关键词： 道路缺陷检测   目标检测   轻量化网络   深度学习   RT-DETR  

摘要： 针对当前道路缺陷检测算法检测精度低、漏检误检率高、泛化能力欠佳的问题,提出了一种改进的轻量化检测模型,模型包含三种核心模块:轻量化双分支动态融合网络、动态重排列自注意力机制和跨分支交叉特征融合金字塔架构。轻量化双分支动态融合网络通过在双分支主干间共享信息,减少参数量的同时实现了特征空间的高效融合;动态重排列自注意力机制提供动态范围内的自适应特征聚合,显著提高了对动态范围变化目标的检测精度;跨分支交叉特征融合金字塔架构采用双向特征交互,增强了全局语义信息和局部细节特征的融合能力。实验结果表明,该模型在NRDD-2024数据集上的mAP@0.5达到了77.2%,对比最新的实时目标检测器RT-DETR参数量降低了29.63%,计算量降低了40.35%,精度提升了2个百分点,热力图对比显示模型可以给予更合适的注意力,同时对于新数据集展现出良好的泛化能力,为嵌入式设备上的实时路面缺陷检测提供了高效可靠的解决方案。

关键词： 城市管廊   目标检测   伺服云台   巡检机器人  

摘要： 针对现有的城市管廊巡检机器人在执行巡检任务过程中采集图像信息效率低和图像采集质量差等问题,对基于机器视觉的城市管廊巡检机器人图像自适应采集方法进行了研究。首先将YOLOv8目标检测算法进行改进提出CSP-YOLOv8算法实现巡检目标设备的快速识别;其次利用红外双目相机三维标定算法计算目标设备三维位置坐标,分析伺服云台与目标设备之间图像位置偏差关系;最后引入多自由度云台伺服控制算法,驱动云台机构闭环动作,实现巡检机器人在移动中图像信息的实时精准采集。实验结果表明,研究的城市管廊巡检机器人图像自适应采集方法,可以有效提高机器人巡检过程中图像信息采集的效率和精准度。

关键词： 计算机视觉   深度学习   人脸识别   模型优化  

摘要： 本文面向实时大规模视频流的人脸识别需求,基于计算机视觉(CV)深度学习原理与微服务化架构设计,提出了一种模块化软件系统,涵盖数据采集与预处理、人脸检测与对齐、特征提取与匹配及权限与容错管理四大功能微服务。校园门禁系统的实景测试结果表明,所设计系统在平均响应时延、实时帧率、识别准确率、系统吞吐量和高可用性等方面均显著优于传统单体式方案,验证了其在高并发、多场景下的应用价值。

关键词： 印刷电路板   目标检测   RT-DETR   GhostNet网络   深度特征金字塔   深度学习   图像处理  

摘要： 为解决实际生产中现有DETR类印刷电路板缺陷检测模型检测速度慢、参数量大,模型部署范围受限的问题,提出了一种基于轻量化Real-Time Detection-Transformer的缺陷检测算法。通过采用轻量级的GhostNet重构特征提取网络,减少模型计算复杂度;嵌入深度特征金字塔模块,增强模型对多尺度特征的融合能力;同时设计了一种改进的Focal-SIoU损失函数,引入平衡因子减轻正负样本不均对模型的影响,加速边界框回归。实验结果表明,改进的轻量化缺陷检测算法的mAP50达到了0.93;相较于原算法,模型权重文件大小和参数量分别减少了约42%和47%,而检测精度mAP50仅下降0.02,在轻量化和模型性能之间取得了良好的平衡,能够满足实际生产中工业检测部署的轻量化需求。

关键词： 会车碰撞预警系统   安全距离阈值   视距不良路段   计算机视觉  

摘要： 为降低视距不良路段的交通事故发生率,提出了一种基于计算机视觉的会车碰撞预警系统。应用OpenCV技术预处理图像,构建YOLOv6数据集基础;在YOLOv6主干网络中引入坐标注意力机制,应用深度可分离卷积神经网络进行模型训练检测车辆目标;融合DeepSORT算法定位追踪快速行驶车辆,以提升系统精确性和稳定性;设定安全时间阈值,计算安全距离阈值,据此确定碰撞预警策略;最后进行软硬件协同设计,开展现场试验验证系统有效性,并通过测试集评估算法优劣。结果表明:系统有效预警率为95%;算法精确率、召回率、平均精度分别为94.3%,86.6%和91.2%;精确率较YOLOv6算法、YOLOv6-CA算法分别提升了3.40%和1.62%,召回率分别提升了1.05%和0.35%,平均精度分别提升了2.82%和0.88%。本系统能有效实现视距不良路段的会车防撞预警且优于YOLOv6算法、YOLOv6-CA算法,有望在辅助驾驶中应用。

