关键词： AGV   场景理解   风险缓解   计算机视觉   场景图生成  

摘要： 针对制造业车间中自动导引车（Automated Guided Vehicle， AGV）运行时可能产生的碰撞风险问题，提出了一种基于场景理解技术的风险缓解方法。该方法利用计算机视觉技术生成场景图，以增强AGV对周围环境的感知和理解，特别关注物体间的空间关系，使AGV基于场景信息做出决策，减少碰撞风险。实验在三种典型场景（巡线、离线、回线）下进行，通过收集的图像数据评估AGV的环境感知能力和风险缓解能力。结果显示，所提出的结合场景图的风险缓解框架可有效识别风险并实施缓解措施，尤其在处理多类别单目标的静态场景时表现突出。未来研究将致力于扩展至更复杂的多类别多目标场景，以进一步提升AGV在动态工业环境下的安全性和效率。

关键词： 目标检测   入侵物种   YOLOv8n   膨胀卷积   轻量化   损失函数  

摘要： 入侵物种的传播对生态系统造成严重威胁，削弱生物多样性，并对自然资源、农业生产和经济活动产生广泛的负面影响。针对入侵物种识别难、检测精度不足等问题，提出了一种基于改进YOLOv8n的轻量级入侵物种检测算法ISYOLO(Invasive Species-YOLO)。首先，将YOLOv8n中骨干网络的C2f模块中的Bottleneck替换为改进的FADC(Frequency-Adaptive Dilated Convolution)模块，从而显著提升特征提取的辨别能力和网络的表征能力；其次，检测头采用共享卷积策略，替代解耦头策略，利用共享卷积和组归一化操作，实现轻量化且精确的改进；第三，采用新的损失函数PIoUv2，优化目标框的回归效果，提高检测性能和模型收敛速度。实验结果表明，在Species196-L公开数据集上，改进后的模型在平均精度值(mAP@0.5)上达到59.7%，模型大小为5.1MB，检测帧率为289frame/s，与YOLOv8n算法相比，检测精度提升了0.6个百分点，模型大小减少了1.9MB,检测帧率提高了68%，该算法兼具高精度和高效率，为入侵物种的实时监测和治理提供了技术支持。

关键词： 碳纤维增强基复合材料   毛刺   形态学   钻削   图像处理  

摘要： 制孔加工是CFRP构件机加工处理的常用手段,加工孔的质量直接影响到构件连接强度、装配精度和内应力,对结构整体质量至关重要。但是,由于CFRP特有的不均匀性与各向异性,钻削加工过程中,纤维的断裂与材料的去除具有随机性和不稳定性,由此导致成孔周围普遍存在毛刺缺陷,进而影响加工质量。因此,对CFRP成孔毛刺的识别、评价与控制意义重大。本研究提出了基于极坐标映射的图像处理方法,在保留成孔毛刺原始特征的基础上,排除图像平移、旋转和缩放的影响,提高缺陷识别与评价的便利性;然后,建立了基于伪频谱的成孔轮廓曲线参数化评价方法,通过自然坐标系下成孔轮廓曲线的切向量方向角函数的伪频谱对毛刺现象进行量化;最后,通过实验对提出的理论和方法进行了验证。结果指出,在轮廓曲线伪频谱中,峰值频率能有效反映毛刺尺度,总功率能有效反映毛刺整体数量,钻削过程中纤维切削角将影响毛刺的形态,适当提高主轴转速、减小进给率能有效降低毛刺缺陷。本研究提出的CFRP成孔图像处理方法和毛刺评价指标具备可观的准确性和有效性,有望应用于CFRP构件钻削工艺在线监测等领域,提高成孔质量分析的可靠性和便利性。

