关键词： 深度学习   无损检测   神经网络   计算机视觉  

摘要： 为解决目前道路病害检测算法精度低、鲁棒性差的问题,提出了Bi-Swin Transformer结构。其主干特征提取网络采用四层Swin Transformer Block来捕获全局依赖关系,在特征融合阶段使用BiFPN融合网络实现特征在不同尺度之间的双向交流。在来自7个不同国家的道路病害数据库上进行训练,并应用数据增强方式。结果表明,Bi-Swin Transformer有着比Transformer模型及卷积神经网络更为优秀的性能,更适用于道路病害检测,平均准确率达到了0.539。其在小目标道路病害中的检测精度仍然为最优,高于当前先进的检测模型。通过实际检测表明,Bi-Swin Transformer模型不仅具有高精度,而且具有强鲁棒性。

关键词： 机器视觉   图像处理   边缘检测   中心线   输送机   胶带跑偏  

摘要： 矿用胶带输送机工作过程中,监测结果受到周围环境的影响。文章提出了基于机器视觉的矿用胶带输送机胶带跑偏监测方法。运用机器视觉,建立监测框架,通过双目视觉成像系统采集现场图像,观察输送机胶带跑偏情况。依托于非局部均值算法对输送机胶带图像进行去噪处理,并采用引力检测算法优化后的Canny(坎尼)算子,检测图像包含的边缘信息。利用Hough(霍夫)直线变换思想获取图像边缘直线,识别输送机胶带的扭曲和偏移状态,完成胶带跑偏监测。实验结果表明,新研究方法监测结果的AUC值为0.87,可准确反映矿用胶带输送机胶带的工作状态。

关键词： 藏药材植物   深度学习   目标检测   轻量化算法   YOLOv8  

摘要： 由于藏药生长环境恶劣,人工识别藏药材植物非常困难,提出一种基于改进YOLOv8的轻量级检测算法LTP-YOLO检测户外环境中的藏药材植物。首先,利用MobileViT替换YOLOv8特征提取网络来减少算法参数量和计算量。其次,引入内容感知特征重组上采样算子CARAFE帮助算法在上采样时感知上下文信息。再次,提出多尺度融合注意力机制MFA建立局部跨通道交互提升算法检测精度。实验表明,所提算法将参数量从3.02 MB减少到1.28MB,计算量从8.2 GFLOPs减少到5.8 GFLOPs,在自建的藏药植物图像数据集上mAP@.5相较于YOLOv8更优。证明了该算法可满足移动设备的高精度、低计算部署需求,并在各种密集植物检测任务中显示出广阔的应用前景。

关键词： 显著性目标检测   水面目标检测   特征提取   多级特征融合   迁移学习  

摘要： 在目前的水面目标检测任务中,研究人员更多关注目标本身特征,并采用有相似特征的目标数据进行训练,导致算法在不同种目标检测中存在局限性。论文针对水面环境下的多种目标检测问题,结合目标显著性检测算法提出了一种基于图像显著性迁移学习的水面泛目标检测算法。该算法基于BASNet网络模型,通过模型的预测模块和修正模块对输入图像进行上下采样操作和多级特征融合等操作得到最终结果。实验结果分析表明该算法在对水面多种目标检测效果良好,且算法训练模型具有迁移学习能力。

关键词： 计算机视觉   深度学习   卷积神经网络   烟草   应用  

摘要： 计算机视觉与深度学习技术在众多场景(如物体识别,图像分类)取得了显著进展,近年来这项技术在烟叶生产中展现出广泛的应用空间与发展潜力。综述了计算机视觉与深度学习技术在烟叶生产上的应用现状,重点讨论了其在解决烟叶病害识别、烟叶采收调制、烟叶分级等问题方面的方法。通过分析不同的算法及其在烟叶生产关键阶段的运用,并考虑这项技术在烟叶生产领域所面临的挑战与发展方向,为智能化烟叶生产提供理论支持和参考。

