模块替换主干网络中的卷积模块,在减少模型参数量和计算量的同时提高特征提取速度。然后,在颈部网络引入部分卷积结构PConv和无参数注意力机制SimAM构建C3-PCS模块替换原C3结构,减少模型计算冗余和内存访问,提高识别精度。最后,采用SIoU作为边界框损失函数,提高预测框收敛速度和收敛精度。试验结果表明,YOLOv5s-SPCS模型参数量、计算量和权重文件大小分别为YOLOv5s模型的14%、14%和16%,对鲜茶叶识别准确率为81.8%、平均精度均值为82.4%,相较于原始模型,准确率提升了2.7个百分点,平均精度均值保持不变。此外,改进后的YOLOv5s-SPCS模型整体性能优于当前常用的Faster R-CNN、SSD、YOLOv3、YOLOv4等目标检测模型。本研究可为鲜茶叶识别分类及后续移动端部署提供有效的技术支持。

关键词： 隧道盾构裂缝漏水检测   Leakage-YOLO   注意力机制   关键区域特征  

摘要： 隧道盾构裂缝漏水问题的检测对于保障隧道结构的安全性和延长其使用寿命至关重要。随着目标检测技术的发展,先进的检测技术逐渐被应用于隧道盾构裂缝漏水区域的自动检测,以提高检测效率和精度。因此,为进一步提高裂缝漏水区域的检测精度并实现实时的隧道盾构裂缝漏水检测,在YOLOv8的基础上提出了目标检测算法Leakage-YOLO。该算法通过在检测颈中引入区域焦点注意力模块(regional spotlight attention),更好地融合全局与局部特征信息,增强对关键区域特征的提取能力,进而有效解决了裂缝漏水区域显著特征难以提取的问题。此外,通过改进检测头,提出一种新的SE-Head结构,进一步增强了对细节边缘特征的捕捉能力,有效改善了裂缝漏水区域定位不精确的问题。在真实场景的公开数据集的实验结果表明,改进后的算法相比原算法在AP、AP0.5、AP0.75上分别提高了4.7、4.9、6.7个百分点,并与其他主流算法对比,验证了所提的Leakage-YOLO的有效性和优越性。

关键词： 锻件测量   图像处理   双边滤波   二值化   特征提取   形态学处理  

摘要： 针对锻件尺寸测量过程中的人工手动接触性检测速率低下及检测不方便等问题,设计了一种基于Halcon的锻件尺寸检测系统。拍摄照片之后,先对图像进行合适的预处理,将原始图像转化为灰度图,然后选取待测区域,采用高斯滤波以削弱高频噪声,接着使用双边滤波对图像进行处理,它考虑了像素之间的空间距离和像素之间的灰度差异,从而能够去除噪声并保留图像边缘的细节,然后进行图像增强处理。通过二值化阈值分割筛除噪声进而进行特征筛选,然后进行形态学处理腐蚀操作,最后对锻件尺寸进行测量并将数值显示到窗口上,对参照物区域进行分割,分别得到参照物的像素尺寸和实际尺寸,再通过数学运算分别得到900、1000、1100℃状态下待测锻件的实际尺寸。试验结果表明,该算法能够很好地对待测锻件进行处理,进而得到尺寸数据。

关键词： 深度学习   目标检测   改进YOLOv5   障碍物检测  

摘要： 由于隧道施工现场事故频发,通过机器人代替人工进行安全巡检可有效保障工作人员的生命安全。然而,目前该领域的机器人大多需要人工操控,缺乏自主避障能力。针对隧道施工环境下的障碍物检测方法,提出利用改进YOLOv5进行障碍物检测的轻量化模型。首先构建隧道场景下的障碍物数据集;其次修改骨干网络为轻量级Shufflenet v2网络,并将其中的激活函数修改为SiLU函数,以提高检测速度降低计算量;然后引入坐标注意力机制,增强网络学习特征的表达能力;最后将颈部卷积块修改为GSConv,在减小模型计算量的同时提升算法的检测精度。研究结果表明:基于本研究所构建的数据集上进行对比试验,该方法的检测速度较YOLOv5-n原始算法提升了57%,减少了模型对硬件的需求。

