关键词： 钻井   掉块深度图像   3D相机   深度学习   目标检测   CBAM注意力  

摘要： 钻井过程中掉块的监测与识别对于及时发现和减缓井壁不稳定和卡钻等井下复杂至关重要。当前,掉块监测主要依赖人工监测,但该方法易受主观影响且耗时较长,存在滞后性。为此,提出一种基于3D视觉的钻井掉块自动识别与特征判断方法。该方法利用3D成像技术来获取振动筛上返出掉块的三维深度信息,以构建掉块图像样本库,并以You Only Look Once v8s(YOLOv8s)为基础目标检测模型,结合引入的卷积块注意力模块(CBAM),建立了CBAM-YOLOv8s掉块目标检测模型。通过将3D相机实时获取的三维深度信息集成到模型中,不仅实现了对掉块的实时监测和准确识别,还能够在识别的基础上判断其形状特征,从而实现井壁失稳性分析和井眼状况的实时评估。实验结果表明:CBAM模块的引入增强了模型对掉块关键特征的关注;集成实时获取三维深度信息的CBAM-YOLOv8s模型对掉块识别精确率和召回率分别达到96.01%和93.40%;扩展模型在掉块形状特征预测中的误差均小于10%。结论认为,基于3D视觉技术的实时掉块可视化监测方法具有良好的可行性和有效性,能够准确识别出掉块及其形状特征,这一方法将为井壁稳定性早期预警和井下复杂提供支持。

关键词： 深度学习   行为识别   边缘计算   目标检测  

摘要： 文章介绍了一种基于深度学习的地铁客室异常行为实时识别方法,旨在边缘计算环境中部署以实现实时监控。在边缘计算的约束下,采用了一种优化的YOLO模型,该模型结合了Transformer模块以增强对行为特征的捕捉能力,实现静态信息检测,再通过Openpose与LSTM模型对多帧图像的关键点分布信息进行处理,从而进一步实现对动态行为的检测。系统直接从监控相机获取实时视频并进行分析,发现乘客异常行为报警,为安全监控提供有效的支持。该系统在测试数据集上达到了94.6%的检测精度和每秒9.23帧的检测速度,证明了其在资源有限的边缘计算环境中的实用性和效率,为地铁车厢智能化检测系统的建设提供了理论和实践参考。

关键词： 深度学习   目标检测   钢材表面缺陷   YOLOv5s算法   CBAM注意力机制  

摘要： 钢材是工业制造领域必不可少的原材料之一,其质量控制对于确保最终产品的性能、安全性和耐用性十分关键。表面缺陷是钢材在生产和加工过程中的常见问题,而高效准确地检测这些表面缺陷对于确保产品质量至关重要。面对因复杂的工业条件而导致的高误检、高漏检及低效率难题,对钢材瑕疵进行快速而精确的识别具有显著的科研价值。基于YOLOv5s引入卷积块注意力模块(CBAM)注意力机制,并在东北大学开源NEU-DET数据集上验证算法和评估模型性能。实验结果表明,该算法平均精度从0.73提升到了0.768,具有较高的检测精度和鲁棒性,能够有效地检测出钢材表面的各种缺陷。

关键词： 图像数据处理   云计算   人工神经网络  

摘要： 针对大规模图像数据处理的计算需求,提出了一种基于云计算的人工神经网络训练与优化方法。通过搭建Kubernetes集群和利用TensorFlow分布式计算模块,实现了高效的多节点协同计算,并结合Ceph分布式文件系统,以确保数据和模型权重的快速存取。选用ResNet和GAN作为核心模型,分别应用于图像分类和生成任务,并在CIFAR-10数据集上进行实验验证。结果显示,该云计算分布式架构不仅显著提升了训练速度,同时优化了模型性能,证明其在大规模图像处理任务中的有效性和可扩展性。

关键词： 机器视觉   玻璃纤维束   图像处理   缺陷检测   KNN分类算法   复合材料  

摘要： 玻璃纤维束是由成百上千根细小的玻璃纤维组合而成的整体,这种结构导致在纤维缠绕制品生产工艺过程中的断纱缺陷难以识别。针对此难题,提出了一种基于机器视觉检测玻璃纤维束是否有缺陷及缺陷位置定位的方法。利用工业相机实时拍摄纱路上玻璃纤维束的图像,并把图像传输到计算机,由计算机利用OpenCV库对每一帧玻璃纤维束的图像进行处理,得到每根玻璃纤维束的轮廓及缺陷特征,根据缺陷特征通过缺陷检测算法判断玻璃纤维束是否完全断开或部分断开,利用KNN算法判断缺陷所在位置。玻璃纤维束的运动速率为1 m/s,以30 fps的帧率采集600张图像进行实验验证,检测数据表明综合准确率达96.6%,满足玻璃纤维束缺陷检测的要求。

