关键词： 多模态融合   传感器   遥感技术   作物监测   计算机视觉   农业精准管理  

摘要： 多模态融合技术通过结合多源数据,可以克服单一模态的局限性。近年来,传感器以及遥感技术的发展为作物监测提供了更加丰富的数据源,光谱数据、图像数据、雷达数据以及热红外数据被广泛应用于作物监测中。通过利用计算机视觉技术以及数据分析方法,可以从中获取作物的表型参数、理化特征等信息,从而有助于评估作物的生长状况、指导农业生产管理。现有研究多数是基于单一模态数据展开,而单一模态的数据仅有一种类型的输入,缺乏对整体信息的理解,且容易受到单模态噪声的影响;部分研究虽然采用了多模态融合技术,但仍未能充分考虑模态间的复杂交互关系。为了深入分析多模态融合技术在农业领域应用的潜力,本文首先阐述了农业领域中多模态融合的先进技术与方法,重点梳理了多模态融合技术在作物识别、性状分析、产量预测、胁迫分析及病虫害诊断领域中的应用研究成果,分析了多模态融合技术在农业领域中存在的数据利用程度低、有效特征提取难、融合方式单一等问题,并对未来发展提出展望,以期通过多模态融合的方法推动农业精准管理、提高生产效率。

关键词： 机器人   嵌入式   结构设计   目标检测   YOLOv8  

摘要： 针对排水管道作业检查与缺陷检测问题,设计了一款管道缺陷检测机器人,包括机器人的机械结构、外观大小和驱动方式,保证其可以在管道中实现自由运动。机器人由硬件与软件两部分构成,硬件包括管道机器人与收线器的制作,通过信号线对机器人进行远程操控和数据交互。软件则包括视频传输与管道缺陷检测系统的设计,通过视频图像采集与YOLOv8网络模型共同工作实现对管道环境的探查。最后,通过测试验证管道机器人的性能,记录实验数据,为后期进一步设计奠定基础。

关键词： 蚕豆荚   目标检测   深度学习   YOLO  

摘要： 蚕豆荚检测是蚕豆自动化采摘的前提与基础,因此,实现蚕豆荚的快速、准确识别与定位十分关键。基于此,提出一种基于深度学习的蚕豆荚检测方法YOLO-B。为增大整体网络的感受野,获取目标丰富的上下文信息从而提高检测精度,提出SPPX模块。由于蚕豆荚特征较为相似,为消除冗余特征,提出Ghost PAN特征融合模块。经过对比试验分析,相比于其他YOLOv7、YOLOv5与YOLOv4,YOLO-B参数量(29.092M)和计算量(95.466G)最低,m AP(92.58%)最高,分别提升1.33%、2.75%与3.74%。在蚕豆荚特征差异较小、生长姿态差异较大的场景下,均能实现准确检测。

关键词： 变电站图纸识别   端子排图纸解析   图元检测   文本识别   目标检测   领域先验  

摘要： 端子排图纸是变电站二次回路施工、检修和运行维护的重要依据。应用计算机视觉技术对其进行电气语义解析存在复杂性和专业性上的双重挑战,使其不可避免地面临难例样本被误解析的窘境,从而阻碍该类方法在真实场景的落地应用。针对端子排图纸电气语义解析存在的不足,提出一类融合图元检测和领域先验的变电站端子排图纸电气语义解析方案。该方案涉及图元检测、文本识别及线帽语义标签解析三个步骤,具体由基于滑动窗冗余切割和改进YOLOv8的多尺度图纸图元检测,以及基于文本识别与领域先验的图纸拓扑匹配与纠错拒识两个算法组成。该方案在基于真实场景构建的图元检测数据集与线帽语义标签解析数据集上分别进行了性能验证,实验结果表明,图元检测算法优于当前主流检测模型,图纸拓扑匹配与纠错拒识算法则在拒识率为10.8%的基础上使得线帽语义标签解析的拟召回率和拟精确率都达到了100%。

关键词： 人工智能   带状碳化物   目标检测   图像分类   视场   金相检测  

摘要： 在钢铁行业中,碳化物对钢材质量的影响至关重要,其在钢材中的分布对评估钢材质量有极其重要的意义。当前的碳化物检测技术仍然采用人工观测的方法,不仅成本高,且存在观测的差异性,稳定性差等问题。为满足实际生产的需求,引入了人工智能领域的深度学习技术,构建了专用于碳化物检测的数据集,研发了对应100倍视场和500倍视场条件下的专有技术。通过自动化载物台和自动化对焦、智能采集算法、智能拼接算法,系统实现了样块的自动化图像采集以及图像的高还原拼接,解决了人工图像采集速度慢、采样区域不全面、偶然性大的问题。在100倍视场下使用目标检测技术,能够精准定位每条碳化物的目标框位置;500倍视场下使用图像分类技术,能够更加精确地判别碳化物等级。通过针对实际应用场景下精度和抗干扰的优化,算法能够在允许0.5级误差的情况下达到99%以上的准确率,将人工智能技术有效地引入了带状碳化物检测领域。

