关键词： 桥梁预制构件   截面几何参数   尺寸识别   计算机视觉   深度学习  

摘要： 为解决现有桥梁预制构件几何参数测量方法存在效率低、依赖人工的问题，以某高速公路桥梁通用装配式预制构件为对象，基于深度学习和计算机视觉开展截面几何参数识别方法研究。首先，以所拍摄的桥梁预制构件横截面图像为对象，融合Canny算子和数学形态学方法，提取桥梁构件截面的边缘特征点。然后，以所提取图像的边缘坐标为输入，以预先确定的桥梁构件截面的控制参数为输出，建立用于预制构件横截面几何参数识别的深度学习模型，通过改变控制参数和噪声生成数据集，用于模型训练。最后，开展现场测试以验证所建立方法的精度。结果表明，建立的集成参数识别方法可以有效识别桥梁预制构件的截面几何参数，误差可控制在5%以内。

关键词： 舱门图像   图像增广   生成对抗网络   涂装增广   目标检测  

摘要： 舱门检测网络是自动驾驶登机桥检测舱门的重要实现途径。而在舱门图像带有复杂涂装的场景下，舱门检测网络对舱门图像的检测准确率、召回率和mAP大幅降低。针对这一问题，提出了基于生成对抗网络的舱门图像涂装增广方法，用以提高舱门检测网络训练集中带复杂涂装的图像样本的数量，从而提高舱门检测网络在复杂涂装场景下的检测准确率、召回率和mAP。通过将待增广图像的边缘图像和涂装图像的边缘图像进行边缘融合，再经过已训练的生成对抗网络填色，实现舱门图像数据集的涂装增广。实验证明，与传统的基础增广方法相比，基于生成对抗网络的舱门图像涂装增广方法对Yolov5s的检测准确率、召回率和mAP提升更高。

关键词： 车辆目标检测   YOLOv10n   C2f模块   恶劣天气  

摘要： 针对在复杂天气、恶劣天气情况下，车辆目标检测受到光照、雨雪、沙尘等因素影响，出现错检、漏检等问题，提出了一种YOLOv10-vehicle目标检测算法。首先，设计了一种新的注意力机制模块WT-PSA，在复杂天气下提高模型对于车辆目标的关注度；其次，改进了SPPF模块，通过引入平均池化操作，改善因最大池化操作导致的特征信息提取不足问题；然后，设计了改进的C2f-OD模块，提升主干网络提取图片特征信息的能力；最后，更换模型损失函数为Focal EIoU，提高收敛速度，减少损失；在车辆数据集UA-DETRAC上进行对比实验，改进后的算法的平均准确率（mAP@0.5）相较原算法提升了5.1%，表明了YOLOv10-vehicle算法在复杂天气、恶劣天气下车辆检测方面的优越性。同时在VOC公共数据集上进行实验验证，YOLOv10-vehicle算法在检测车辆目标时检测精度提高了2.8%，证明了本文改进算法的泛化性。

关键词： 目标检测   金属表面缺陷   深度学习   损失函数   注意力机制  

摘要： 金属表面缺陷在飞机和航天器制造等领域易致结构失效，带来巨大的事故风险。针对传统YOLOv5s算法检测金属表面冲孔、丝状斑点、月牙形缺口等性能差的问题，现提出一种改进的YOLOv5s算法。该算法将Ghost网络加入到Backbone部分；在Neck网络中增加了MHSA注意力机制；将原损失函数替换为DIOU。经实验验证，改进后的网络与原网络相比，mAP@0.5提升了3.2%；提高了模型的检测精度并且误检、漏检率低，证实了该方法在金属表面缺陷检测上的有效性。

关键词： 多目标跟踪   Transformer   广视角目标捕捉   轨迹置信度建模  

摘要： 基于无人机视频的多目标跟踪是一项重要的视觉任务，具有广泛的应用前景。然而，由于无人机视角范围广、远距离小尺寸目标难以追踪且目标运动迅速，传统方法面临诸多挑战。为此，提出了一种基于Transformer技术的多目标跟踪方法，称为WideTrack。该方法设计了广视角特征融合记忆网络，以增强对远距离小尺寸目标的捕捉能力。同时，为更好地适应无人机运动特征，在滤波中引入了轨迹置信度建模。此外，通过结合运动特征提取模型和基于空间信息的WIoU匹配算法，设计了一种数据关联方法，综合目标的外观和运动信息以跟踪快速移动的目标。实验结果表明，WideTrack在VisDrone-MOT数据集上的MOTA分数较现有最优模型提高了5.3%。此外，模型在VisDrone-MOT数据集和UAVDT数据集上的处理速度分别达到每秒16帧和29帧。验证了其在无人机视频多目标跟踪任务中的有效性。

