关键词： 深度学习   无人机   目标检测  

摘要： 文章设计了一种基于深度学习的无人机(Unmanned Aerial Vehicle,UAV)目标检测与跟踪系统,旨在提升无人机在动态环境中的目标识别与跟踪能力。深度学习模型模块基于YOLOv4进行目标检测;目标检测与跟踪模块集成深度SORT与Siamese网络,实现实时多目标跟踪。实验结果表明,系统在COCO和实际场景数据集上的平均检测精度(mean Average Precision,mAP)分别达到86.5%和81.3%,目标跟踪精度(Multiple Object Tracking Accuracy,MOTA)最高达到78.2%。该系统在动态环境中表现出较强的目标遮挡恢复能力,路径规划成功率提升至92.4%,路径偏差降低至2.8 m,验证了其检测精度、跟踪稳定性及环境适应能力。

关键词： 螺栓   铆钉   故障检测   图像处理   深度学习   机器视觉  

摘要： 螺栓/铆钉分别作为输电线路、铁路交通、桥梁及飞行器等领域工程应用中不可或缺的连接紧固件,其在受到外界环境因素影响时,不免会出现销钉缺失、螺母松动、螺栓锈蚀及铆钉损伤等故障,准确识别有故障的螺栓/铆钉对保障输电线路、铁路交通、飞行器等安全稳定运行具有重要意义。在海量数据驱动下,基于深度学习的螺栓/铆钉故障检测方法利用卷积神经网络自动逐层学习图像的深层特征,通过训练优化网络模型参数提升特征提取能力和泛化能力,取得了比传统图像处理方法更好的检测结果。文章综述了近十年来基于视觉的螺栓/铆钉故障检测方法的研究进展。首先简述了螺栓/铆钉故障特征及视觉检测面临的挑战;然后依托深度学习技术概述了螺栓/铆钉故障检测方法,从双阶段算法、单阶段算法和级联检测模型3个方面对基于深度学习的螺栓/铆钉故障检测方法进行了总结;随后针对线路类、箱体类、构件类螺栓/铆钉典型应用场景,重点阐述了螺栓/铆钉故障的视觉检测方法;最后针对基于机器视觉的螺栓/铆钉故障检测在数据集、样本标注、小目标检测等方面面临挑战,结合现有的深度学习技术和最近的研究思路,详细分析了基于深度学习的螺栓/铆钉故障检测未来的发展趋势。

关键词： 无监督学习   显著性目标检测   西藏古建筑   冲量扩张   室内检测  

摘要： 针对西藏室内复杂纹理背景下显著性目标检测算法难以全面标记显著区域的问题,在A2SNet模型基础上提出改进的MA2SNet模型。引入高效通道注意力模块,增强预训练模型对复杂场景的检测能力;添加基于区域扩张的冲量策略,结合高置信度标签和噪声线索,提高伪标签的全面性和准确性;改进实时标签纠正策略,实时优化伪标签质量。采用深度学习的无监督显著性目标检测方法,降低了为众多物品手动注释标签的人力成本。实验结果表明,F_(2)和召回率相较于基线模型,在西藏数据集和公共数据集都有所提高,可稳定、全面地检测图像占比大于40%的单物体显著目标。

关键词： 玉米   病虫害识别   目标检测   YOLO v8模型  

摘要： 针对目标检测模型YOLO v8s在光照变化大和背景杂乱情况下,对玉米病虫害进行识别过程中存在检测漏检率高以及鲁棒性较差的问题,提出了一种基于改进YOLO v8s的玉米病虫害识别模型——DSCGAM-YOLO v8s。DSCGAM-YOLO v8s模型基于YOLO v8s模型,首先将GAM全局注意力机制加入C2f模块中的Bottleneck之前,构建全新设计的C2f-ATTENTION模块,在充分获取上下文信息的基础上降低复杂背景对病虫害图像识别的干扰;接着在Neck部分网络结构设计并添加DySnakeConv模块,DySnakeConv模块具有自适应调整卷积核的形状特性,更好地捕捉和感知图像中玉米病虫害的目标特征,避免光照和背景杂乱的影响;最后改进了Neck颈部网络结构,建立了160×160尺度的特征融合层以提升检验框对小目标检测的准确性,增强了浅层信息和深层信息的融合同时提高了识别精度,在Head网络中增加微小目标检测模块与160×160尺度的特征融合层进行连接。在使用自建的包含常见7种玉米病虫害数据集进行测试的情况下,DSCGAM-YOLO v8s模型的检测精确度、召回率分别达到了81.2%和71.3%,与YOLO v8s模型相比分别提高了9.9、8.9百分点。对比YOLO v3模型、YOLO v5s模型、YOLO v8s模型mAP分别提升了15.7、11.4、11.1百分点,对比其他研究中提出的玉米病虫害识别模型YOLO v3-Corn、Improved-YOLO v5s、YOLO v8-Extend模型mAP提升了12.8、8.4、6.8百分点。在保证提取相同特征参数,识别计算量提升不大的前提下,DSCGAM-YOLO v8s模型有效提高了识别精度。

