关键词： 桥梁预制构件   截面几何参数   尺寸识别   计算机视觉   深度学习  

摘要： 为解决现有桥梁预制构件几何参数测量方法存在效率低、依赖人工的问题，以某高速公路桥梁通用装配式预制构件为对象，基于深度学习和计算机视觉开展截面几何参数识别方法研究。首先，以所拍摄的桥梁预制构件横截面图像为对象，融合Canny算子和数学形态学方法，提取桥梁构件截面的边缘特征点。然后，以所提取图像的边缘坐标为输入，以预先确定的桥梁构件截面的控制参数为输出，建立用于预制构件横截面几何参数识别的深度学习模型，通过改变控制参数和噪声生成数据集，用于模型训练。最后，开展现场测试以验证所建立方法的精度。结果表明，建立的集成参数识别方法可以有效识别桥梁预制构件的截面几何参数，误差可控制在5%以内。

关键词： 异常检测   自监督学习   点云   计算机视觉   重构网络  

摘要： 面对日趋复杂的工业生产环境，三维点云工业异常检测需求与日俱增。尽管基于预训练网络的二维异常检测方法效果显著，但三维点云预训练网络的泛化能力有限，导致这类点云异常检测方法效果不佳。为提高三维点云异常检测性能，提出一种基于点云重构的异常检测方法Point-ReAD(Point cloud Reconstruction for Anomaly Detection)，它由3个核心模块构成：异常模拟模块、点云重构网络和异常判别模块。在训练阶段，正常点云图经异常模拟模块产生异常点云送入点云重构网络，正常点云作为自监督信号指导重构网络学习。点云重构网络使用分组注意力模块(Group Attention Module,GAM)，该模块设计用于融合点云的复杂结构信息，从而有效地捕捉点云中的几何和语义特征。在推理阶段，测试点云进入重构网络后生成重构点云，异常判别模块比较重构前后的点云从而精确定位异常。实验结果表明，Point-ReAD在MVTec 3D-AD数据集上的点云级AUROC(Area Under the Receiver Operator characteristic Curve)和点级AUPRO (Area Under the Per-Region Overlap)分别达到了95.49%和94.66%，相较于M3DM(Multi-3D-Memory)、3DR?M(3D Discriminatively trained Reconstruction Anomaly Embedding Model)等方法整体性能有所提升。

关键词： 双目视觉   目标检测   立体匹配   立体深度估计   目标定位   深度学习   注意力机制  

摘要： 通过机器视觉算法对目标进行识别并定位其空间坐标是实现机械臂视觉抓取的关键。针对基于双目视觉的目标识别与定位中定位精度低、运行效率不高等问题，提出了面向机械臂抓取的BDS-YOLO(Binocular Detect and Stereo YOLO)双目视觉目标定位算法。它联合目标检测与立体深度估计算法，使用注意力机制进行跨视图特征信息交互，提高特征表达能力，使网络可以通过深度特征匹配获得高质量视差图，经过自注意力机制进一步提升后，由三角测量原理转换为深度信息。网络采用多任务学习，同时训练目标检测与立体深度估计网络，并使用合成与真实数据共同训练。针对真实数据不易标注密集深度问题，采用自监督学习技术，优化由视差重建图像的过程，提高网络对现实世界的泛化能力。实验结果表明：该网络对目标检测的精度相较于YOLOv8l在真实数据集上提升6.5个百分点，预测的视差和转换后的深度优于专门的立体深度估计算法，推理速度可达20 frame/s，并且对目标对象识别和定位均优于其他的方法，提出的网络能较好地完成目标实时检测与定位的需求。

关键词： 图像处理   图像去雾   扩散模型   移位窗口   注意力机制  

摘要： 针对传统去雾网络存在的去雾后图像细节损失、去雾效果不理想等问题，本文提出一种基于扩散模型与移位窗口策略下的图像去雾方法。首先，使用压缩编码器将有雾图像和对应的无雾图像进行联合特征提取，再使用扩散模型（Diffusion Models， DMs）对特征进行优化。接着将优化后的特征与原始有雾图像一同作为输入，送入一个以U-Net(U-Network)结构为基础结构的去雾网络中，该网络将特征图通过移位窗口分区后，在每一个分区内使用通道注意力和空间注意力并行处理特征图像，能够更精确地捕捉图像中的信息相关性以及增强对重要特征的关注，经典的编码器-解码器结构能够有效地恢复图像的细节和边缘信息。实验结果表明，本文所提出的方法在多个公开数据集上PSNR提升0.47～2.62db。