关键词： 图像处理   深度学习   表型   柿子   多标签识别   YOLOv8m  

摘要： 柿子表型特征是其种质资源鉴定的重要依据。为快速准确识别成熟柿子的品种和表型特征,该研究提出了一种改进YOLOv8m的成熟柿子品种及其表型特征多标签识别模型YOLOv8m-LCA。针对自然环境中成熟柿子轮廓存在不规则、难以准确提取的问题,在YOLOv8m网络中,将大型可分离核注意力模块(large separable kernel attention,LSKA)添加到C2f模块(cross-stage partial-connection with 2 convolutions)中,以增强果实边缘特征细节的提取和减少模型计算量。为提高模型对关键表型特征的识别率,在骨干网络中新增4个卷积块注意力模块(convolutional block attention module,CBAM),以增强模型对空间和通道维度的加权注意力处理能力;采用双路径下采样模块替代原有的卷积下采样模块,以减少特征图高频信息损失。调整头部网络的分类损失函数,实现品种与表型特征的多标签实例输出。结果表明:在自主构建30个柿子品种以及14类表型特征数据集上,相比YOLOv8m,所提出的模型YOLOv8m-LCA整体识别精确率(P)及平均精度均值(mAP@50)分别为93.0%和94.9%,分别提升了7.4和6.8个百分点;模型大小和参数量分别为27.6 MB和13.63 M,分别降低了47.02%和47.29%,且优于YOLOv5m、YOLOv11m、YOLOv12m等当前主流轻量级YOLO系列目标检测算法。YOLOv8m-LCA对随机选取的6类柿子品种及其表型特征的检测置信度范围为0.90~0.97,验证了改进模型对柿子关键特征提取的有效性。该方法可为柿子及其他水果种质资源表型特征鉴定提供模型参考。

关键词： 机器视觉   镜头模组   边缘检测   自动装配   建筑监控   图像处理  

摘要： 针对建筑监控系统中镜头模组装配精度不足、人工效率低和一致性差等问题，基于机器视觉技术研究了建筑监控镜头模组的高精度自动化装配方法。提出一种融合边缘检测与直线拟合的视觉引导式自动装配方法，建立了以Canny算子边缘提取、最小二乘法直线拟合和几何参数识别为核心的装配参数计算模型。装配系统采用上、下双CCD工业相机分别采集镜片与安装支架图像，通过图像灰度化、中值滤波和轮廓提取等预处理步骤增强目标特征，并构建基于几何中心和角度信息的空间定位方法，完成镜片的精准对位装配。进行批量镜片装配实验，仿真与实测结果表明，该方法可将镜片的装配间隙控制在0.1 mm以内，凸出量控制在0.15 mm以内，装配精度均值达到98.2%，偏差标准差小于0.013，显著优于传统人工贴装方式。该研究验证了所提出方法在建筑监控镜头模组自动化组装中的准确性和稳定性，为智能监控设备的工业化生产提供了高效、可靠的技术路径。

关键词： 目标检测   深度学习   点云   自注意力   神经网络  

摘要： 目标检测算法在提案细化阶段存在上下文信息捕获不足和特征关联性建模不充分的问题,限制了检测精度的提升。为此,提出一种基于自注意力机制的区域提案优化3D目标检测网络(Proposal Refinement Optimization-RCNN,PRO-RCNN),在PV-RCNN模型的基础上,利用Transformer模型动态学习特征权重,捕捉丰富的上下文信息和目标间的关联性,从而优化提案生成结果。在KITTI数据集上的实验结果表明,PRO-RCNN在测试难度类别中的精度均有提升,行人类别检测的平均精度提升了2%~3%。

关键词： 森林经理   目标检测   YOLOv5l   改进算法   松材线虫病  

摘要： 松材线虫病作为极具破坏性的森林病害,严重威胁着森林生态系统的安全与稳定.为了快速准确识地识别出松材线虫病受害木,研究以YOLOv5l为初始模型,提出了3种对YOLOv5l骨干网络部分的改进方法:1)将CBAM注意力机制引入到初始模型Backbone模块的SPPF结构之前,突出与目标相关的特征,抑制背景等无关特征的干扰;2)将第一种改进方法中的CBAM机制替换为Swin Transfomer中的核心模块Swinstage,通过窗口自注意力机制,在局部窗口内计算注意力,捕捉局部区域内的特征依赖关系;3)采用Swin TransfomerTiny网络替换原YOLOv5l中的Backbone特征提取网络,在局部窗口内计算注意力,通过窗口移动和融合操作实现全局信息的交互,有效减少模型计算量和特征图尺寸的同时增加通道数,以提取不同尺度的图像特征.研究结果表明改进后的CBAM_YOLOv5l、Swin_Transfomer_YOLOv5l和Transfomer_Tiny_YOLOv5l等3种模型对松材线虫病受害木的识别精度分别较YOLOv5l初始模型提升了0.5、1.0和3.3个点;在召回率的表现上,改进后模型对于受害木的漏判现象也得到了不同程度的改善;在模型检测速度方面,CBAM_YOLOv5l帧率高于Transfomer_tiny_YOLOv5l,高于Swin_Transfomer_YOLOv5l,高于原初始模型.在进行松材线虫病受害木识别任务时,建议根据各模型在研究的具体表现特征和具体的任务需求选择合适的模型进行受害木的检测.

关键词： 海洋底栖生物   水下目标检测   小波池化   多尺度特征融合  

摘要： 针对水下环境复杂性带来的多尺度目标检测挑战,提出了改进算法WPS-YOLOv8。设计了小波池化卷积模块(wavelet pooling convolution,WPConv),该模块通过小波池化技术降低通道压缩后特征图的分辨率,有效抑制了传统下采样过程中产生的频率混叠伪影,提升了特征提取质量和表达能力。提出了局部逐点分组重排卷积模块(partial pointwise group shuffle convolution,PGConv),该模块通过结合局部卷积与逐点卷积,能够在减少信息冗余的同时保持通道间的信息交互,弥补了深度可分离卷积的不足,增强了特征融合效果。提出了ShapeLoss损失函数,综合考虑影响不同尺度目标检测精度的因素,通过集成Shape-IoU和Shape-NWD两种损失测度,有效提升了对多尺度目标的总体检测精度。实验结果显示,相较于YOLOv8,WPS-YOLOv8在URPC2018和UTDAC2020水下数据集上的平均精度均值(mean average precision,mAP)分别提升了8.6和4.4个百分点,展现了其在水下多尺度目标检测中的出色表现。