关键词： FCOS   链轨节   目标检测   Swin Transformer   CA-PAFPN  

摘要： 针对现阶段链轨节生产线上磁粉探伤检测任务中小尺寸裂纹缺陷难以检测,以及复杂背景下缺陷识别准确率不高的问题,提出一种改进的FCOS缺陷检测方法 FCOS-TCA。首先,引入Swin Transformer作为特征提取网络,提升对小目标的特征提取能力;其次,基于路径聚合特征金字塔网络与协调注意力机制提出CA-PAFPN模块,以促进高低维多尺度特征信息融合;最后,将边界框回归损失函数优化为EIoU_loss损失函数,以加速模型收敛,提高回归精度。采用自制TL数据集进行验证分析,结果表明,FCOS-TCA模型平均精度为83.7%,与原始FCOS模型相比提升了6.5%,对于推动链轨节表面以及次表面缺陷检测发展具有一定的参考价值。

关键词： 深度学习   图书   目标检测  

摘要： 在数字化时代下大学图书馆依然保存着大量的纸质书籍,学生在阅读时会将书籍和随身携带的物品混杂在一起。本文针对上述情况研究了复杂环境下的深度学习目标检测模型来实现图书的自动识别与检测。首先,依托贵州大学图书馆构建了标签数据集;其次,搭建了基于SkipNet和mobileNet的混合模型;最后,将训练好的模型在验证集上进行了测试验证。从结果可知本文采用的模型架构在测试集上实现了98.5%的精度并且具有领先的运行速度。

关键词： 输电通道   空飘物   目标检测   尺度变化  

摘要： 在电网长期运行期间,空飘物威胁输电线路安全稳定运行。针对密集输电通道场景复杂及漂浮物形态与尺度快速多变,难以兼顾检测准确性与实时性的问题,提出基于多尺度融合的密集输电通道空飘物检测算法。该算法以路径聚合网络为基础,融合快速空间金字塔池化模块,添加动态蛇形卷积和小目标检测层提升检测性能,采用置换注意力机制与加权交并比损失函数降低复杂背景干扰。试验分析表明,该算法可有效应对移动引发的尺度变化,精度和速度均优于其他目标检测算法。

关键词： 机器视觉   插件面板   标识点   定位   最大类间方差法   二值化  

摘要： 针对现行插件面板标识点定位方法应用时定位相对偏差较大的问题,该文提出基于计算机视觉的插件面点精准定位方法。首先,配置机器视觉系统,对插件面板图像获取。其次,采用最大类间方差法对插件面板图像进行二值化处理。最后,利用机器视觉技术对图像坐标系进行转换,确定标识点在机器坐标系中位置,实现插件面板标识点的定位。实验证明,设计方法定位相对偏差不超过1 mm,定位效果较好。

关键词： 小目标检测   特征融合   注意力机制   深度学习  

摘要： 传统的目标检测算法存在检测效果不佳及检测效率低等问题,针对这些问题,提出了一种基于YOLOv7网络改进的小目标检测方法.该方法在原网络的高效层聚合模块(efficient layer aggregation network,ELAN)中添加了更多路径,且将不同路径中的特征信息有效融合后引入SKNet网络,使得模型更加关注网络中不同尺度大小的特征,提取出更多有效信息;同时为了加强小目标对空间信息的感知能力,设计了一个eSE模块连接在ELAN末端,以此构建新的高效层聚合网络模块(enhanced features efficient layer aggregation network,EF-ELAN),该模块完整地保留了图像特征信息,提高了网络的泛化能力.同时设计了一种CS-ASFF(cross stage-adaptively spatial feature fusion)模块来应对小目标检测出现的特征尺度不一致问题,该模块基于ASFF网络和Nest连接方式进行改进,对特征金字塔的每一张图片进行卷积、池化等操作提取权重,将特征信息作用在某一层上,同时利用其余特征层来加强网络的特征处理能力.实验结果表明,本文提出的算法在DIOR数据集和DOTA数据集上的平均精准率分别提高了1.5%、2.1%,实验结果验证了所提出的算法能够有效地提升小目标的检测效果.