关键词： 蒲公英   目标检测   YOLOv5s   蜜源植物   精准农业  

摘要： 针对蜜源植物季节性生长变化的复杂性,提出一种高效识别优质蜜源蒲公英花朵的方法,以帮助蜂农精准预测蜜蜂的优质采蜜场所。通过采集数据集与图像基本处理,基于YOLOv5s模型,并结合全局特征金字塔网络(GFPN)和内容感知特征重组(CARAFE)技术,提出一种改进的目标检测方法。实验结果表明,改进后的YOLOv5s模型在识别蒲公英花朵的准确率和精度上均优于传统方法,分别达到92.9%和95.8%,较原模型提升0.9个百分点。GFPN与CARAFE的协同作用能够使模型更好地处理复杂的图像背景和不同尺寸的花朵,检测速度和准确性显著提高。基于YOLOv5s模型并结合GFPN和CARAFE的蜜源蒲公英花朵识别方法,能够有效应对蜜源植物的季节性变化和复杂生长环境,具有较高的实用价值。该方法不仅能为蜂农准确预测采蜜场所提供依据,推动精准农业技术的应用,还能为实现农业资源可持续利用提供创新性技术方案。

关键词： 持刀行为检测   实时目标检测Transformer(RT-DETR)   目标检测   多尺度特征融合   Transformer   危险行为检测  

摘要： 目的在对公安系统网络摄像头获取的视频数据进行分析时,行人危险持刀行为的自动检测面临刀具形状、大小的多样性,以及遮挡和多目标重叠等因素导致的检测精度低、误检率高的挑战。针对上述问题,提出了一种改进实时目标检测Transformer(real-time detection Transformer,RT-DETR)的持刀危险行为检测算法(human-knife detection Transformer,HK-DETR)。方法首先,设计了倒置残差级联模块(inverted residual cascade block,IRCB)作为主干网络中的基本块(BasicBlock),这使得网络更加轻量化,减少了计算冗余,并提高了对全局特征和长距离依赖关系的理解能力;其次,提出了跨阶并行空洞融合网络结构(cross stage partial-parallel multi-atrous convolution,CSPPMAC),专注于多尺度特征的提取,使模型能有效识别不同大小和角度的刀具;最后,引入了Haar小波下采样(Haar wavelet-based downsampling,HWD)模块来替换原模型中的下采样操作,为多尺度特征融合提供了更丰富的信息。同时,采用了最小点距离交并比(minimum point distance based intersection over union,MPDIoU)损失函数来进一步提升检测性能。结果对比实验表明,与原RT-DETR算法相比,改进后的模型网络参数量下降了25%,精度、召回率、平均精度均值(mean average precision,mAP)分别提高了2.3%、5.5%、5.2%;与YOLOv5m、YOLOv8m和Gold-YOLO-s相比,在模型网络参数量较低的情况下mAP又分别提高了6.3%、5.2%、1.8%。结论本文提出的HK-DETR算法能够有效适应网络摄像头下多种复杂环境的持刀危险行为检测场景,相较于其他参与对比的模型,其性能优势得到了充分的展现。

关键词： 人员计数   计算机视觉   线性回归   动态核   特征提取  

摘要： 实现井下人数实时统计对实现井下限员生产具有重要意义。现有人员计数算法对普通环境中稀疏人群的计数效果良好,但对复杂的井下环境中密集人群的计数效果不佳。针对上述问题,提出了结合Yolov5s和线性回归的人员计数模型:Yolov5s-LR。首先,根据注意力机制动态地调整每个卷积核的权重,从而提高模型在井下昏暗密集环境中的特征提取能力;其次,使用与检测头共享骨干网络的线性回归计数头预测人数,并通过L2损失函数进行模型训练,从而实现误差较低的人员计数。实验结果表明,在自建的煤矿井下人员计数数据集上,上述模型的人员检测精度比Yolov5s高3.1%,人员计数的MAE和MSE比当前流行的人员计数模型中效果最好的DKCNN-LR模型降低了0.3和0.58。