关键词： YOLOv5s模型   深度学习   注意力机制   目标检测  

摘要： 为提高电力设备异常检测的精度,提出以融合双向加权特征金字塔网络(BiFPN)和三重注意力(TA)机制改进Yolov5s的电力设备异常检测方法。首先,融合BiFPN是在特征融合结构中加入跨尺度连接线以保留更多深层的语义信息,可以有效促进目标的分类识别和位置精确定位;然后,加入采用三分支结构的注意力机制能够更好地提取空间交互注意力和通道空间交互注意力,抑制无用的特征信息;最后,通过采用Soft NMS来取代传统的NMS算法可以有效减少目标的遗漏,并提升检测的准确性。实验数据显示,改进后的YOLOv5s网络模型相较于原始YOLOv5s模型,精确率从88.3%提升至90%,召回率从89%提升至93%,mAP@0.5值从88.7%提升至92.8%,有效地提高了检测精度。

关键词： 矿区   地质灾害   目标检测   YOLOv5s   轻量化  

摘要： 针对目前地质灾害检测领域存在检测算法复杂、计算量大与数据集匮乏等问题,文中提出了基于YOLOv5s改进的轻量化网络,并将所提网络在自制地质灾害数据集GDD1上进行训练测试。文中的最优改进方案是YOLOv5s-GhostNet-EIoU,采用Ghost Module替换YOLOv5s网络中的部分卷积模块、C3Ghost替换YOLOv5s网络中的C3模块,大幅降低网络参数,并改进损失函数来弥补轻量化带来的精度损失。实验结果表明,YOLOv5s-GhostNet-EIoU网络mAP值达78.9%,相较于YOLOv5s基网络,模型体积压缩47.1%,计算量减小48.8%,参数量降低47.8%。该算法在保持YOLOv5s高检测精度的前提下,能够满足在无人机平台上的部署与实时检测的要求,实现了模型的轻量化。

关键词： 计算机视觉   风格迁移   视觉transformer模型   Swin–Transformer模型   中国画   孪生编码器  

摘要： 中国山水画风格迁移的目标是在保持原有山水真实场景图像内容的前提下,引入传统中国画作特征,以生成具有中国山水画艺术特征的图像。近年,由于深度学习的快速发展,卷积神经网络(CNN)和对抗生成网络(GAN)几乎主导了包括风格迁移在内的大部分图像生成任务,但也存在一些问题,如真实场景在风格迁移过程中易丢失语义,GAN网络训练出现模型坍塌,CNN风格迁移方法出现棋盘效应等。视觉Transformer模型为图像处理任务提供了新的解决方案,但训练需大量数据且计算复杂。为了解决生成中国画过程中由上述因素引起的图像质量低及细节特征丢失等问题,本文提出一种能基于细节特征提取融合的中国山水画风格迁移网络,即SSTR(swin style transfer transformer)。该网络在StyTr^(2)网络的基础上,引入了Swin–Transformer模型,利用视觉Transformer的强语义性保留山水场景的特征;同时利用Swin–Transformer模型的分层体系结构及滑窗操作计算注意力机制,提取更多的山水画艺术风格细节,同时降低模型训练复杂度;最后,引入一个CNN解码器细化生成目标图像。本文利用公开视觉数据集COCO 2014与公开山水画数据集进行训练、验证与测试,并将结果与基线方法进行比较。结果表明,SSTR在处理中国山水画风格迁移任务中,风格损失和内容损失分别为1.35和1.88,在风格损失上优于StyTr^(2),表现出了优异的特征提取能力和图像生成能力。

关键词： 喷雾   锥角   OpenCV   图像处理  

摘要： 喷嘴作为船用内燃机的核心部件,其喷雾锥角直接影响了内燃机的雾化效果和燃烧效率。常规喷雾锥角测量采用人工观察锥角投影面,具有操作要求高和测量精度低的问题。为避免这一问题,采用视觉摄像头捕捉喷雾形态,基于OpenCV视觉开发包,结合Python编程平台,采用感兴趣区域(ROI)提取、腐蚀、膨胀、边缘检测、直线检测和锥角计算等系列算法对图像特征进行处理,实现喷嘴喷雾锥角自动计算,获得了较好的自动锥角计算效果。该算法可拓展应用于各类喷嘴的性能试验。

关键词： 膝关节囊肿   目标检测   上下文信息   Transformer   YOLOv8  

摘要： 针对膝关节囊肿磁共振(MR)影像中囊肿与关节内积液及其他组织特征相似性高,边界模糊的问题,本研究提出了一种膝关节囊肿病变检测模型YOLO-Cyst。首先,在骨干网络部分采用级联Vision Transformer模块获取长距离上下文信息,提高囊肿检测的准确性;其次,在YOLOv8的跨阶段部分连接与双融合模块中引入可变形大核注意力模块,增强模型的局部特征提取能力。实验结果表明:与YOLOv8相比,YOLO-Cyst的mAP50和mAP50-95指标分别提高了5.1%和0.8%;与Faster R-CNN和DETR相比,YOLO-Cyst的mAP50指标分别提高了23.9%和13.0%,mAP50-95指标分别提升了10.7%和6.8%。本研究所提算法能有效学习丰富的膝关节囊肿特征表示,实现对不同类型和形态的囊肿的精确检测。