关键词： 人工智能   目标检测   道路病害   巡检系统   图像处理  

摘要： 文章简要阐述了路面病害车载巡检仪的研究背景,探讨了现有巡检和养护方式存在的问题,从硬件设计和软件设计2个方面设计了基于视频识别的路面病害车载巡检仪。该巡检仪能够有效节约成本,充分利用车辆资源,为后续的路政养护提供了新的借鉴和思路。

关键词： 废钢   分类   深度学习   目标检测   YOLOv5  

摘要： 废钢是钢铁行业可循环利用的绿色资源,对行业可持续发展至关重要。废钢的品级和结构关系到钢生产成本及质量,入炉前的分类与定级是当前钢铁行业的重点研究内容之一。针对传统人工判定方法公正与安全等方面的局限性,基于目标检测技术开发了废钢验质模型CSIL-Net。首先,建立了多相机联动的废钢图像采集系统,收集并标注各种料型废钢图片,经图像增强构建废钢数据集。然后,在YOLOv5模型基础上,增加小目标检测层P2优化判定场景中小目标废钢检测的效果,并删除检测层P5以简化模型,设计了新型3层检测层网络IL(Improved Layer);引入双向特征金字塔网络(BiFPN)增强模型跨尺度特征融合与信息传递能力,采用Soft-NMS(Soft Non-Maximum Suppression)改善废钢密集重叠情况下的漏检问题。最后,使用增强后的废钢数据集对模型进行训练与验证,并评估网络层数、复杂度和推理时间等模型指标。试验结果显示,CSIL-Net废钢验质网络模型的所有类别平均精度由88.8%提升到了96.3%,单张图片的推理速度仅为21.8 ms,在准确率以及检测速度方面相较于人工判定方法都具有明显的优势,可有效应用于实际场景,解决废钢判定中的实时性和公正性等难题。

关键词： 番茄   成熟度   多模态   目标检测   语义分割  

摘要： 准确识别番茄成熟度并确定最佳收获时间是实现番茄高效采摘并保障采后品质的重要前提。然而,在实际采摘作业场景中,复杂光照导致RGB图像质量下降,限制模型特征提取能力,影响应用效果。此外,现有的番茄串检测和分割数据集难以在番茄异步成熟的生长过程中满足成熟度定向采摘需求。构建基于可见光、深度、近红外的不同成熟度番茄果实多模态图像数据集,能够有效弥补当前研究领域的空白。本数据集采用机械车平台采集和人工辅助采集两种采集方式拍摄视频流数据,通过抽帧降冗、模态对齐、人工筛选等步骤获得4000组多模态图像数据样本,涵盖自然光、人工光、微弱光、钠黄光4种光照条件下的番茄样本图像,包含未熟、半熟、成熟三类成熟度的目标检测和语义分割标注,共计10.08GB。本数据集在YOLOX和Deeplabv3+模型上表现良好,可为番茄智能管理与采收设备的视觉智能系统研发提供基础数据支撑。

关键词： 四旋翼无人机   神经网络   目标跟踪   环绕控制   动态反馈   导航向量场  

摘要： 针对参数不确定性和外部环境干扰影响下的四旋翼无人机目标跟踪问题,提出一种基于神经网络的四旋翼无人机目标环绕跟踪控制方法,并设计了具有三级闭环控制结构的四旋翼无人机目标环绕跟踪抗干扰控制器。根据四旋翼无人机的运动/动力学模型和跟踪目标对应的坐标建立无人机目标跟踪基本模型。结合导航向量场原理并引入四旋翼无人机位置信息反馈回路,构建基于导航向量场的动态反馈控制器。同时,为了消除四旋翼无人机位置环和姿态环受到的集总扰动影响,引入基于最小参数学习的自适应神经网络干扰观测器进行在线估计与补偿,以构建基于神经网络干扰观测器的轨迹和姿态跟踪控制器。通过仿真验证了该控制方法的有效性,仿真结果表明该控制方法能有效地实现四旋翼无人机对目标的环绕跟踪,而且具有较强的抗干扰性和鲁棒性。

关键词： 图像处理   船舶格子间   深度学习   U-Net模型   焊缝视觉跟踪  

摘要： [目的]为解决船舶格子间焊缝识别和追踪存在的特征丢失、误检或漏检等问题,提升焊缝检测效率和准确性,开发专门针对船舶格子间表面的焊缝图像数据集,[方法]提出一种基于深度学习算法的智能焊缝辨识方法。通过一种并行下采样替换最上层下采样的方法对图像进行预处理,以降低其分辨率并剔除多余的信息,进而提升信息的表达效率;在网络的跳跃连接环节引入一种基于坐标的注意力模块,以此增强网络特征的提取能力,进一步提升分割的准确性。在收集的焊缝图像集上对改进的U-Net模型的有效性进行测试。[结果]结果显示,与原模型相比,改进的U-Net模型在图像语义分割任务中的m IoU和Acc分别增长1.92%和0.3%。[结论]改进的U-Net模型在船舶格子间焊缝检测任务中表现出更高的分割精度和效率,有效解决了特征丢失、误检或漏检等问题,为船舶焊缝检测提供了更可靠的解决方案。

