关键词： 船舶尾气   SO_(2)紫外相机   光谱定标   图像处理   排放速率反演  

摘要： 排放速率对于研究污染气体扩散的动力学特性及污染物的时空演化规律至关重要,为此提出一种基于机器视觉的排放速率反演方法。首先通过自主设计的SO_(2)紫外相机系统,基于紫外成像测量原理和光谱定标法获取烟台港一艘客货船排放尾气羽流中的SO_(2)浓度信息。随后利用Farneback光流算法检测羽流图像中光流的运动方向及强度,对光流向量进行可视化处理,计算得出图像中船舶尾气的排放速度。最后,结合SO_(2)的浓度信息与计算得到的排放速度,对结果进行分析,实现SO_(2)排放速率精确反演。试验结果表明,基于机器视觉的反演方法能够有效估算SO_(2)排放速率,对船舶尾气排放监测具有实际意义。

关键词： 遥感场景   舰船目标   多目标跟踪   惯性预测   检测-跟踪范式  

摘要： 遥感场景下的舰船目标跟踪具有重要的战略意义和经济价值,如何克服遥感视角下舰船朝向任意性、近岸舰船密集排列等问题对跟踪性能的影响是一项具有挑战性的任务。针对遥感场景下舰船等大长宽比目标的多目标跟踪(multiple-object tracking,MOT)任务,提出一种基于惯性预测的多目标跟踪器(inertial predicting multiple-object tracker,IPMOT)。首先,利用检测-跟踪(tracking-by-detection,TBD)范式级联检测器和跟踪器有效避免训练过程对时序关系的依赖,通过公开的目标检测数据集实现对检测器的训练,解决跟踪数据集缺乏的问题。其次,针对TBD范式在检测阶段存在的漏检严重影响跟踪性能的问题,构建惯性跟踪模型(inertial tracking model,ITM),通过多步预测来实现检测器漏检时的跟踪保持,并利用角度修正消除边界处角度突变的影响。最后,为实现所提算法的模型训练和性能测试,制作舰船MOT(ship MOT,SMOT)数据集。实验结果表明,所提模型在MOT精度(MOT accuracy,MOTA)和识别F1分数(identity F1 score,IDF1)指标上分别提升3.9%和7.2%,在IDs和Frag指标上的表现有明显改善,具有较好的跟踪精度和稳定性。

关键词： 小目标检测   DETR   注意力机制   Transformer   残差链接  

摘要： 针对轻小型无人机图像目标检测中由于目标灵活多样、环境复杂多变导致的检测精度低等问题,提出基于改进RT-DETR无人机目标检测算法。综合考虑轻量级SimAM注意力和倒置残差模块改进ResNet-r18主干网络,提高目标检测模型的特征提取能力。采用级联分组注意力机制优化倒置残差模块和特征交互模块,提升特征选择能力,实现目标检测信息的精细化获取。颈部网络中引入160×160检测层,提升特征融合阶段小目标的感知能力。基于VisDrone2019数据集的实验结果表明,改进后的模型具有更低的参数量和更高的检测精度。在Alver_Lab_Ulastirma和HIT-UAV数据集上进一步验证了改进方法的有效性和鲁棒性。

关键词： 蚕豆荚   目标检测   深度学习   YOLO  

摘要： 蚕豆荚检测是蚕豆自动化采摘的前提与基础,因此,实现蚕豆荚的快速、准确识别与定位十分关键。基于此,提出一种基于深度学习的蚕豆荚检测方法YOLO-B。为增大整体网络的感受野,获取目标丰富的上下文信息从而提高检测精度,提出SPPX模块。由于蚕豆荚特征较为相似,为消除冗余特征,提出Ghost PAN特征融合模块。经过对比试验分析,相比于其他YOLOv7、YOLOv5与YOLOv4,YOLO-B参数量(29.092M)和计算量(95.466G)最低,m AP(92.58%)最高,分别提升1.33%、2.75%与3.74%。在蚕豆荚特征差异较小、生长姿态差异较大的场景下,均能实现准确检测。

关键词： 机器人   嵌入式   结构设计   目标检测   YOLOv8  

摘要： 针对排水管道作业检查与缺陷检测问题,设计了一款管道缺陷检测机器人,包括机器人的机械结构、外观大小和驱动方式,保证其可以在管道中实现自由运动。机器人由硬件与软件两部分构成,硬件包括管道机器人与收线器的制作,通过信号线对机器人进行远程操控和数据交互。软件则包括视频传输与管道缺陷检测系统的设计,通过视频图像采集与YOLOv8网络模型共同工作实现对管道环境的探查。最后,通过测试验证管道机器人的性能,记录实验数据,为后期进一步设计奠定基础。