关键词： 武当山茶叶   机械视觉   图像处理   机器学习   自动化筛选  

摘要： 武当山茶叶作为中国特色茶叶之一,其品质筛选对产业发展至关重要。采用机械视觉技术,结合图像处理和机器学习算法,构建了一套自动化茶叶筛选系统。通过采集大量武当山茶叶样本,提取颜色、形状和纹理特征,训练分类模型。实验结果表明,该系统在茶叶等级分类准确率上达到95.8%,显著提高了筛选效率和一致性。这为武当山茶叶产业升级提供了技术支持,同时也为其他茶叶品种的智能化筛选提供了参考。

关键词： 图像处理   架空   输电线路   损伤检测   设计  

摘要： 由于现有的检测方法检测损伤度在0.4~0.5之间,检测效果差,为此研究基于图像处理的架空输电线路损伤检测方法。通过无人机采集架空输电线路图像,运用图像识别处理技术对采集的图像进行处理。采用图像逆变操作进行消除,正变操作填充目标区域内存在的细小极限空间,以形成完整的目标区域。根据找出的完整目标区域,采用灰度独立矩阵提取损伤区域特征。计算损伤区域内的过差距,输入到输电线路表面损伤的损伤检测方程中,可以得到相关的检测结果。实验结果表明,实验组的检测损伤度均在0.35附近,与实际值较为一致;8次测试均能成功检测到输电线路导线裂缝,检测成功率为99%,达到了良好的检测效果。

关键词： 计算机视觉   预制梁场   钢筋   混凝土   质量检测  

摘要： 预制梁场目前使用的制备工序识别方法识别准确率较低,设计一种基于计算机视觉的预制梁场材料制备工序识别以及质量控制方法。通过设置工业摄像头以及相关参数抓拍时间间隔,设备将自动抓拍上传图片至后台,构建制备工序特征数据集构件,分析识别制梁生产工序,并记录当前工序开始及结束时间,确保管理人员可以获取第一手真实工序数据,实现质量控制。试验结果表明,在相同的测试场景下,设计方法各个工序的平均识别准确率可达到97%。

关键词： 结构健康监测   裂纹检测   计算机视觉   深度学习  

摘要： 民用基础设施在长期使用后容易发生物理结构或性能状态的改变,对其功能和使用安全造成一定的损害,因此,对这类设施的结构健康监测是十分必要的。裂纹检测是结构健康监测中极其重要的一部分,及时检测并识别这类损伤,能有效避免事故的发生。基于计算机视觉的表面裂纹检测方法操作简单、检测速度快、准确率高,被广泛应用于民用基础设施的表面裂纹检测。从图像分类、目标检测、语义分割三个不同的检测方向综述了基于深度学习的基础设施表面裂纹检测方法,总结了常见的数据采集方法和常用的公共裂纹数据集。最后讨论了基于深度学习的基础设施表面裂纹检测方法存在的困难与挑战,并展望了未来可能的发展方向。

关键词： YOLOv5s   目标检测   解耦头   安全帽识别   小目标  

摘要： 针对矿井工作人员安全帽佩戴错检、漏检的问题,提出一种改进安全帽佩戴的检测方法,包括:在YOLOv5s基础上增加小目标检测层,以提高网络对小目标的检测效果;引入一种新的包围框相似度度量,以降低网络对小目标位置变化的敏感程度;重构模型的检测头,以加速网络收敛;重建模型中的特征提取模块,以提升网络对遮挡目标的检测能力。在自建数据集上完成消融实验,实验结果表明:改进后模型的识别精度较原YOLOv5s模型,平均精确率提升了2.1%,平均查全率提升了3.0%,平均查准率提升了1.9%。研究表明,改进后模型具备良好的检测精度,适用于复杂情况下的安全帽佩戴检测任务,对于保证工作人员安全具有积极意义。