关键词： 计算机视觉   焊接模块化   预制系统  

摘要： 本文详细探讨了基于计算机视觉的焊接模块化预制系统的设计与实现,包括系统的总体架构设计、视觉引导的自动焊接技术、数据集成与管理策略以及实时焊接质量监测方法。文中分析了计算机视觉在自动化焊接过程中的关键应用,如焊缝跟踪、缺陷检测和质量评估,并展示了系统通过实验验证的有效性。通过这种集成设计,焊接模块化预制系统能够显著提高生产线的自动化水平,减少了人工干预,同时保障了焊接质量的一致性和可靠性。

关键词： 视频卫星   遥感影像   目标检测   吉林一号  

摘要： 近年来视频卫星的成功研发,使对地表动态目标的实时性监测成为可能。为将视频卫星运用于智能交通领域,首先需实现卫星视频中车辆目标的高效检测,该项技术是获取一切交通信息的前提。然而,卫星拍摄的视频数据与地面监控视频差异悬殊,现有检测算法难以全面、且准确地检测出卫星视频中车辆目标。为此,本研究在对现有检测算法适用性进行评价的基础上,结合视频影像特点,引入特征背景建模法,通过构建非感兴趣区掩膜,剔除大量误检目标,以获取更加准确全面的车辆检测结果。本研究以吉林一号卫星视频作为实验数据,经实验对比,在兼顾查全率的情况下,算法优化后获得的检测结果在检测精准度上得到显著提升。

关键词： 激光雷达   数据融合   登陆舷梯   目标检测   姿态测量  

摘要： 海浪冲击环境下,登陆舷梯与海上风机登陆平台的对接稳定性直接影响工作人员的生命安全和工作效率。为了提高登陆舷梯与海上风机登陆平台的对接稳定性,将激光雷达和工业相机装配在登陆舷梯前端,提出一种激光点云/图像融合的海上风机登陆舷梯姿态测量方法。该方法包括目标检测和姿态估计两部分:在目标检测部分,改进YOLOv8网络和PointPillar网络,提出一种点云/图像融合支路的海上风机登陆平台目标检测方法;在姿态估计部分,融合目标的颜色特征和几何特征,并设计基于距离权重函数的目标函数,提出一种基于融合特征和距离权重的改进快速全局配准(FGR)算法。实验数据表明,在4级海况下,所提登陆舷梯姿态测量方法的姿态测量误差小于0.676°,其中的目标检测算法比经典PointPillar网络的检测精度提升了13.8%,姿态测量算法比经典FGR算法的姿态角测量精度提升了至少7.9%。

关键词： 货场集装箱   计算机视觉   深度学习   深度监督   可视化  

摘要： 本文聚焦于解决敞车装载集装箱时存在的流程繁琐、效率低下以及劳动安全风险大等问题,推动敞车装载集装箱向智能化发展。通过运用YOLOv8的目标分割和关键点检测技术,制定相应判断规则,实现对集装箱偏载情况的智能监测。同时搭建可视化平台,利用其界面将装载后的信息实时反馈给门式起重机操作员,省去人工测量环节,提高装载效率,让装载过程更智能化。操作员可据此直观获取集装箱装载情况,快速准确地进行调整。基于YOLOv8算法,模型在分割和关键点检测上的mAP均达99.5%,准确完成箱体的关键点检测和箱体分割,有效解决了敞车装载集装箱偏载问题,具有重要的研究价值与实用意义。

关键词： 机器视觉   小龙虾苗种   图像处理   质量估计   数据拟合  

摘要： 针对传统小龙虾苗种分拣方法会对苗种造成物理和应激伤害,且小龙虾苗种耐受性较低的问题,本文提出一种基于机器视觉的小龙虾苗种质量估计方法,以实现无接触式优质苗种质量估计。通过工业相机拍摄不同规格的小龙虾苗种图像,首先对小龙虾苗种图像进行预处理,然后采用K-means聚类算法进行图像分割,最后运用形态学运算和泛洪算法处理提取小龙虾苗种轮廓,并使用像素统计法提取小龙虾苗种像素数量特征参数。利用最小二乘法对像素数量和质量进行数据拟合,其中二次多项式拟合相关性最好可达到0.9540,测试平均相对误差4.60%,实验证明该方法可以满足小龙虾苗种质量估计的要求。