关键词： 耐火砖   缺陷检测   光栅投影轮廓术   六步相移   三频外差   图像处理  

摘要： 针对耐火砖表面的缺陷检测问题,提出了一种利用光栅投影轮廓术进行表面缺陷检测的方法。利用投影仪投影光栅图案到耐火砖表面,工业相机采集投影在耐火砖表面的光栅投影图像并采用六步相移法对其进行解码,获得包裹相位。利用三频外差法进行相位展开并消除跳变误差,得到绝对相位;再利用缺陷处绝对相位的异常变化,对绝对相位进行求梯度的计算得到缺陷边缘;对图像进行形态学处理,准确的识别表面缺陷。实验结果表明:将光栅投影轮廓术与图像处理相结合的方法,可以准确地、高效地检测出耐火砖表面的缺陷,能很好地满足对耐火砖表面多种缺陷的检测要求。

关键词： 纸张质量   图像处理   计算机视觉技术  

摘要： 纸张质量检测作为现代纸张生产中的关键环节,有助于确保产品质量和生产效率。随着造纸企业生产规模的不断扩大和质量要求的日益提高,传统的纸张质量检测方法已无法满足现有的需求。计算机视觉技术凭借其高效性和准确性成为纸张质量检测的重要技术,推动纸张质量检测技术向数字化、智能化方向发展,以期实现更高效、更可靠的质量控制与管理。

关键词： YOLOv8   深度学习   烟草植株   计数   目标检测  

摘要： 【目的】实现不同生长时期烟草植株的快速检测与精准计数,针对烟草生长过程中存在的叶片交叉以及植株之间不同程度的重叠遮挡等情况,提出一种基于改进YOLOv8的不同生长期烟草植株检测与计数方法。【方法】以YOLOv8网络框架为基础,将特征融合模块改进为渐近特征金字塔网络(Asymptotic Feature Pyramid Network,AFPN),避免跨层融合时非相邻层之间的较大语义差异,提高了烟叶交叉情况下的检测精度;采用空间金字塔池化快速跨阶段部分通道模块(Spatial Pyramid Pooling Fast Cross-Stage Partial Channel,SPPFCSPC)替换原空间金字塔池化结构,极大程度地解决重复特征提取的问题,降低模型复杂度;将损失函数优化为边界框回归损失函数MPDIoU(Minimum Point Distance Intersection over Union),有效减少遮挡导致的烟叶漏检情况;通过搭载DeepSORT(Deep Simple Online and Realtine Tracking)目标跟踪算法实现植株计数功能。【结果】本研究建立的模型在目标检测中的平均精确率达到了95.9%,相比于原模型提高3.6%,与Faster R-CNN、SSD、CenterNet、YOLOv5n、YOLOv7等模型相比分别提高22.6%、4.8%、18.8%、7.1%、4.2%;在计数任务中,MOTA最高达到93.41%。【结论】本研究建立的模型能够实现对不同生长时期烟草植株的快速检测与精准计数,为烟草种植业的智能化管理提供了新的思路和方法,有助于推动烟草产业的现代化进程。

关键词： 目标检测   轻量化   注意力   Dconv  

摘要： 为了解决航拍图像目标检测算法模型参数大、小目标细节难以捕捉的问题,提出了一种基于YOLOv8的旋转目标检测算法。算法针对主干网络中的C2f结构,设计了C2fFasterblock轻量化模块,并在主干网络的尾部增加了EMA注意力机制,增强了小目标提取能力。通过Slim-neck的设计范式自主设计了Dneck,将颈部网络中的普通卷积更换为膨胀卷积Dconv(Dliated convolution),增大特征图像感受野的同时保证了卷积层的输出包含较大范围的信息,同时减少参数量的计算。实验结果表明,改进后的算法在DotaV1数据集上的准确率提高了1.2个百分点,召回率提高了6个百分点,mAP50从80%达到了83.7%,且模型的参数量减少了13.5%。该改进算法在减少参数量的同时较好地提升了平均准确率和精度,验证了实验的有效性。

关键词： 锥桶检测   深度可分离卷积   注意力机制  

摘要： 针对中国大学生无人驾驶方程式大赛(Formula Student Autonomous China,FSAC)检测锥桶目标实时性和抗干扰性较差的问题,提出一种针对锥桶目标的轻量化目标检测算法YOLOv4-F。首先,采用K-mean++算法对数据集进行预处理,优化先验锚框参数;其次,使用Mobilenetv1网络中的深度可分离卷积(Depthwise separable convolution)减少模型参数,提升检测速率;最后,使用SIOU损失函数代替CIOU损失函数,提升模型在逆光、光线较差等场景的抗干扰性,并在骨干网络中加入坐标注意力模块(Coordinate Attention,CA),提升全局感受野和检测精度,优化训练效果。实验结果表明,轻量化后的YOLOv4-F相较于原YOLOv4模型相比,模型参数量减小了36.6%,FPS提升了77.8%,检测平均精度均值(mean average precision,MAP@0.5)提升0.35%,表明提出的YOLOv4-F算法能够为实时锥桶目标检测及其应用提供参考。

