关键词： 井盖隐患   YOLOv5   目标检测   激活函数  

摘要： 作为城市地下管网系统的关键防护构件,井盖的安全状态直接影响市政设施运维效率与公共安全。针对传统井盖安全隐患检测方法存在效率低、误报率高等问题,文章提出基于改进YOLOv5的智能检测方法。通过构建多尺度特征融合机制,文章结合五折交叉验证法对标注数据集进行模型训练,实现了对破损、移位、缺失等典型安全隐患的精准识别。实验结果表明,改进模型在自建井盖数据集上的平均精度(mAP)达95.2%,相比于YOLOv4模型,精度和检测速度均有所提升。该算法通过优化特征金字塔结构与损失函数,有效增强了复杂路面场景下的目标表征能力,为城市基础设施智能化运维提供了可靠的技术支持。

关键词： 无人机   计算机视觉   相关滤波,多层卷积特征,自适应更新  

摘要： 针对无人机视觉目标跟踪中存在的挑战场景,文章提出一种基于层次相关滤波的跟踪算法,该算法利用预训练的VGGNet-19网络提取目标的多层卷积特征,构建多模型并行跟踪框架,并结合模型置信度评估机制,实现对滤波器模型的自适应更新。在UAV123数据集上的实验结果表明,该算法在精度和成功率上分别达到68.6%和61.0%,能有效应对目标遮挡、形变等挑战,实现对无人机视野下目标的精准和快速跟踪。

关键词： L波段全极化雷达   主成分分析   数据融合   树林遮蔽场景   目标检测  

摘要： 树林遮蔽场景下的雷达回波信号存在信噪比低、信号幅度和相位起伏等问题,极大地增加了目标检测难度。针对信号级中低分辨率雷达探测树林遮蔽目标的应用需求,文中研究了一种基于改进型主成分分析(PCA)全极化雷达回波信号融合的动目标检测方法。该方法首先在杂波背景下提取动目标信号,并利用改进型PCA进行全极化雷达回波信号融合;然后分别在时间维和距离维进行目标检测,并通过非相参积累方法重检测,有效排除目标混叠和虚警干扰,从而检测出目标并提取了其关注区域;最后通过自主研发的L波段全极化雷达系统,对该方法进行了实验验证。实验结果表明:该方法对于树林遮蔽环境下动目标具有很好的检测效果,显著提升了L波段全极化雷达在树林遮蔽条件下的目标检测性能。

关键词： 增材制造后处理   双目测量   孔位检测   弧支撑线段   椭圆识别  

摘要： 针对金属3D打印件孔洞部位支撑残留后处理问题,提出了一种双目视觉检测定位方法。测量系统基于弧段椭圆识别算法进行工件孔位检测,通过计算待加工孔位在双目模组主相机光心坐标系中的位姿、并将该位姿转换到加工现场机械臂基坐标系,为离线编程和自动加工提供坐标信息。首先标定双目相机并检验硬件系统对标定角点的测量精度;然后对复杂工件的待加工位置椭圆特征进行提取,基于极线校正后图像对左右图椭圆进行同行像素点采集和双目匹配;最终根据多视图原理进行匹配点对的坐标计算,进而输出带有坐标信息的空间圆环。对双目相机模组进行了标定靶球测量验证实验,结果显示尺寸测量误差小于0.20 mm。对实际工件进行了测量定位实验,结果表明,该系统测量圆孔尺寸的最大误差小于0.84%,圆心空间位置误差小于0.50 mm,圆环姿态最大误差小于0.5°。

关键词： 目标检测   交通标志识别   YOLOv7   多分支特征提取   多尺度特征融合   注意力机制  

摘要： 为解决现有目标检测算法在复杂场景下对交通标志的误检、漏检等问题,提出一种改进YOLOv7的交通标志检测算法YOLOv7-MBFE。首先,提出一种基于膨胀卷积的多分支特征提取模块,控制最短和最长的梯度路径,增强模型的特征提取能力;其次,在头部网络中构建渐进特征金字塔结构,充分融合不同层次的特征信息,改善模型的特征表达能力;在SPPCSPC模块中引入通道注意力机制,自适应调整通道的权重,增强不同通道之间的特征交互,并将多头自注意力机制融合至下采样阶段,增强模型对全局上下文信息的感知能力,提高模型在复杂场景下的检测性能;最后,使用Focal-EIoU替换原YOLOv7模型中的损失函数,使模型更专注于高质量的锚框,加快模型的收敛速度,提高模型的鲁棒性。在中国交通标志检测数据集上进行大量实验,结果表明,相较于YOLOv7算法,该算法的平均精度均值(mAP)提升了9.25%,准确率提升了3.92%,召回率提升了5.19%。改进后的算法能够显著改善复杂场景下的误检、漏检等问题,检测效果优于原始算法和经典目标检测算法。

