关键词： 焊缝跟踪   视觉识别   图像处理   坐标  

摘要： 目前,绝大多数焊接机器人都是通过操作员输入给定指令来进行重复焊接作业,但当外部环境变化时,需要重新调整参数,效率低下,自动化和智能化程度不够。针对这一问题,设计了一种搭载在焊接机器人上的焊缝坐标识别系统,基于Visual Studio 2022软件,通过调用OpenCV 3.4.0视觉库完成焊缝坐标识别。系统的硬件部分由海康威视MV-CA004-10UM工业相机、酷聚液态透镜模组、650 nm一字激光器、650 nm窄带滤光片和VPLC532E视觉运动控制一体机等组成;软件方面设计了一个三选一操作界面,能够满足摄像头、图片、视频等多种输入信号,通过图像预处理和焊缝坐标识别两个模块,实现了对于焊缝的坐标识别功能。测试结果表明,该焊缝坐标识别系统能够稳定运行,响应迅速,精度能保证在3 mm以内,具有一定的实际应用价值。

关键词： 智能交通   计算机视觉   事故检测   域适应双流网络  

摘要： 道路交通事故是导致财产损失、人员伤亡和交通拥堵的主要原因之一。快速准确地检测事故对于提高应急救援速度和降低人员伤亡率至关重要。近年来,基于视觉的事故检测方法成为主流,且随深度学习技术的应用取得了显著进展。然而,现有方法应用于国内监控场景时存在精度不高的问题,主要原因是用于模型训练的开源数据与国内监控事故视频数据间存在较大的域偏移。为了避免重新构建并标注一个大型国内监控事故数据集的繁琐性,提出了一种域适应双流网络,充分利用现有开源事故数据集实现面向国内监控场景的道路事故检测。具体地提出了一种“由粗到细”递进式域适应方法,指导模型以捕捉域不变事故外观特征。构建交叉注意力融合网络实现外观特征和运动特征的关联与交互,缓解因场景差异导致的特征偏差问题。实验结果表明,所提方法在国内监控场景下取得了较高的检测性能,验证了其有效性和可靠性。有望为提升人民生命安全和交通效率提供了重要的技术支持。

关键词： 目标检测   YOLOv8   注意力机制   MPDIoU  

摘要： 针对当前主流目标检测算法存在目标对象和车辆行人误检与漏检的问题,基于YOLOv8提出了一种改进的目标检测算法。首先,采用多点距离交并比(Multi-Point Distance Intersection over Union,MPDI-oU)边界框回归损失函数替代原完全交并比(Complete Intersection over Union,CIoU)损失函数,有效解决了当预测边界框与地面实况边界框宽高比相同时传统CIoU函数失效的问题。然后,通过嵌入大可分离内核注意力(Large Separable Kernel Attention,LSKA)机制增强算法的多尺度特征提取能力。最后,融合SCConv模块,在降低模型计算复杂度的同时提升检测精度。实验结果表明:改进后的算法相比原YOLOv8算法,准确率提升了4.07%,召回率提升了约2.95%,且检测速率达到85 f/s。

关键词： 计算机   视觉技术   建筑工程   电气施工  

摘要： 针对计算机视觉技术在建筑工程、电气施工、质量检测以及控制工作中的应用进行相应的探讨与分析,并对其技术原理、具体的实现方法以及最终的实际应用效果进行研究,希望能够有效提高建筑电气施工工程质量以及工作效率。

关键词： 城市轨道交通   障碍物检测   计算机视觉  

摘要： 本文针对城市轨道交通因轨行区障碍物而影响行车安全问题,提出了一种应用于轨道交通的基于计算机视觉的障碍物识别系统。通过对轨行区障碍物种类、分布特点的分析,介绍了该识别系统的应用特点及工作原理、流程,并以厦门轨道交通1号线试车线为实验场地,分别对多个尺寸、类型的遗留物进行了实验测试。测试表明,该系统在一定条件下,对障碍物的识别具有良好的效果。

关键词： 遥感影像   目标检测   高效视觉转换器   幽灵卷积核   无锚点框机制  

摘要： 针对边缘计算场景下轻量模型对遥感影像目标检测精度较低的问题,提出一种融合高效视觉转换器与无锚点框机制的轻量级检测方法。在YOLOv5s基础上,在特征提取阶段引入高效视觉转换器网络,以轻量化结构同步捕获局部特征和上下文注意力权重;在特征融合阶段,以浅层特征图参与多尺度特征融合,并采用幽灵卷积核减少计算量;在检测阶段,引入无锚点框机制实施目标框位置回归,提高计算效率,并适应尺寸复杂的遥感影像目标;最后使用C++语言与TensorRT推理引擎,实现模型部署。结果表明,所提模型较YOLOv5s在检测精度、速度方面均有明显提升,能够在小算力环境下实时输出检测结果。