关键词： 机器视觉   碳纤维张力   图像处理   神经网络   非接触式检测  

摘要： 纤维张力是制约碳纤维产品质量的关键因素，机器视觉检测方法因模型测量极限无法精确测量碳纤维丝束微张力。在现有机器视觉张力测量模型的基础上，本文提出一种引入神经网络的机器视觉碳纤维丝束微张力分类检测方法。根据纤维图像特征改进ResNet18模型，将纤维图像分类为振动图像和下垂图像，结合图像分类结果和图像处理算法，获取横向振动模型的测量下限，引入下垂弦模型解算纤维丝束微张力。结果表明：所提方法相比于SVM、传统CNN和ResNet18模型验证集准确率分别提升了14.2%、9.2%和10.5%，图像识别时间为3.5 ms。通过图像分类实现纤维张力分段解算的方法，突破单一横向振动模型的测量下限，在1.5～3 cN微张力区间内，机器视觉测量值与张力传感器测量值相对误差降低至±10%，碳纤维丝束的下垂高度和实际张力拟合优度达0.964。该方法有效提高碳纤维丝束微张力的检测精度。

关键词： 异常检测   自监督学习   点云   计算机视觉   重构网络  

摘要： 面对日趋复杂的工业生产环境，三维点云工业异常检测需求与日俱增。尽管基于预训练网络的二维异常检测方法效果显著，但三维点云预训练网络的泛化能力有限，导致这类点云异常检测方法效果不佳。为提高三维点云异常检测性能，提出一种基于点云重构的异常检测方法Point-ReAD(Point cloud Reconstruction for Anomaly Detection)，它由3个核心模块构成：异常模拟模块、点云重构网络和异常判别模块。在训练阶段，正常点云图经异常模拟模块产生异常点云送入点云重构网络，正常点云作为自监督信号指导重构网络学习。点云重构网络使用分组注意力模块(Group Attention Module,GAM)，该模块设计用于融合点云的复杂结构信息，从而有效地捕捉点云中的几何和语义特征。在推理阶段，测试点云进入重构网络后生成重构点云，异常判别模块比较重构前后的点云从而精确定位异常。实验结果表明，Point-ReAD在MVTec 3D-AD数据集上的点云级AUROC(Area Under the Receiver Operator characteristic Curve)和点级AUPRO (Area Under the Per-Region Overlap)分别达到了95.49%和94.66%，相较于M3DM(Multi-3D-Memory)、3DR?M(3D Discriminatively trained Reconstruction Anomaly Embedding Model)等方法整体性能有所提升。

关键词： 寒地水稻病斑识别   卷积神经网络   目标检测   图像分类  

摘要： 传统卷积神经网络对于水稻病害识别存在局限性,特别是在寒地水稻病斑位置识别方面。为此,提出了一种改进型轻量级深度学习网络模型,建立了一个包含5种常见寒地水稻叶部病害图像的数据集,并构建了病害分类和病斑目标检测网络模型;将图像分类网络嵌入YOLOv3目标检测网络中,并对模型的特征提取部分进行了优化,采用转置卷积和空洞卷积进行上采样和下采样;最后,对比了改进后的YOLOv3模型与传统的卷积神经网络模型。实验结果表明,病害分类模型在各项指标上均表现出色,平均召回率、平均精度、平均F1-Score和总体准确率分别为93.64%、93.74%、93.77%和93.64%。改进后的YOLOv3模型在病斑检测方面也表现出色,平均检测精度mAP达到89.79%,检测率DR达到94.94%,检测速度FPS达到64.9,综合性能明显优于传统的YOLOv3算法,为水稻病害的准确快速识别提供了新途径,对水稻病害的监测和防治具有重要意义。

关键词： 目标检测   多视图融合   激光雷达   D-S证据理论   注意力机制  

摘要： 在自动驾驶领域，汽车周围的环境信息能够通过3D点云很好地呈现出来，而激光雷达则是获取3D点云数据的关键来源。然而，但对于现有的3D目标检测任务而言，直接处理点云数据会因其数据量庞大而占用大量计算资源；另外，利用点云数据生成的投影视图进行检测，又会因其视角的限制而增加漏检和错检的风险。为此，本文提出一种基于激光雷达点云投影的多视图融合目标检测方法来解决上述问题。具体来说，本方法首先，将点云投影并编码为三通道2D鸟瞰图(Bird's-Eye View,BEV)和距离视图(Range View,RV)完成数据预处理；然后，分别将编码后的BEV和RV分别输入到增加了有效通道注意力(Efficient Channel Attention,ECA)模块的Complex-YOLOv4和YOLOv5s网络中进行目标检测，得到初步检测结果；最后，基于引入证据权的Dempster-Shafer证据理论将两个视图的目标检测结果进行多视图决策融合，得到最终检测结果。实验结果表明，相较于基于单个BEV或RV视图的方法，本文所提方法的平均精度均值(mean Average Precision,m AP)分别提升了4.07%和4.18%，显著提升了目标检测性能。