关键词： 钻井   掉块深度图像   3D相机   深度学习   目标检测   CBAM注意力  

摘要： 钻井过程中掉块的监测与识别对于及时发现和减缓井壁不稳定和卡钻等井下复杂至关重要。当前,掉块监测主要依赖人工监测,但该方法易受主观影响且耗时较长,存在滞后性。为此,提出一种基于3D视觉的钻井掉块自动识别与特征判断方法。该方法利用3D成像技术来获取振动筛上返出掉块的三维深度信息,以构建掉块图像样本库,并以You Only Look Once v8s(YOLOv8s)为基础目标检测模型,结合引入的卷积块注意力模块(CBAM),建立了CBAM-YOLOv8s掉块目标检测模型。通过将3D相机实时获取的三维深度信息集成到模型中,不仅实现了对掉块的实时监测和准确识别,还能够在识别的基础上判断其形状特征,从而实现井壁失稳性分析和井眼状况的实时评估。实验结果表明:CBAM模块的引入增强了模型对掉块关键特征的关注;集成实时获取三维深度信息的CBAM-YOLOv8s模型对掉块识别精确率和召回率分别达到96.01%和93.40%;扩展模型在掉块形状特征预测中的误差均小于10%。结论认为,基于3D视觉技术的实时掉块可视化监测方法具有良好的可行性和有效性,能够准确识别出掉块及其形状特征,这一方法将为井壁稳定性早期预警和井下复杂提供支持。

关键词： 深度学习   行为识别   边缘计算   目标检测  

摘要： 文章介绍了一种基于深度学习的地铁客室异常行为实时识别方法,旨在边缘计算环境中部署以实现实时监控。在边缘计算的约束下,采用了一种优化的YOLO模型,该模型结合了Transformer模块以增强对行为特征的捕捉能力,实现静态信息检测,再通过Openpose与LSTM模型对多帧图像的关键点分布信息进行处理,从而进一步实现对动态行为的检测。系统直接从监控相机获取实时视频并进行分析,发现乘客异常行为报警,为安全监控提供有效的支持。该系统在测试数据集上达到了94.6%的检测精度和每秒9.23帧的检测速度,证明了其在资源有限的边缘计算环境中的实用性和效率,为地铁车厢智能化检测系统的建设提供了理论和实践参考。

关键词： 深度学习   目标检测   钢材表面缺陷   YOLOv5s算法   CBAM注意力机制  

摘要： 钢材是工业制造领域必不可少的原材料之一,其质量控制对于确保最终产品的性能、安全性和耐用性十分关键。表面缺陷是钢材在生产和加工过程中的常见问题,而高效准确地检测这些表面缺陷对于确保产品质量至关重要。面对因复杂的工业条件而导致的高误检、高漏检及低效率难题,对钢材瑕疵进行快速而精确的识别具有显著的科研价值。基于YOLOv5s引入卷积块注意力模块(CBAM)注意力机制,并在东北大学开源NEU-DET数据集上验证算法和评估模型性能。实验结果表明,该算法平均精度从0.73提升到了0.768,具有较高的检测精度和鲁棒性,能够有效地检测出钢材表面的各种缺陷。

关键词： 机器视觉   玻璃纤维束   图像处理   缺陷检测   KNN分类算法   复合材料  

摘要： 玻璃纤维束是由成百上千根细小的玻璃纤维组合而成的整体,这种结构导致在纤维缠绕制品生产工艺过程中的断纱缺陷难以识别。针对此难题,提出了一种基于机器视觉检测玻璃纤维束是否有缺陷及缺陷位置定位的方法。利用工业相机实时拍摄纱路上玻璃纤维束的图像,并把图像传输到计算机,由计算机利用OpenCV库对每一帧玻璃纤维束的图像进行处理,得到每根玻璃纤维束的轮廓及缺陷特征,根据缺陷特征通过缺陷检测算法判断玻璃纤维束是否完全断开或部分断开,利用KNN算法判断缺陷所在位置。玻璃纤维束的运动速率为1 m/s,以30 fps的帧率采集600张图像进行实验验证,检测数据表明综合准确率达96.6%,满足玻璃纤维束缺陷检测的要求。

关键词： 计算机视觉   风格迁移   视觉transformer模型   Swin–Transformer模型   中国画   孪生编码器  

摘要： 中国山水画风格迁移的目标是在保持原有山水真实场景图像内容的前提下,引入传统中国画作特征,以生成具有中国山水画艺术特征的图像。近年,由于深度学习的快速发展,卷积神经网络(CNN)和对抗生成网络(GAN)几乎主导了包括风格迁移在内的大部分图像生成任务,但也存在一些问题,如真实场景在风格迁移过程中易丢失语义,GAN网络训练出现模型坍塌,CNN风格迁移方法出现棋盘效应等。视觉Transformer模型为图像处理任务提供了新的解决方案,但训练需大量数据且计算复杂。为了解决生成中国画过程中由上述因素引起的图像质量低及细节特征丢失等问题,本文提出一种能基于细节特征提取融合的中国山水画风格迁移网络,即SSTR(swin style transfer transformer)。该网络在StyTr^(2)网络的基础上,引入了Swin–Transformer模型,利用视觉Transformer的强语义性保留山水场景的特征;同时利用Swin–Transformer模型的分层体系结构及滑窗操作计算注意力机制,提取更多的山水画艺术风格细节,同时降低模型训练复杂度;最后,引入一个CNN解码器细化生成目标图像。本文利用公开视觉数据集COCO 2014与公开山水画数据集进行训练、验证与测试,并将结果与基线方法进行比较。结果表明,SSTR在处理中国山水画风格迁移任务中,风格损失和内容损失分别为1.35和1.88,在风格损失上优于StyTr^(2),表现出了优异的特征提取能力和图像生成能力。