关键词： 低照度   YOLOv8   注意力机制   损失函数   轻量化网络  

摘要： 针对低照度场景下目标检测算法面临的检测精度不高、计算成本以及内存消耗大等问题,提出一种改进YOLOv8的轻量级低光照目标检测网络模型CDD-YOLO。提出一个基于坐标注意力机制的多尺度卷积模块,提取不同感受野纹理特征并捕获空间位置之间的远程依赖关系;将动态头部框架集成到检测头中,减少复杂背景和尺度变化的干扰;基于动态非单调聚焦机制设计边界框回归损失函数,提升锚框回归路径和质量,提高模型对光照变化和噪声的适应能力;通过剪枝算法修剪模型中的冗余参数,实现模型轻量化。采用自建数据集、ExDark和VOC数据集进行实验验证,实验结果表明该方法与主流算法相比具有更好的检测效果,在计算复杂度与检测精度之间实现了更好的平衡。

关键词： 图像处理   输电线路   安全隐患检测  

摘要： 随着社会经济快速发展,输电线路作为电力输送的关键载体,其安全运行有助于保障电力供应稳定。传统输电线路安全隐患监测方法存在效率低、实时性差的缺陷,难以满足当前需求。图像处理技术的兴起为输电线路安全隐患监测提供了新的解决方案。本文基于图像处理技术,开展输电线路安全隐患监测研究,旨在实现对输电线路隐患全方位、智能化监测,提高隐患识别效率。

关键词： YOLOv7   情绪识别   目标检测   CBAM   Ghost Conv  

摘要： 针对飞行员情绪识别中存在的精度不足和效率受限问题,文章提出了一种基于改进深度学习模型的情绪检测算法。首先,在现有模型中引入了CBAM注意力机制,以增强模型对关键特征的关注,抑制非关键区域的干扰;其次,采用Ghost Conv模块进行轻量化设计,在显著降低模型参数量和计算复杂度的同时保持高效的特征提取能力。通过实验对比分析了单独引入CBAM模块、Ghost Conv模块以及两者结合使用的效果。实验结果表明,改进后的算法在情绪识别的检测精度上提升了3.1%,计算复杂度(GFLOPs)降低了21%,模型参数量减少了10%,在准确性和实时性方面均取得了显著提升。该算法为飞行员情绪监测提供了一种高效、准确的解决方案。

关键词： 带钢表面缺陷   目标检测   轻量级网络   YOLOv4  

摘要： 针对复杂工业生产环境下,热轧带钢的表面缺陷检测准确率低,网络模型参数量过大,难以部署等问题,该文提出一种基于YOLOv4模型改进的轻量级带钢缺陷实时检测算法SDD-YOLO。所提算法在特征提取部分采用GhostNet网络,压缩模型参数量;在特征融合部分,借鉴BiFPN结构改进PAN网络,采用GSConv卷积代替标准卷积,减少模型参数量和计算量,同时嵌入注意力模块CA(Coordinate Attention),增强模型特征融合能力;在预测部分采用SIOU-loss代替CIOU-loss,提高模型收敛效率,加快收敛速度;采用k-means聚类算法重新设计先验框,提高模型精度。实验结果表明,该文提出的模型相较于YOLOv4,模型参数量减少71.6%,浮点运算量降低74.6%,模型大小减小71.6%,检测精度提高3.49%,单张图片检测速度为25.9 ms。在保证准确率和检测速度的条件下,基本可以满足工业现场对缺陷的实时检测要求。

关键词： 计算机视觉   数字电影色彩风格   可视化系统   循环生成对抗网络  

摘要： 为了满足用户对应用界面多样化色彩风格的需求,以数字电影色彩风格为例,设计了一种基于计算机视觉的数字电影色彩风格可视化系统。首先对系统整体框架进行设计,然后搭建基于循环生成对抗网络的界面色彩风格迁移模型作为系统核心,最后分别对核心模型和数字电影色彩风格可视化系统进行实验测试。实验结果表明:设计的基于循环生成对抗网络的界面色彩风格迁移模型SSIM值保持在0.9以上,PSNR值保持在19以上,代表该模型生成的目标界面和迁移体界面相似度高,图像失真程度小,生成的目标界面清晰度高,综合性能良好,具有可行性和有效性,可以满足数字电影色彩风格可视化系统使目标界面清晰、准确地转换为数字电影色彩风格,实现用户根据自己的喜好将移动应用界面转化为数字电影色彩风格的需求。