关键词： 目标检测   YOLOv5   行人检测   可变形卷积  

摘要： 行人检测在智能交通、人流统计等场景发挥着重大作用。针对当前密集场景下遮挡行人和小尺度行人容易漏检的问题,提出一种改进YOLOv5的目标检测算法。首先,在主干网络中采用C2f模块替换原有的C3模块,该模块可在轻量化的前提下获取更加丰富的梯度流信息,提高对小目标的检测能力;其次,在主干网络中引入可变形卷积模块,该模块能够增强卷积神经网络的感受野,改善对目标形变的建模能力,提高遮挡环境下行人特征的提取能力;最后,优化边界框回归损失函数,将FocalLoss与EIOULoss融合,加速收敛,提高回归精度。实验结果表明,与现有的YOLOv5s相比,召回率提升2.9%,mAP0.5提升1.3%。

关键词： 三维建模   实例分割   模板匹配   三维姿态  

摘要： 船只在海面上航行时,由于船只自身的运动、风力和海浪对船只运动的影响,船只的姿态是实时变化的,要在飞机上实时、准确测量出船只的姿态是很困难的。针对上述问题,设计了一种融合传统的模板匹配方法和深度学习方法的姿态估计方法,深度学习方法提高了姿态估计的准确性、鲁棒性和环境适应性,结合基于轮廓特征的模板匹配方法提高了姿态估计的实时性。首先采用目标船只的三维模型,渲染出船只的多姿态图像,通过实例分割算法建立船只姿态模板库。然后采集目标船只的可见光图像,通过目标检测、实例分割算法获得船只匹配图像,将船只匹配图像与船只姿态模板库中的图像进行匹配,匹配成功的船只姿态模板图像对应的姿态即为船只的姿态。通过仿真验证,三维姿态估计精度可达到1°。

关键词： 风力机叶片   角点检测   离散小波变换  

摘要： 风机叶片细长尺寸大的结构使得接触式传感器检测系统安装困难,同时传感器也会加剧叶片运行的不平衡性,现有基于机器视觉的非接触式方法的图像采集也无法采集叶片全貌,导致对于风机叶片运行时的动态监测手段缺失。提出一种基于视频拼接、长尺寸目标的信息采集方法,通过OpenCV与Python联合开发,经先验去雾后利用Harris角点检测和SIFT将分散图像拼接成整体图像,并进行多重离散小波变换与逆变换增强图像质量。结果表明,上述方法能够有效采集并保留完整的叶片信息,尤其是完整的叶片边缘信息与叶片损伤信息,对基于机器视觉检测叶片的潜在缺陷或损伤提供有效的数据支撑,进而保证风机叶片安全稳定运行。

关键词： 建筑物识别   机器学习   YOLOv7   输电线路走廊   目标检测  

摘要： 输电线廊道内的灾害预警与安全评估是智能电网建设工作的重点之一,因此掌握输电线廊道区域内聚落的所在位置及其分布情况等信息对于做好山区防灾减灾工作非常重要。近年来,随着目标检测技术的不断发展,所应用到的领域也越来越广泛,而遥感目标检测作为其中的一个应用场景,因为其覆盖范围广、涵盖目标多的特点,被广泛应用于建筑物信息提取。现有的深度学习模型在建筑物识别分割上的识别精度和检测速度都存在局限。针对此类问题,本文以GF-2影像作为数据基础,首先对山区建筑物标记,建立样本数据集并按照9∶1的比例划分为训练集和验证集;然后对标准版YOLOv7网络进行改进,在颈部部分添加GAM-CBAM合成的双重注意力模块,减少建筑物的特征丢失,从而提高网络的检测能力。结果表明,改进后的YOLOv7网络对山区建筑物的分割识别平均精度达到了88.74%,在精确度和召回率上也高于其他深度学习模型。因此,该方法可以快速高效地获取山区聚落信息,并为山区防灾减灾过程中应急预案的制定提供数据支撑。