关键词： RT-DETR   工人行为检测   注意力机制   模型轻量化   目标检测   特征融合   火灾检测  

摘要： 针对工厂时刻面临的安全生产问题,例如厂区车间内严禁烟火、需时刻关注工作人员的行为安全、恶劣工况场景下工人是否佩戴口罩等,提出了一个基于RT-DETR改进的工人行为及火灾检测算法FDH-DETR。首先,通过Deep Faster特征深度融合模块与FasterNet的融合,减少了算法的参数量和计算量;其次,通过DRBC3模块大小卷积核转换机制,减少了模型的推理成本;最后,通过HiLo-AIFI高低频尺度内特征交互模块,增强了对高低频特征的提取能力。实验结果表明,改进后的算法平均准确度达到了93.8%,参数量减少了31.6%,计算量减少了61.4%,FPS达到了150 fps,并在真实工况场景下进行推理实验,验证了算法的有效性。

关键词： 深度学习   地面旋转目标检测   智能感知   Anchor-Free   空洞卷积   EA注意力机制  

摘要： 地面红外目标检测是高空侦察、智能感知和对地打击等领域的重要研究内容,针对所获取的地面红外目标常以不规则角度的形式出现,导致检测准确率低,容易发生误检、漏检等问题。以Anchor-Free目标检测模型为基础,构建了基于空洞卷积为特征提取方式的主干网络,增强了模型对地面旋转目标的感知范围与特征提取能力;在基于空洞卷积进行特征提取后,通过External attention(EA注意力机制)增加对所提取特征注意维度的关注,实现了对目标更高分辨率特征的提取,最终提出了基于无锚框(Anchor-Free)的地面旋转目标检测方法。构建的地面旋转目标检测模型在HIT-UAV数据集上达到了90.6%的检测精度,优化了基于Anchor-Free的目标检测模型针对地面旋转目标的检测性能。

关键词： 计算机视觉   机器学习   自动化监测   辅助决策  

摘要： 阐述基于计算机视觉的电气安装与维修自动化技术。通过分析和识别电气设备的图像信息,结合智能算法和机器学习方法,实现对电气安装和维修过程的自动化监测和辅助决策。

关键词： 计算机视觉技术   智能化农机   农机导航   路径规划  

摘要： 为了提升智能化农业机械在农业生产中的应用效果,实现农机自主导航,研究了基于计算机视觉技术开发的智能化农机自主导航系统。在论述系统硬件构成的基础上,分析了计算机视觉技术下农机路径规划与算法要点。为验证计算机视觉技术在智能化农业机械中的应用价值,以小麦全程机械化生产为例,采用对照试验法评估了智能化农机自主导航系统的应用效果。研究结果表明,实验田小麦播种质量、作业成本及效率显著优于对照田,说明计算机视觉技术的应用对提高小麦全程机械化生产水平具有促进作用。

关键词： 目标检测   道路损伤   YOLOv10   可逆列网络  

摘要： 道路损伤是路面常见的病害之一,及时且有效的检测对于路面的维护与管理至关重要。YOLOv10算法作为一种新提出的YOLO系列算法,其具有的无NMS训练机制、双重分配策略以及轻量化模型设计等特点使得YOLOv10在保持高准确性的同时,实现了更快的推理速度和更高的效率,因此YOLOv10算法特别适用于实时的道路损伤检测任务。在实际应用中,由于移动检测终端的硬件资源有限,对于大参数量模型和大的运算量难以承受,因为本文对YOLOv10算法进行改进,在基本保持较高检测精度的条件下,降低算法的参数量和计算量,以便于其在移动终端的部署。本文采用可逆列网络结构的思想对YOLOv10的主干网络进行重构,重构后的网络使得骨干网络具有了横向的特征信息融合能力,重构后的网络虽然增加了复杂度,但是却大大增强了特征信息融合能力,为了平衡精度和复杂度,本文对YOLOv10骨干网络纵向结构的参数量进行了降维处理,实验结果表明,本文所提的改进YOLOv10算法在检测精度上虽然有略微的下降,但是却能够大幅度地降低算法的参数量和计算量,使得其在移动终端道路损伤检测的应用上更有竞争力。Road damage is one of the common diseases of road surface. Timely and effective detection is crucial for the maintenance and management of road surface. As a newly proposed YOLO series algorithm, YOLOv10 algorithm has no NMS training mechanism, dual allocation strategy and lightweight model design, so that YOLOv10 maintains high accuracy while achieving faster reasoning speed and higher efficiency. Therefore, YOLOv10 algorithm is especially suitable for real-time road damage detection tasks. In practical application, due to the limited hardware resources of the mobile detection terminal, it is difficult to bear the large number of parameters and the large amount of operation. Because this paper improves the YOLOv10 algorithm and reduces the number of parameters and calculation amount of the algorithm under the condition of basically maintaining high detection accuracy, so as to facilitate its deployment in the mobile terminal. In this paper, we use the idea of reversible column network structure to reconstruct the backbone network of YOLOv10. The reconstructed network makes the backbone network with horizontal feature information fusion ability. Although the reconstructed network has increased the complexity, it greatly enhances the ability of feature information fusion to balance the precision and the complexity. In this paper, the number of parameters in the longitudinal structure of the YOLOv10 backbone network is reduced in dimension. The results of the experiments showed that although the pr