关键词： 沥青路面   图像处理   深度学习   裂缝病害  

摘要： 为了提高沥青路面的检测效率和准确性,分析了图像处理技术和深度学习算法。图像处理技术的关键是获取数据集。数据集大多是使用驾车录像和细节拍摄两种方式采集到的路面图像,由于直接采集的路面图像背景复杂,可通过灰度化处理、增强处理(平滑滤波、直方图均衡化、Gamma矫正等)、分割处理等方面处理图像。图像处理完成后,可基于VGG卷积神经网络建立沥青路面的深度学习模型,并合理选择卷积层、池化层、全连接层等结构层的参数。以S238线公路的一段沥青路面为例,对深度学习模型的卷积层层数和训练次数进行优化,并将检测结构与实际进行对比,研究成果表明:将处理后的图像导入VGG卷积神经网络后,对沥青路面的裂缝识别度达到了90%以上。

关键词： 计算机视觉   工业自动化检测   数据处理   优化策略   智能化升级  

摘要： 介绍计算机视觉的基本原理与技术框架,分析了其在工业自动化检测中的独特优势。通过具体案例分析,揭示了计算机视觉在产品质量检测、生产线监控与调度等多个关键场景中的实际应用现状,提出了一系列创新性的优化策略与改进方法,旨在提升检测精度、优化数据处理流程,并推动工业自动化检测系统的集成化与智能化升级。

关键词： ZYNQ   动态三帧差分法   目标检测   实时图像处理  

摘要： 传统视频监控系统在实时运动目标检测时,存在目标检测不完整和目标检测错误的局限性。本研究基于体积小、实时性高的需求,提出了一种将动态三帧差分法与Sobel边缘检测算法结合的实时目标检测方法,并基于ZYNQ构建了视频采集模块、图像处理模块、图像缓存模块、视频显示模块和目标地址读取程序,可提高检测的准确性与实时性。在CDnet数据集与实拍场景上进行实验验证,结果表明该系统能够在不同场景下有效、准确地检测实时运动目标。

关键词： 计算机视觉   语义分割   注意力机制   多尺度特征融合  

摘要： 为解决双边分割网络在标签分割时存在的分割边界拟合精度低以及边缘不准确而导致的形心计算偏差问题,提出一种改进的BiSeNet模型。首先,改进损失监测机制,提升模型对目标对象的关注度;其次,设计了一种多尺度边缘融合模块,增强网络的特征表示和训练稳定性。消融实验和对比实验结果表明,改进的双边分割网络分割模型,其mIoU和mF1评价指标较基准网络分别提高了2.82百分点和2.51百分点。为验证其在振动测量中的有效性,以振动实验台作为实验对象。实验结果显示,与传统加速度传感器相比,所提方法测得的振动数据与真实位移数据之间的均方误差仅为0.06。

关键词： AKConv模块   YOLOv8   缺陷检测   多尺度特征提取   轻量化  

摘要： 传统的金属表面缺陷检测技术在复杂背景干扰与微小缺陷识别中存在漏检率高、多尺度特征提取不足等问题。为此提出一种基于YOLOv8改进的轻量化缺陷检测算法。通过自适应核卷积AKConv模块动态调整卷积核采样形状以增强多尺度缺陷特征提取能力,减少冗余参数计算。实验采用Kaggle公开数据集GC10-DET进行验证,改进后的YOLOv8-AKConv模型在测试集上的mAP50达到73.81%,相较于其他YOLO版本在检测精度上有显著提升。

关键词： YOLO v8   苹果叶部病害   目标检测   Shuffle Attention   C2f_DCNV2   MPDIoU  

摘要： 针对苹果叶部病害在自然环境下形态和颜色特征较为复杂、区分度较低等特点,提出一种高效的病害检测模型,为病害的预防与科学化治理提供准确的依据。基于YOLO v8算法,在主干网络(backbone)末端,加入注意力机制Shuffle Attention(SA),根据样本分布特点进行数据增强,引入Mixup、Mosaic、Random等数据增强方法增加特征表达能力,在提高检测性能的同时,不显著增加计算复杂度;在neck末端,使C2f模块与可变形卷积神经网络模块(Deformable Conv V2)相结合,以提升复杂背景下的检测性能,从而提高检测准确度,有效提高模型性能;为克服CIoU损失函数的局限性,采用MPDIoU损失函数,解决CIoU在特定场景下的限制。结果表明,相较于原始YOLO v8算法,本研究算法的平均准确率提升3.5百分点,mAP@0.5∶0.95提升4.6百分点,精确率提升3.6百分点,说明改进的算法在苹果叶部病害检测方面取得有效成果。