关键词： 钢筋   计算机视觉   切割   监测   智能平台  

摘要： 钢筋加工是耗时且复杂的任务，传统手工操作存在易出现误差和效率低下的问题。经过原材料准备、测量和标记、切割、弯曲成型、质量检验等步骤，将原材料加工成符合设计要求的钢筋产品。在此过程中，可能出现加工数量不足、超限、切割不达标等问题，导致钢筋加工产品质量不符合要求，进而影响工程质量和安全。针对钢筋加工数量、钢筋加工超限和钢筋加工精准切割优化等要求，建立基于计算机视觉的钢筋加工智能感知方法。并以某商业综合体项目为例，探索其优势和面临的挑战，以期推动施工行业朝现代化方向发展。

关键词： 葡萄   果穗检测   卷积神经网络   YOLOv5   目标检测  

摘要： 针对现代化农场中葡萄果穗分布密集、背景复杂导致其检测精度较低的问题，提出一种基于改进YOLOv5的葡萄果穗快速精确检测算法。以YOLOv5为基础目标检测算法，使用坐标注意力机制对特征提取网络进行改进，增强其特征表达能力，再利用Bi-FPN对图像特征的高效融合，增强网络整体预测能力。实验结果表明，该模型检测精度可达83.1%,可以在复杂环境中有效地检测葡萄果穗。

关键词： 图像篡改   目标检测   YOLOv8   下文感知   多尺度特征   深度可分离卷积  

摘要： 目的 近年来，随着数字技术的发展，图像篡改已经成为一个日益严重的问题，现有的众多图像篡改和目标检测方法均存在着识别精度不足和检测效果不理想的问题。为了更有效解决这一挑战，提出一个基于改进的YOLOv8检测算法，希望能够实现更高的检测精度。方法 首先，为了捕获篡改的边缘特征，引入局部和全局注意力机制，对YOLOv8的骨干网络进行深度优化，这种优化结合了上下文感知和局部增强技术，大大增强了对边缘特征的识别力；考虑到篡改区域可能存在各种形态，进一步采用堆叠特征金字塔的网络结构，以捕获多尺度特征；最后，为了提高模型的计算效率和推理速度，在模型中结合深度可分离卷积和通道重排技术。结果 在一系列的实验中，改进的YOLOv8篡改检测算法在CASIA2.0图像篡改数据集上展现了出色的性能，与原始算法相比，其准确率高达82.3%,明显提高了检测的效果；提出的基于改进的YOLOv8篡改检测算法，经过深度的网络优化和结构调整，成功地提高了图像篡改检测的准确性和效率。结论 文中提出的方法在图像篡改检测方面表现出较高的准确性，为图像篡改检测领域带来了重要的进展，具有深远而重要的意义。

关键词： 牵引变电所   指针式仪表   深度学习   目标检测   语义分割   自动读数  

摘要： 在牵引变电所的复杂环境下，现有的计量识别方法难以准确捕获仪表表盘刻度和指针位置。为解决这一问题，结合计算机视觉技术，提出一种基于YOLOv5深度学习语义分割网络模型的目标检测方法。采用YOLOv5深度学习网络检测目标仪表区域，利用特征对应算法和角度透视变换算法解决了图像的镜面反射和失真问题，通过语义分割网络模型Deeplabv3+对图像中仪表盘及刻度和指针进行像素级别分割。该研究方法在牵引变电所环境中实现了指针式仪表的高效自动读数，为指针式仪表目标检测和自动读数提供了新的技术思路。

关键词： 目标检测   域适应   无源域适应   图神经网络  

摘要： 目标检测是计算机视觉的核心任务之一,其目的是在从图像或视频中定位并识别出其中的物体。随着卷积神经网络在计算机视觉领域的快速应用,目标检测经历了从传统方法到深度学习的跨越,进入了高速发展期,并得到广泛的应用。在实际应用中,往往面临着数据分布差异(如天气、拍摄设备导致的域偏移)问题,这一问题会导致同一个模型参数在不同数据集场景中表现出较大的差异,即泛化能力差,这在实际应用中会导致严重的后果。为了提高不同数据集场景下目标检测器的泛化能力,越来越多的研究者开始关注目标检测任务中的域适应,即域适应目标检测。当前,最常见的域适应目标检测方法是对齐源域数据集和目标域数据集之间的特征分布。这一方法重度依赖于有效的源域数据集和目标域数据集,但在实际应用中,源域数据集可能会由于种种原因无法使用(例如涉及隐私、保密)。针对源域数据集无法获取的情况,研究者们开始研究无源域适应目标检测任务。针对无源域适应目标检测所面临的无法获取源域数据集问题,本文提出了两种算法来解决,分别是基于域交叉注意力机制的DETR模型和基于图神经网络的关联增强均值教师框架。 基于域交叉注意力机制的DETR模型。该方法是利用Transformer的注意力机制,重新设计Transformer的编码器和解码器部分,在两个不同的域之间实现交叉注意力,进而实现跨域特征融合,最后利用图节点分类损失取代匈牙利匹配损失,实现构建语义拓扑结构用于域适应。在四个数据集、三个域偏移场景下进行的实验表明,该算法能够有效地提升模型的泛化能力,降低域偏移造成的影响。与基线模型相比,该算法在三个域偏移中的准确率分别提升6.1%、9.2%、9.4%。同时经过消融实验表明,本文中提出的新模块均能起到一定的作用。实验结果的可视化也表明,该方法有着更高的准确率和更低的误检率。 基于图神经网络的关联增强均值教师框架,通过整合语义拓扑结构与位置信息构建图结构,并采用图引导特征融合网络实现源域与目标域的对齐。进一步利用这些特征与图结构构建图引导双向验证机制来筛选高质量伪标签进行监督。在四种域适应场景和六个标准基准数据集上的实验表明,本方法性能优于当前最先进的域适应方法。与基线模型相比,该算法在四个域适应场景中的准确率分别提升12.5%、18.2%、15.5%(第三种域适应场景情形一)、12.1%(第三种域适应场景情形二)、13.4%。消融实验证明了该算法中的模块均能起到一定作用。最后的实验结果可视化证明该方法可以有效地弥合域偏移造成的域适应差异。