关键词： 畜牧业   鸵鸟养殖   计算机视觉   目标检测与跟踪   YOLOv7   ByteTrack  

摘要： 鸵鸟养殖作为现代畜牧业的重要组成部分,全球的养殖规模正逐年以15%左右的速度增长。鸵鸟多目标跟踪技术在提升养殖管理效率和精准度方面具有重要作用。然而,目前针对鸵鸟的多目标跟踪算法在目标检测精度和跟踪稳定性上仍存在不足,尤其是在处理小目标和高密度目标场景时容易出现漏检与跟踪丢失问题。为解决上述问题,文章提出了一种基于YOLOv7与ByteTrack的多目标跟踪算法。该算法在YOLOv7主干网络中引入注意力机制EMCA,显著提升了对小目标的感知能力;在ByteTrack算法中,帧内关系模块结合匈牙利算法实现高效目标关联,减少漏检和身份切换的几率。实验结果表明,该算法相较于原始YOLOv7在处理速度上提升了7.9%,跟踪准确性(MOTA)在多个关键指标上均有显著提升:相较于DeepSORT和DeepMOT分别提高了13.3%和10%。此外,ByteTrack算法在避免跟踪丢失方面表现尤为突出。该研究为现代化鸵鸟养殖提供了高效可靠的多目标跟踪技术支持,具有重要的实际应用价值,为推动智能化畜牧业发展提供了参考。

关键词： 变电站图纸识别   端子排图纸解析   图元检测   文本识别   目标检测   领域先验  

摘要： 端子排图纸是变电站二次回路施工、检修和运行维护的重要依据。应用计算机视觉技术对其进行电气语义解析存在复杂性和专业性上的双重挑战,使其不可避免地面临难例样本被误解析的窘境,从而阻碍该类方法在真实场景的落地应用。针对端子排图纸电气语义解析存在的不足,提出一类融合图元检测和领域先验的变电站端子排图纸电气语义解析方案。该方案涉及图元检测、文本识别及线帽语义标签解析三个步骤,具体由基于滑动窗冗余切割和改进YOLOv8的多尺度图纸图元检测,以及基于文本识别与领域先验的图纸拓扑匹配与纠错拒识两个算法组成。该方案在基于真实场景构建的图元检测数据集与线帽语义标签解析数据集上分别进行了性能验证,实验结果表明,图元检测算法优于当前主流检测模型,图纸拓扑匹配与纠错拒识算法则在拒识率为10.8%的基础上使得线帽语义标签解析的拟召回率和拟精确率都达到了100%。

关键词： 多模态融合   传感器   遥感技术   作物监测   计算机视觉   农业精准管理  

摘要： 多模态融合技术通过结合多源数据,可以克服单一模态的局限性。近年来,传感器以及遥感技术的发展为作物监测提供了更加丰富的数据源,光谱数据、图像数据、雷达数据以及热红外数据被广泛应用于作物监测中。通过利用计算机视觉技术以及数据分析方法,可以从中获取作物的表型参数、理化特征等信息,从而有助于评估作物的生长状况、指导农业生产管理。现有研究多数是基于单一模态数据展开,而单一模态的数据仅有一种类型的输入,缺乏对整体信息的理解,且容易受到单模态噪声的影响;部分研究虽然采用了多模态融合技术,但仍未能充分考虑模态间的复杂交互关系。为了深入分析多模态融合技术在农业领域应用的潜力,本文首先阐述了农业领域中多模态融合的先进技术与方法,重点梳理了多模态融合技术在作物识别、性状分析、产量预测、胁迫分析及病虫害诊断领域中的应用研究成果,分析了多模态融合技术在农业领域中存在的数据利用程度低、有效特征提取难、融合方式单一等问题,并对未来发展提出展望,以期通过多模态融合的方法推动农业精准管理、提高生产效率。

关键词： 人工智能   带状碳化物   目标检测   图像分类   视场   金相检测  

摘要： 在钢铁行业中,碳化物对钢材质量的影响至关重要,其在钢材中的分布对评估钢材质量有极其重要的意义。当前的碳化物检测技术仍然采用人工观测的方法,不仅成本高,且存在观测的差异性,稳定性差等问题。为满足实际生产的需求,引入了人工智能领域的深度学习技术,构建了专用于碳化物检测的数据集,研发了对应100倍视场和500倍视场条件下的专有技术。通过自动化载物台和自动化对焦、智能采集算法、智能拼接算法,系统实现了样块的自动化图像采集以及图像的高还原拼接,解决了人工图像采集速度慢、采样区域不全面、偶然性大的问题。在100倍视场下使用目标检测技术,能够精准定位每条碳化物的目标框位置;500倍视场下使用图像分类技术,能够更加精确地判别碳化物等级。通过针对实际应用场景下精度和抗干扰的优化,算法能够在允许0.5级误差的情况下达到99%以上的准确率,将人工智能技术有效地引入了带状碳化物检测领域。

关键词： 深度学习   目标检测   YOLOv8   瑕疵检测  

摘要： 电子线路板在生产制作过程中存在瑕疵、缺陷、漏孔等问题,因此在生成制造过程中对其进行瑕疵检测是重要且必要的,这能快速定位问题与弥补一定的经济损失。针对电子线路板瑕疵检测任务,该文提出一种改进YOLOv8s模型的细粒度图像目标检测方法EFF-YOLOv8s。首先,为了细粒度地提取图像特征与提高图像的目标检测准确率,使用EfficientFormerV2作为主干网络,替换YOLOv8s模型原始的卷积块结构;其次为了更突出地表征待检测目标的信息,该文在特征融合阶段基于高效的空间注意力ELA提出一种全新的C2f-ELA模块。最后的实验结果表明文章提出的方法在电子线路板瑕疵检测数据集上的准确率、召回率、mAP@0.5以及mAP@0.5:0.95指标分别能达到97.3%、93.9%、97.1%和55.4%,分别较YOLOv8s模型涨点5.0%、3.0%、2.7%和4.6%。