关键词： 遥感影像   轻量级目标检测   移动曼巴单元(MMB)   跨尺度特征融合   一致双重分配策略(DLA)  

摘要： 针对低功耗硬件下遥感影像目标实时检测问题,本文提出一种局部与全局特征联合提取的轻量级目标检测模型,结合卷积神经网络与移动曼巴单元搭建轻量级特征提取网络,共同捕获目标的局部及全局上下文特征。结合“跨尺度融合”与“特征筛选”机制,构建多尺度特征融合网络,对不同层次的特征图进行融合与负样本过滤。在检测阶段,以增强交并比与变分焦点损失组合计算目标框定位与分类损失,同时使用一致双重分配检测头输出检测结果,避免生成过多候选框而产生计算冗余。实验结果表明,所构建模型在两组测试数据集上平均精度均值分别达到92.34%与91.25%,较实时检测转换器提高5.82%与6.88%,在嵌入式测试平台上,检测单张图像仅耗时16.42 ms,优于主流轻量级检测模型。

关键词： 胎儿脑   核磁共振图像   图像处理   深度学习  

摘要： 胎儿脑核磁共振成像技术因其无创、无辐射和高软组织对比度,已成为评估胎儿大脑发育和诊断先天性脑异常的重要工具。高质量的胎儿脑核磁共振图像在临床诊疗和胎儿脑发育等科学研究方面发挥着重要作用。图像处理技术可提升胎儿脑核磁共振图像质量,满足诊断与研究需求,故其在胎儿脑核磁共振图像领域的研究具有重要意义。对胎儿脑结构及其核磁共振图像数据集进行简要介绍,并对图像质量评价、图像配准、图像去噪、图像偏差场校正、图像去伪影及超分辨率重建六个方面的技术进行阐述。阐述了图像处理技术应用于胎儿脑核磁共振图像的重要性;介绍了胎儿脑结构及其核磁共振图像数据集;分别就六个方面的图像处理技术进行详细介绍,系统地阐述了不同技术的国内外研究现状,对不同方法的性能进行比较与分析,并对已取得的成果与面临的挑战进行了小结;从技术、临床应用等角度探讨了胎儿脑核磁共振图像处理领域存在的问题和未来的研究方向。

关键词： 工业机器人   机器视觉   高铁轴箱   图像处理   识别与定位  

摘要： 为了提高高铁轴箱检修的速度和质量,提出一种工业机器人辅助机器视觉的高铁轴箱自动检修系统,通过机器视觉对需检修的高铁轴箱进行图像采集并进行图像处理,并将处理的结果信息通过Profinet传递给西门子PLC进行处理分析,机器人根据接收到的数据调整抓取轴箱的点位和姿态并对轴箱进行抓取。经试验验证分析,该方法的定位偏差最大为0.69 mm,抓取的精准度达到99.50%,满足实际生产的使用要求。

关键词： 计算机视觉   图像识别   玻璃量器   标线   平视  

摘要： 针对现有计算机视觉自动平视玻璃量器标线检测方法中存在噪点影响大、平视高度模型复杂、采用遍历式ROI检测效率低等问题,本文提出了相应的解决方案和实现自动平视标线的机器视觉检测新方法、程序框图及操作流程,并进行试验验证。结果表明,该方法对噪声影响具有较强鲁棒性;基于两幅图像预测平视高度的简易数学公式,输入参数较少,与工业相机绝对高度无关;瓶颈ROI的检测标线更加准确而高效。

关键词： 机器视觉   YOLOv5   锈蚀缺陷   目标检测   电气设备  

摘要： 电气设备在长期运行及严苛环境的条件下易出现锈蚀等缺陷,将直接影响设备的安全与寿命,而传统的人工检测方法效率低、准确率有限。随着深度学习与机器视觉技术的快速发展,基于机器视觉算法的自动化缺陷检测方法逐渐成为研究热点。本文围绕电气设备锈蚀缺陷检测问题,系统探讨了YOLOv5的机器视觉检测理论基础,通过融合颜色空间嵌入、多尺度轻量化结构以及区域强化损失函数,实现对不同类型和尺度锈蚀缺陷的高效识别与精确定位。实验采用多场景、多型号电气设备数据集,验证所提方法的有效性和优越性,为电气设备运维提供可靠技术支持。