关键词： 毫米波雷达   多目标检测   三维快速傅里叶变换   改进正交匹配跟踪   稀疏重构  

摘要： 为提高毫米波雷达目标检测精度，针对传统三维快速傅里叶变换(3D-FFT)算法在低chirp数和低接收阵元数条件下目标检测速度和角度参数估计精度低的问题，提出了基于3D-FFT和改进正交匹配跟踪(IOMP)相融合的雷达多目标检测算法。该算法利用3D-FFT进行初步参数估计与空间筛选，并结合IOMP对感兴趣区域进行稀疏重构，以实现更高精度的速度和角度估计。仿真与实测数据的验证结果表明：在速度和角度估计精度方面，所提算法相较于其他算法提升了一到两个数量级。同时，该算法在保证性能提升的同时有效降低了整体的计算复杂度，提高了实时性，具备良好的工程应用潜力，为毫米波雷达多目标检测以及后续的目标跟踪系统开发奠定了技术基础。

关键词： YOLOv8n   无人机目标检测   多尺度特征融合   小目标检测  

摘要： 针对无人机航拍图像中小目标特征信息少、目标尺度变化大致使算法的小目标识别与定位精度不高的问题，提出一种基于YOLOv8n的无人机小目标检测算法。在检测层，设计多尺度特征融合模块，专门针对小目标进行特征提取和处理，进而提高对小目标细节信息的收集能力；在颈部网络，引入三重特征融合模块和尺度序列特征融合模块，把底层特征图的细节信息与高层特征图的语义信息融合起来，提高不同尺度目标的检测能力；在骨干网络，采用Conv Ne Xt v2替换骨干网络，增强复杂背景下小目标的定位能力和特征提取能力。此外，为了优化模型在嵌入式系统的部署，采用层自适应幅度剪枝算法平衡模型的计算复杂度与检测精度。最后，利用Vis Drone2019数据集对算法性能进行检测，并与几个主流模型进行对比。实验结果表明，改进算法检测精度m AP50达到了30.2%，与基准模型YOLOv8n相比提升了3.8百分点，参数量降低了1.63×10～6。

关键词： 目标检测   YOLOv8   高效多尺度注意力   NWD损失函数  

摘要： 为了提高水下目标检测的效率和精确度，提出了一种新的EN-YOLOv8算法。该算法采用了高效的多尺度注意力机制(EMA),以实现不同空间维度信息的有效聚合。此外，该算法还引入了改进的新加权回归损失函数(NWD-CIoU＿Loss),以更精确地衡量小物体间的相似性。利用该算法在TrashCan数据集上进行消融实验发现，EN-YOLOv8算法相较于原始的EMA,在特征表达能力上提升了2.8%,同时对小物体的检测精度相较于原始的NWD损失函数提高了2.2%,有效提高了水下目标检测的效率和精确度。

关键词： 散射光   表面疵病   照明系统   图像处理  

摘要： 随着光学技术的不断发展，现代光学工业对光学元件表面质量的要求越来越高，其表面的气泡、划痕、碎边等疵病的存在都将造成不同程度的散射，严重影响成像质量。目前国内外对精密光学元件表面的疵病检测大多是根据疵病对光的不同的散射特性来判别，如目视法和低通滤波成像法等。但由于一些光滑表面的疵病在不同的光照射下，疵病显现不同，特别有些疵病具有光强选择和光谱选择性，深入研究不同光强和不同光谱照射被测表面，对于光滑表面的精密检测具有重大的实际意义。本文采用光学显微散射成像系统，通过光纤光源产生四种单色散射光及其组合，以及特定的角度照射光学元件的光滑表面检测，对不透明、半透明、以及全透明的光滑表面照明成像，调整照明角度、光强、单色光与多光谱光组合的照明方式，进入光学成像系统，对多光谱采集的图像融合，并经过计算机处理，得到光学元件表面的疵病信息。该方法可以大大提高光滑表面的疵病发现和检测精度，理论与实验验证了该检测方法的可行性。

关键词： 滑坡识别   深度学习   Faster-RCNN   目标检测  

摘要： 滑坡是我国频发的一种自然灾害，往往具有极大的损毁性与危害性，给人们的生命财产安全和生态环境造成严重威胁。滑坡识别对灾后救援及灾后评估有重要意义。针对传统的滑坡识别方法存在识别效率低、主观性强等问题，提出了一种改进的Faster-RCNN滑坡识别方法。该方法在Faster-RCNN模型的基础上，用特征提取能力更为出色的ResNet-50替换了原有的主干网络VGG-16，并引入了感兴趣区域对齐（ROI Align）策略，以提高模型的候选框定位精度，从而进一步提升模型的整体检测效果。实验结果表明，改进后的Faster-RCNN模型在准确率和召回率方面均有所提高，能够快速且准确地检测复杂背景下的滑坡，具有较高的应用价值。