关键词： YOLOv5s   目标检测   轻量化   Shufflenetv2   SPPFCSPC  

摘要： 针对当前车辆与行人目标检测网络设计复杂、计算资源消耗大的问题,探索高效的轻量化算法设计。首先以YOLOv5s模型为基础,改用轻量级网络Shufflenetv2作为主干结构,并用ReLU激活函数替换原函数,成功减少参数和计算量。同时,引入空间金字塔池化快速跨级部分连接模块,该模块通过金字塔池化结构保留不同尺度层次的特征,并通过跨阶段连接捕获底层与高层间的特征关系,以提升识别精度。然后在公开数据集KITTI上进行了大量对比测试及消融实验,结果显示改进后的模型识别精确率提升了2%,且参数数量、计算量、模型大小均显著减少。最后将改进后的算法在资源受限的移动设备嵌入式开发板RDK X3上进行实时推理验证,结果显示在RDK X3上帧率稳定接近设备的最大限制(30 FPS),以快速准确的识别车辆与行人。

关键词： 红外无损检测   深度学习   YOLOV5   缺陷识别   盲孔检测  

摘要： 针对板材内部缺陷无损检测精度不足,检测模型计算量大问题,文章提出了一种基于红外热波和深度学习相结合的检测方法。首先将YOLOv5s模型作为基础网络结构,引入轻量化网络GhostNetv2替换原CSPDarknet主干网络,减少模型参数量和计算资源需求让网络更加轻量化。其次,引入ECA高效通道注意力机制,在保持网络轻量化的同时增强网络对孔洞缺陷区域的关注力,以便更加充分地提取孔洞缺陷特征。最后,将CIoU损失函数替换成Focal-EIoU损失函数,通过优化边界框的位置和大小,从而提高孔洞缺陷识别的鲁棒性和收敛速度。经验证,改进后的YOLOv5s模型,在红外条件下识别孔洞缺陷相比于原始模型,平均精度均值(mAP)提升2.1%,模型参数量降低28.5%,检测速度达到51.42帧/s,可以满足日常板材生产线的缺陷检测需求。

关键词： 目标跟踪   点提示   零样本分割   深度学习  

摘要： 当前目标跟踪算法往往采用目标框或分割掩模初始化模板,然而在有限操作时间或恶劣场景时却难以提供目标框或分割掩模。提出一种点提示的目标跟踪算法,其仅需要提供位于目标分割掩模中的任一图像坐标即可完成模板初始化。首先,采用SAM对图像目标进行零样本分割,获取分割掩模,求外界矩形框作为ATOM跟踪算法的输入,从而完成模板初始化;然后,采用高斯-牛顿共轭梯度法对模板在线快速学习,获得目标定位器,与离线学习的IoU预测分支共同完成目标跟踪任务;最后,根据点提示输入完成目标跟踪算法仿真。仿真结果表明,在UAV123数据集上,算法的精度P达到79.7%,AUC达到60.6%,跟踪性能相较于经典算法有一定提升,同时,FPS达到87.4帧/s,满足实时跟踪要求。

关键词： 纯方位目标跟踪   可观测度   机动目标   卡尔曼滤波   蒙特卡洛仿真  

摘要： 纯方位目标跟踪是仅根据目标相对观测站的视线高低角和视线方位角计算出目标的距离及速度。为应对纯方位目标跟踪过程中相对距离的可观测度不足的问题,针对3种具体情况分别提出了相应的改进方法。①若目标静止且相对距离初值已知,可根据观测站速度实时计算出相对距离;②若目标匀速运动或相对距离初值误差较大,观测站可通过特殊机动的方式增强相对距离的可观测度;③若观测站和目标之间的相对高度已知,此时相对距离的可观测度充足,即使针对具有机动能力的目标也可以准确地估计出相对距离。分别针对静止目标、匀速运动目标以及具有机动特性的目标进行了仿真,结果表明:第一种方法相对距离误差的大小取决于初值误差的大小;第二种方法的误差受到观测站机动方式及机动加速度大小的影响,在该文设计的观测站机动方式以及仿真工况中,第二种方法的相对距离误差均值为5.26 m;在针对第三种方法的仿真中增加了目标的机动过程和量测噪声,根据蒙特卡洛仿真结果统计出的相对距离和相对距离变化率均方根误差分别为0.81 m和0.95 m/s。