关键词： 火焰检测   移动机器人   TurtleBot2   YOLOv5  

摘要： 提出了一种基于移动机器人的火焰检测系统,旨在提高室内环境下的火焰检测精度。系统选用配有摄像头传感器的TurtleBot2机器人,对传统YOLOv5算法进行改进,通过引入CA模块来提升火焰检测的准确性和适应性。实验结果表明,在复杂的室内场景中,该系统可在巡检过程中实时检测火焰与烟雾信息,并触发报警功能。同时,改进后的算法平均精度比原算法提升5%,能够更有效的应对复杂环境中的火焰检测任务。

关键词： 机器视觉   图像处理   尺寸测量   远心光路   卡尺工具  

摘要： 针对传统工业检测中人工测量工件尺寸存在效率低、精度差等问题,研究了一种基于视觉技术的零件尺寸精密测量系统。文中以3个直径均为10 mm、高度不同的圆柱形零件为测量对象,使用普通工业镜头进行图像采集,通过图像处理得出圆柱直径在对准平面存在0.02 mm的误差,但测量结果因物距变化而产生的误差增大。因此采用双远心镜头进行测量,测得直径误差在0.02 mm,该测量误差不随物距的变化而增大,满足测量要求。实验验证了所提方法的可行性和有效性,可以对零件尺寸进行精密测量,具有检测精度高的优点。

关键词： 绝缘子缺陷   注意力机制   损失函数   目标检测   YOLOv5算法  

摘要： 在目前针对电塔绝缘子的缺陷检测领域中,存在大雾天气下绝缘子识别度不高、有缺陷的绝缘子难以正确识别的问题。为此,提出一种改进的YOLOv5缺陷检测模型。该模型以YOLOv5算法为基础,对主干网络特征提取的3个不同大小的特征层分别引入SEnet、CBAMnet、ECAnet三种不同的注意力机制,以加强特征提取能力。此外,引入Focal Loss损失函数,加强对易分类样本和难分类样本权重的控制。实验结果表明,改进后的YOLO检测模型在检测正常绝缘子的AP值为85.67%,缺陷绝缘子的AP值为97.33%,其mAP值达到了91.50%。与传统YOLOv5模型相比,分别提升了0.29%、0.48%、0.38%。同时,其正常回归率和缺陷回归率分别提升了5.52%和3.95%。改进后的模型能够更好地识别正常和缺陷绝缘子,对后续绝缘子相关研究具有一定的参考价值。

关键词： 智能制造   智能交通   运动目标检测   光照变化  

摘要： 精准目标检测是现代智能制造业、智能交通等领域的基础,然而,经典的视觉前景提取方法在光照缓慢或者突变场景中难以满足精确和实时的需求。为此,基于朗斯基函数和视觉背景提取(ViBe)方法提出了一种融合改进的光照变化运动目标检测算法。该方法首先通过时空样本一致性原则构建像素空间背景模型,并利用短时间内采集的多帧图像数据构建初始背景模型;然后,通过朗斯基函数判断当前帧像素构成的向量与背景样本向量的线性相关性,基于当前像素构成的向量与背景模型中样本向量线性相关次数判断当前像素点为前景或者背景;最后,根据判断结果更新背景模型。定性定量实验结果表明,该融合模型能够有效地克服复杂光照变化场景下的多种干扰因素,准确获取光照缓慢或突变场景下的运动目标,且性能优于几种流行的光照变化运动目标检测算法。

关键词： 无人机   目标跟踪   特征融合   特征分块注意力   Siamese网络  

摘要： 无人机(UAV)已被广泛应用于各类领域中,目标跟踪是无人机应用的关键技术之一。提出一种基于特征融合和分块注意力的无人机跟踪算法,旨在解决无人机在目标跟踪时面临的外观变化和外界因素干扰等问题。采用Siamese网络提取模板图像和搜索图像的方向梯度直方图(HOG)特征、颜色(CN)特征和深度卷积特征,自适应计算3种特征权重的大小,增强融合特征的表达能力。采用改进的特征分块注意力机制,增强模板图像特征信息中有效区域的关注度,实现更有效地目标相似度匹配。为降低计算成本,将输出特征向量转换到YCbCr空间后进行离散余弦变换(DCT)并保留低频分量,得到特征响应图,进行分类回归得到最终目标位置。实验表明:所提算法可以降低外观变化、外界因素干扰对跟踪性能的影响,提升目标跟踪的准确性。