关键词： 深度学习   目标检测   YOLOv8   瑕疵检测  

摘要： 电子线路板在生产制作过程中存在瑕疵、缺陷、漏孔等问题,因此在生成制造过程中对其进行瑕疵检测是重要且必要的,这能快速定位问题与弥补一定的经济损失。针对电子线路板瑕疵检测任务,该文提出一种改进YOLOv8s模型的细粒度图像目标检测方法EFF-YOLOv8s。首先,为了细粒度地提取图像特征与提高图像的目标检测准确率,使用EfficientFormerV2作为主干网络,替换YOLOv8s模型原始的卷积块结构;其次为了更突出地表征待检测目标的信息,该文在特征融合阶段基于高效的空间注意力ELA提出一种全新的C2f-ELA模块。最后的实验结果表明文章提出的方法在电子线路板瑕疵检测数据集上的准确率、召回率、mAP@0.5以及mAP@0.5:0.95指标分别能达到97.3%、93.9%、97.1%和55.4%,分别较YOLOv8s模型涨点5.0%、3.0%、2.7%和4.6%。

关键词： 计算机视觉   图像匹配   安防系统   智能监控系统   安防监控系统   数据库   安防领域   检索  

摘要： 随着工业智能化的快速发展,工业安防领域对于高效、准确的监控系统需求日益增长。传统的安防系统往往依赖人力监控,不仅效率低下,还容易受到人为因素的干扰。随着计算机视觉和深度学习技术的发展,基于图像的智能监控系统逐渐成为主流,图搜图技术作为其关键技术之一,能够实现快速准确的图像匹配和检索,对提升工业安防监控系统的智能化水平具有重要意义。Milvus作为一款高性能的开源向量数据库,专为向量相似性搜索和AI应用设计。它具有高吞吐量、低延迟的特点,适用于处理大规模向量数据。本文旨在探索Milvus在工业安防领域的应用,特别是实现安防图片的图搜图功能,以期提高安防监控的效率和准确性。

关键词： 目标检测   车辆检测   YOLOv7   注意力机制   深度学习  

摘要： 为了提高计算机识别检测车辆的准确度与速度,提出了一种基于改进YOLOv7-Tiny的车辆检测算法。在众多目标检测模型中,YOLOv7有着非常快的检测速度和较高的检测精度,非常适用于实时检测任务。在原YOLOv7-Tiny模型的基础上进行改进,将最浅层ELAN-T模块纳入特征金字塔,通过跳跃连接的方式将浅层特征与深层特征跨层融合,使输出的特征信息更加丰富。同时引入SE注意力机制,将计算资源分配给对当前任务更为关键的信息。并且更换了非线性激活函数HardSwish,以提高模型的表达能力。在华为发布的2D自动驾驶数据集SODA10M上进行实验,结果表明,改进后的模型对所有四种目标的检测精度都有所提高,平均精度mAP@0.5达到了66.1%,比原YOLOv7-Tiny模型61.0%提升了5.1%。

关键词： 5G通信   电力输电线   故障目标检测  

摘要： 本文提出了一种基于5G通信的电力输电线故障目标检测方法,通过构建超密集网络增强信号覆盖,利用5G核心网实现低时延高可靠通信。该设计采用长短时记忆单元优化数据处理,利用边缘智能降低数据传输延迟,采用波束成形技术实现精确信号覆盖,并用混合自动重传请求机制增强通信可靠性。实验结果表明,该方法在数据传输延迟、信号丢包率、检测准确率和网络覆盖率等方面表现优异,显著提升了故障检测的实时性和准确性。

关键词： 轨道交通   钢轨   表面伤损   目标检测   图像识别  

摘要： 基于智慧工务对钢轨轨面状态和伤损的精准识别、定量化修理等需求,结合深度学习和机器视觉,提出了钢轨轨面伤损细粒度图像识别与量化方法。通过采集轨面状态和伤损图像并实现伤损细粒度标注,建立轨面伤损RD-1094数据集,其中的目标密度达到了每图22.9个。建立轨面伤损深度学习目标检测算法,通过对RD-1094数据集的训练和学习,实现了对0.5~30mm的剥离掉块、波长20~200mm的波磨等轨面伤损及其各自发展阶段特征的识别,达到毫米级细粒度。算法对单双排波磨、细小密集和轻重伤剥离掉块、单支和成片疲劳裂纹等能较好的兼容性,可以实现轨面光带形位、伤损尺寸、轻重伤总数、分布面积、波磨波长等状态和伤损的量化评估。