关键词： 物联网   PCB缺陷检测   计算机视觉   YOLOv8   边缘设备   PySide6  

摘要： 为解决边缘设备检测印刷电路板(PCB)缺陷时存在的高计算开销与复杂环境适应性差等问题,设计了一种面向边缘部署的轻量级自动检测系统。该系统基于YOLOv8n架构,融合迁移学习、模型剪枝与知识蒸馏技术,显著降低了模型复杂度,提升了对小样本和计算资源受限场景的适应能力。针对边缘视频采集中的可变光照、传送带抖动、低对比度及镜头遮挡等极端条件,系统在保持实时性和稳定性的同时,具备较强的鲁棒性。在公开PCB缺陷数据集上进行实验,实验结果表明,该系统在检测精度与推理速度上优于现有主流模型,尤其在边缘端实时检测场景中展现出了更强的鲁棒性与应用价值。配套开发的基于PySide6的图形用户界面,进一步验证了该系统在工业环境中的可部署性与实用性,为实现高效、稳定、低功耗的边缘视觉检测提供了有效路径,具有良好的推广前景。

关键词： 新教学模式   OBE教学理念   应用型高校  

摘要： 新工科背景下,对应用型高校实践类课程改革建设提出来更高的要求。本文以0BE教学理念为导向,强调以学生为中心,探索一种以“重输出、产成果”为导向的新教学模式。通过分析堰感数字图像处理课程现状,提炼新的排学目标,改革教学模式和考核方式,同时结合评教反馈信息。不断探索新模式下课程改革与创新,培养测绘类符合社会发展的新型技术人才。

关键词： 电力巡检   目标检测   注意力机制   YOLO  

摘要： 针对无人机进行电力巡检时对于输电线路缺陷的检测精度较低的问题,提出了一种基于YOLOv10n的改进缺陷检测算法;其具体结构为在Backbone中添加轻量级卷积神经网络注意力模块CBAM,使得改进后的网络模型在通道和空间两个方面更加关注输电线路导线缺陷的特征,降低漏检、错检率;将YOLOv10n中原来的特征融合框架替换为双向特征金字塔网络BiFPN,该网络在原始的FPN模块中添加了上下文信息的边,并对每个边乘以一个相应的权重,通过不同的权重映射不同的学习特征,因此增加对贡献较大的特征映射;在空间金字塔池化模块通过结合ELAN,使模型能更有效地识别小目标特征;经过一系列的实验证明,改进后的模型准确率达到85.8%,召回率达到80.8%,mAP达到87%,各种指标在一定程度上都得到了提升;由此可见改进的算法提高了检测精度,在输电线路巡检中具有较广泛的应用前景。

关键词： 光学遥感图像   目标检测   小目标检测(SOD)   深度学习   多尺度特征融合  

摘要： 遥感目标检测(remote sensing object detection,RSOD)是遥感领域中备受关注的核心任务之一,其复杂性和基础性使其一直受到广泛关注和研究。在遥感领域,小目标检测的挑战在于其尺寸较小、信息量有限,并且容易受到背景干扰的影响,这使得传统的目标检测方法难以有效应对。因此,遥感小目标检测逐渐成为该领域研究的重要难点和焦点。本文旨在对基于深度学习的遥感小目标检测领域的研究现状和发展趋势进行全面回顾。首先,针对小目标检测问题,本文确定了7大挑战,包括但不限于可用特征少、度量不匹配、图像幅面宽、背景干扰大、分布不均匀、方向不确定和数据集稀缺;接着,针对这些挑战,依次提出相应的解决方案,并对其进行了深入分析和探讨;然后,概述了遥感小目标检测领域广泛使用的基准数据集和评估指标以及潜在的应用场景;最后,对遥感小目标检测的未来方向进行了深入分析与展望,以探讨潜在的研究方向和技术创新,以解决当前挑战和限制,提高遥感小目标检测的性能和适用性。

关键词： 遥感图像   旋转目标检测   小目标检测   SPDConv   Gold-YOLO   轻量化检测头  

摘要： 在遥感图像的无人机目标检测领域,目标尺寸小、旋转方向和背景复杂是普遍存在的问题。为应对这些挑战,提出一种小尺度旋转目标检测网络SGLO。该网络通过引入SPDConv模块替代传统的CBS模块,在不同尺度上获取更广泛的感受野,从而提高模型对不同大小目标的检测能力。其次,采用重新设计后的Multi_Gold结构来增强模型融合多尺度特征的能力,并显著提升对小目标的检测性能。此外,基于LADH设计了一种轻量化的旋转目标检测头LADH_OBB,从而有效减少模型的计算量。实验结果表明:与基线模型相比,所提出的SGLO模型在DIOR-R数据集上,mAP@50和mAP@95分别提升了2.8%和1.8%;在VisDrone2019数据集上,分别提升了2.7%和1.5%。这些结果表明SGLO在旋转目标检测领域具有先进性和有效性。