关键词： 数字图像处理   数字技术   教育教学  

摘要： 推进教育数字化是加快建设教育强国的重要内容。党的二十大报告对办好人民满意的教育作出重要部署,强调要“推进教育数字化”。数字图像处理是机器人工程、信息工程、计算机科学等专业的核心课程,具有鲜明的跨学科性与实践导向性。课程以数字建模为基础,融合信号处理、模式识别与编程技术,聚焦图像信息的获取、分析与应用。教学内容涵盖空域/频域处理、图像增强、分割、特征提取等核心模块,涉及线性代数、概率统计与算法设计等知识体系,兼具理论深度与技术应用双重属性。通过OpenCV、MATLAB等工具的实验操作,学生需掌握从算法推导到工程实现的完整链条,培养解决医学影像分析、机器视觉等实际问题的能力。

关键词： 目标检测   YOLOv7   多维注意力   ODConv  

摘要： 为了提升目标检测的准确性和效率,基于YOLOv7提出了一种多维注意力机制融合的目标检测网络(MAF-Net)。在网络主干部分,采用ODConv替代传统卷积堆叠,融入多维注意力机制并行策略,提升了特征提取能力。在头部网络部分,插入SimAM注意力机制,通过计算特征图的3-D关注权重来优化检测精度。同时,结合Inner-IoU与CIoU,提高了模型精度并优化了训练效率。经MS COCO 2017数据集实验验证,MAF-Net的mAP相较于原模型提升1.3%。综上所述,提出的MAF-Net模型在目标检测领域展现出了优异的性能,具有良好的识别精度、精细的特征提取以及高效的训练效率。

关键词： 侧扫声呐   水下目标检测   YOLOv8  

摘要： 近年来,侧扫声呐图像的目标检测在水下目标搜索、海洋测绘及海洋地质勘探等领域发挥着重要作用,提高声呐图像的目标检测精度对于水下探测至关重要。针对侧扫声呐图像目标检测精度较低的问题,从数据预处理、网络结构优化、损失函数调整和模型轻量化4个方面对YOLOv8算法进行改进。实验结果表明,所提方法能够高精度检测目标图像,目标检测精度达到92.8%,可在实际水文环境中高效、全面地完成水下特定目标的检测任务。

关键词： 继电保护装置   多模态目标检测   大模型  

摘要： 继电保护装置的日常维护是电网的安全稳定运行的重要保障。为了提高继电保护装置的日常维护效率,基于网络视频的专家远程协助成为了实用性解决方案之一。在远程协作过程中,增强现实技术成为了提升协作效率的重要手段之一,而对特定视频画面中的继电保护装置目标自动检测是基于增强现实的沉浸式继电保护作业的关键技术。对此,提出基于大模型增强的多模态目标检测技术(LLM enhanced Multi-Modal Object Detection,LLMe-MMOD)。首先,LLMe-MMOD利用大模型的图片解析能力生成输入图片对应的文本描述,形成初始文本特征;然后,提出目标类型注意力机制将初始文本特征转换成目标类型感知的文本特征;最后,目标类型感知文本特征与经典的卷积图像特征经过整合形成多模态特征去完成后续目标区域生成任务。LLMe-MMOD在MS COCO*(MS COCO的子集)和本研究构建的继电保护装置目标检测数据集上进行实验,验证了本文提出的多模态目标检测技术的有效性。

关键词： YOLOv7   目标检测   深度学习   信息安全   CBAM   加密显示  

摘要： 随着信息显示技术的持续发展,信息显示的安全性问题愈发突出。信息加密显示技术的实现依赖于目标检测技术,需要根据不同信息的特点来选用相应的加密算法。为此,提出一种基于YOLOv7的显著性目标检测算法,该算法可以通过自建数据集标定显著性区域,对模型进行训练,并将得到的显著性区域用于自适应加密显示算法,以实现可分级的加密显示。实验结果表明,该模型性能优越,有着较高的检测准确率,能够为后续针对敏感信息区域进行加密提供有力的支撑。