关键词： 卷积神经网络(CNN)   视觉Transformer   混合模型   图像处理   深度学习  

摘要： 卷积神经网络(CNN)与视觉Transformer是目前图像处理领域中两大重要的深度学习模型,两者经过多年来不断的研究与进步,已在该领域取得了非凡的成就。近些年来,CNN与视觉Transformer的混合模型正在逐步兴起,广泛的研究不断克服两种模型存在的弱项,高效地发挥出各自的亮点,在图像处理任务中表现出优异的效果。基于CNN与视觉Transformer混合模型进行深入阐述。总体概述了CNN与Vision Transformer模型的架构和优缺点,并总结混合模型的概念及优势。围绕串行结构融合方式、并行结构融合方式、层级交叉结构融合方式以及其他融合方式等四个方面全面回顾梳理了混合模型的研究现状和实际进展,并针对各种融合方式的主要代表模型进行总结与剖析,从多方面对典型混合模型进行评价对比。多角度叙述了混合模型在图像识别、图像分类、目标检测和图像分割等实际图像处理特定领域中应用研究,展现出混合模型在具体实践中的适用性和高效性。深入分析混合模型未来研究方向,并为后续该模型在图像处理中的研究与应用提出展望。

关键词： 皮革缺陷检测   YOLOv8   目标检测   轻量化   StarNet  

摘要： 为了解决YOLOv8参数量过大影响检测速度等问题,本文以汽车座椅皮革为样本对汽车座椅表面进行缺陷检测,提出了一种轻量化的基于YOLOv8框架的皮革缺陷检测算法。首先,将YOLOv8原本的主干网络替换成轻量化网络StarNet, StarNet通过星型运算实现了高维和非线性特征空间的映射,从而在紧凑的网络结构和较低的能耗下展示了出色的性能和低延迟。其次,将原本的检测头替换成轻量级共享卷积检测头,通过使用共享卷积,可以大幅减少参数数量,使得模型更轻便,以便于在资源受限的设备上部署。最后,将颈部网络的C2f模块替换成C2f_Star模块,在网络更加轻量化的同时,将不同尺度的特征图进行融合,提高目标检测的准确性和鲁棒性。在自制的HSV-Leather数据集上对模型进行实验验证,结果表明,改进后的YOLOv8-Leather检测模型性能优于YOLOv8n模型。对比YOLOv8n模型,改进后的模型在参数量上降低了57%,检测速度提升了20%,模型权重降低了52%,运算量降低了53%。实验验证了改进后的模型在解决皮革表面缺陷检测问题上的可行性。

关键词： 选通图像   图像增强   目标检测  

摘要： 激光距离成像技术具有全天候成像、抗干扰能力强等优点,基于选通图像的目标检测有很大的前景。针对选通图像分辨率低与噪声干扰的问题,采用自适应双直方图均衡化与GDIP模块结合对选通图像进行前处理,提高图像质量;针对选通灰度图像特征不足的问题,基于YOLO-v8网络,改进了neck层,同时增加了改进的注意力机制模块,更好地提取特征信息。在自制数据集上进行验证,实验结果表明该方法能够有效提升检测精度。

关键词： 红外成像技术   目标跟踪   图像均衡   区域检索   查找表  

摘要： 针对红外相机在进行目标跟踪时由于图像动态范围大、目标及相机高速运动导致拍摄图像经常过亮或过暗的问题,设计了一款高实时、高质量的红外图像均衡算法。该算法通过优化红外相机曝光参数完成图像主体与背景对比度的调节。首先对图像分区,通过分析相邻区域亮度变化,进行图像非连续区域检索,基于检索结果确定图像主体,并针对主体进行加权,统计图像亮度。接着为满足相机小型化需求,将插值法与查表法结合,根据图像亮度均值完成曝光参数的迭代。该算法不仅保证了图像主体清晰度以及红外相机曝光调节速度,而且避免了额外存储单元的需求。经红外相机实测,所提算法平均仅需3.2帧即可完成红外图像均衡化,平均曝光误差为5.15%,具有较好的应用价值。

关键词： 输电线路   覆冰厚度   图像识别   图像处理  

摘要： 针对冬季户外输电线路覆冰问题,提出了一种基于图像处理的覆冰厚度识别技术。通过分析输电线路覆冰图像的特性,结合先进的图像分割和边缘检测算法,旨在实现对覆冰厚度的精确识别。试验数据显示,该技术将平均测量误差控制在较低水平(平均测量误差最高7.90%),有效降低了传统方法的测量误差,显著提高了覆冰厚度识别的准确性。研究不仅验证了图像处理技术在覆冰检测中的可行性,还可为相关领域的技术发展提供参考。