关键词： 焊接空心球   自动对中   图像处理   运动分解   自动焊接系统  

摘要： 【目的】针对焊接空心球半自动焊接系统中人工调整焊缝中心平面与焊枪对准过程存在的误差大、精度不一致等问题，本研究提出并实现了一种焊接空心球自动对中结构及控制方法，为实现焊接空心球的全自动焊接奠定了基础。【方法】在原有半自动焊接系统中增设旋转运动机构及相应驱动控制系统，实现焊缝中心平面的精确旋转控制。；通过前端监看相机图像的霍夫圆检测、掩膜法、最小二乘拟合等处理，实现焊接空心球焊缝中心提取和位置粗调；通过线激光相机图像灰度化、高斯模糊、阈值截断等处理，去除图像干扰。消除干扰后进行图像裁剪、细化和卷积，精确定位焊缝中心坐标，从而实现精确调整。【结果】测试表明，该方法能在55s内自动将焊缝中心平面与焊枪调整至同一平面。相较于人工调整，焊缝最大偏差值的准确度提高68.1%；与机器学习图像识别算法相比，焊缝平均偏差值的准确度提高12%，在树莓派等边缘计算设备上调节时间领先275%。该方法显著提高了焊接空心球的生产效率，展现出明显的优势。

关键词： 井下轨道区域   目标检测   轻量化网络   注意力机制  

摘要： 煤矿井下的工作环境极为复杂，针对噪声、灰尘和阴暗区域导致目标漏检误检的问题，提出了一种基于轻量化网络融合的井下轨道异物检测方法。首先，对YOLOv7-Tiny网络框架进行针对性改进，引入FasterNet和GhostV2模块，在保持高性能水平的同时降低了模型复杂度。其次，结合ECA(Efficient Channel Attention)注意力机制设计了ELAN＿E模块，提高了模型对异物特征的敏感性。最后，采用Focal-EIoU损失函数优化坐标损失计算，进一步提升了检测准确性。实验结果表明，相较于YOLOv7-Tiny，提出方法在参数量和计算量方面分别减少了30.23%和15.15%。同时mAP(mean Average Precision)指标提升了1.2%，有效地提高了异物检测的精度和效率，为煤矿井下轨道区域入侵检测提供了有效改进方案。

关键词： 伪装目标检测   边缘检测   特征聚合   注意力机制  

摘要： 本文针对现有的伪装目标检测（Camouflage Object Detection，COD）网络模型不能充分利用各个层次之间的信息从而导致检测结果模糊的问题，提出了基于边缘与注意力的递进式网络（Progressive network based on edge and attention，EAPNet）。首先提出了边缘信息提取模块（Edge Information Extraction Module， EIEM），提取主干网络第一、三、五阶段的特征生成边缘特征图；然后提出了感受野与边缘特征聚合模块（Receptive Field and Edge Aggregation Module， RFEAM）聚合主干网络相邻阶段的感受野特征和边缘特征；最后利用所提出的注意力辅助融合模块（Attention-Assisted Fusion Module，AAFM）对相邻RFEAM的输出特征进行二次递进式融合。在三个COD数据集上的实验结果表明本文方法优于其他10个模型。

关键词： 桃子品质分级   目标检测   注意力机制   双向特征金字塔网络   损失函数  

摘要： 针对小型桃园中的桃子品质分级大多依赖人工，标准化程度低，水果品质分级相关算法检测复杂等问题，提出一种改进YOLOv8n的桃子品质分级检测模型（YOLOv8n-ABTW），主干网络（Backbone）嵌入坐标注意力机制（CA），精确捕捉目标位置变化和特征关联；颈部网络（Neck）融合简化的双向特征金字塔网络（SBiFPN）和上下文转换模块（COT），实现跨尺度特征连接，充分挖掘桃子图像中的纹理、缺陷和位置变化等静态和动态上下文信息；采用具有动态聚焦机制的Wise-IoU，减少低质量样本带来的惩罚。采集“冬雪蜜桃”和“玉妃”两个品种四个等级，共八个类别图像1226张，数据增强至3650张。在自制桃子品质分级数据集下的实验结果表明，该模型的mAP0.5比基准模型提高了2.1%，与其他模型相比mAP0.5也均有提升，为实现桃子品质分级检测提供了可行的技术方法。

关键词： YOLOv8   智能结算   目标检测   目标识别   网络优化  

摘要： 【目的】为了解决传统自选餐厅价格结算任务人工成本高、工作量大和效率较低等问题，提出了一种基于改进的YOLOv8智能结算餐盘检测与识别方法YOLOv8n-Imp。【方法】首先在模型的特征提取环节引入注意力机制(ConvolutionalBlockAttentionModule， CBAM)，以实现对关键信息的关注和不必要信息的抑制，提升卷积神经网络的表示能力；其次，将原路径聚合网络(PathAggregationNetwork， PANet)替换为加权特征金字塔网络(BidirectionalFeaturePyramidNetwork，BiFPN)结构，以增强多尺度特征融合性能，提高整体运行效率；最后，将原边界框损失函数(CompleteIntersectionoverUnion，CIoU)替换为动态非单调聚焦机制(WeightedIntersectionoverUnion， WIoU)，优化权重结构，提升模型检测框定位精度和模型泛化能力。【结果】研究表明：在自建数据集上提出的YOLOv8n-Imp 模型的平均精度为 90.6%，召回率为88.6%，F1平均得分为89.4%，平均精度为89.1%。相比原YOLOv8n模型分别提高了2.2%、1.7%、1.9%和1.5%。【结论】YOLOv8n-ImP模型能同时对多种类别餐盘进行准确识别，在移动端进行轻量化部署，较快速准确地完成智能识别结算任务。