关键词： SSD   目标检测   特征融合   注意力机制   数据增强  

摘要： 死鱼对于水域生态和饮水安全存在巨大威胁,由于水面环境复杂,导致现有目标检测算法在死鱼检测任务中存在漏检、误检等情况。为此,以单次多边框检测(single shot multibox detector,SSD)为基础提出一种基于多尺度特征融合和注意力机制的水面死鱼检测方法FFA-SSD(SSD with feature fusion and attention)。首先,采用计算量和参数量更少且特征提取能力更强的残差网络ResNet50替换VGG16主干网络;其次,设计了多尺度特征融合模块,增强浅层特征和高层语义信息的融合;然后,引入通道注意力机制,抑制特征融合带来的冗余信息干扰,提升网络对目标的关注度;最后,设计了一种适用于小目标检测的数据增强算法,扩充训练数据中的小目标数量,丰富训练背景。实验结果表明,同现有目标检测算法相比,FFA-SSD算法可以更好地识别水面死鱼,检测精度达到93.5%。

关键词： 损失函数   深度学习   图像处理   焊点检测   YOLO  

摘要： 白车身焊点检测是汽车制造过程中重要的质量控制环节之一,检测结果直接影响汽车质量和安全。传统焊点检测依赖于人工视觉检查,效率低下且易出现漏检和误检等问题。因此,本研究结合计算机视觉和深度学习技术,提出一种改进的YOLOv9e模型,对白车身焊点进行检测。采集车间数据集图像并对数据进行增强处理,使用Labelimg软件对焊点进行标注,再配置相关参数并对训练集进行训练,获取最优参数配置文件,建立基于归一化Wasserstein距离和YOLOv9e的焊点检测模型。实验结果表明,相较于其他YOLO模型,改进的YOLOv9e模型识别速度快、准确率高、适用性强。

关键词： 深度学习   小目标   可变形卷积   注意力模块  

摘要： 基于深度学习算法的可见光小目标检测与识别技术是学术界研究的重要领域,小目标在所有目标中所占比例较小、特征不明显、检测难度大。为了实现对可见光小目标的快速准确识别,在YOLOv8网络模型的基础上,首先使用可变形卷积网络,自适应地调整感受野的形状和大小,增强网络学习复杂目标不变性的能力。其次加入注意力模块,使模型能够关注重要的信息,提高模型的鲁棒性。最后构建特定小目标的数据集进行训练和验证,结果表明,改进模型对特定目标具有较高的准确率和召回率。

关键词： 激光点云   建筑物轮廓提取   图像处理   线要素简化   RANSAC  

摘要： 本文针对基于地面点云数据的建筑物轮廓自动提取,设计了一种由粗到精的提取方法。首先,将点云降维,在图像中进行轮廓优化和粗提取;然后,将欧式距离聚类和全局最小二乘方法与RANSAC方法结合,对提取出的粗轮廓进行更精细地拟合,得到原始的线要素;最后,采用平面几何拓扑约束和经验模型的方法,对得到的线要素进行简化和连接,完成轮廓的提取。试验结果表明,本文方法能够有效提取出建筑物轮廓,与传统方法实测相比,轮廓顶点处的位置精度总体小于5 cm,能够满足大多数城市测量应用场景。

关键词： 目标检测   深度学习   YOLOv5   水稻虫害识别  

摘要： 为了保证水稻的高产和稳产、提高水稻虫害检测的识别率,提出一种高效快速的检测算法——YOLO-Rice。首先,在传统YOLOv5s模型的基础上融合CA机制;其次,更换PANet为BiFPN结构;随后,使用更加轻量的CARAFE结构来代替原始的上采样模块;最后,替换损失函数来提高收敛速度,以便更好地进行定位。结果表明,与Faster R-CNN、SSD、YOLOv3等模型相比,YOLO-Rice的检测精确率提高了2.4%~40.8%,召回率提高了6.9%~31.4%,平均精度均值提高了7%~37.2%。由此可说明,改进后的模型在多个方面都优于原模型,具有更强的鲁棒性和更高的准确率,实现了对水稻虫害的准确、高效识别。

关键词： 目标检测   关键点检测   计算机视觉   深度学习   油气作业   仪表自动读数  

摘要： 油气作业现场的仪表设备繁多,通常需要巡检员定期进行人工读数以判断设备是否存在异常。然而,这种巡检工作繁重且容易受到人为因素的影响。为了解决这一问题,可以利用计算机视觉技术进行仪表图像分析和处理,实现自动识别和测量读数。传统的检测方法存在准确度低、实时性差和适应性差等方面的问题。利用基于深度学习的目标检测和关键点检测技术,能够进一步提高仪表自动化检测及读数的准确性和效率,有效替代人工巡检,缩减成本。

关键词： 高光谱   目标跟踪   Transformer   图像预处理  

摘要： 在高光谱目标跟踪领域,由于目标尺度的不断变化,跟踪目标在连续帧之间呈现多样化的尺度,从而引发跟踪精度下降的问题。为解决跟踪目标尺度变化的问题,提出一种基于Transformer的尺度自适应高光谱目标跟踪器,旨在显著提升高光谱目标跟踪在尺度变化方面的准确性。首先,对高光谱图像进行主成分分析降维操作得到3波段图,然后对搜索图像进行SwinBlock-Crop25的预处理,再将模板图像和预处理后的搜索图像输入到D-swin特征提取模块中,实现多块多层深度特征的提取。随后,对获得的特征进行拼接操作,并应用自注意力机制,以更好地捕捉目标在不同尺度下的关键信息。最终,通过一个多层感知机,将经过自注意力处理的搜索图像特征映射为最终的目标边界框,从而完成目标的跟踪过程。实验结果表明,与现有多个先进的跟踪器进行对比,所提跟踪器具备更高的成功率和准确率,在保持实时性的同时,比现有公认最先进目标跟踪算法MixFormer在应对目标尺度变化挑战上成功率高0.9个百分点。

关键词： 深度学习   目标检测   YOLOv8   注意力机制   数据增强   特异小样  

摘要： 基于机器视觉的工业产品表面缺陷检测设备和系统大量应用在工业制造领域,目前其难点在于工业检测数据的采集,由于训练样本缺失导致深度学习网络模型无法有效训练.为解决上述问题,首先,提出一种基于不规则掩码的伤痕样本生成算法,改善了钢板表面缺陷检测任务中特异小样本数据集正负样本不均衡的情况;然后,在YOLOv8主干网络引入MHSA多头自注意力,提高对钢板表面缺陷的关注度;最后,使用SIoU替换原损失函数,增强网络模型的定位能力,提高检测的准确性.基于热轧钢板表面缺陷检测问题的实验结果表明,该方法能够有效解决特异小样本工业探伤的具体问题.

关键词： 表面缺陷检测   降噪算法   碳纤维丝束   图像处理  

摘要： 碳纤维展宽质量是影响预浸料质量的一个关键因素,人工检测存在误差大、效率低等问题。为提高碳纤维展宽质量的检测效率和准确度,提出基于邻域去噪及图像差分的碳纤维丝束展宽表面缺陷检测方法。针对碳纤维丝束表面光照不均导致的缺陷细节表征问题,采用一种筛选邻域孤点填充的降噪方法。该方法通过筛选出可适应大小的邻域孤点后进行背景填充,实现图像降噪,并将待检测图像与滤波处理后的背景图像进行差分运算,以提取缺陷区域。通过搭建的碳纤维丝束展宽表面缺陷检测系统进行实验,结果表明,该方法可对大丝束碳纤维展宽后表面劈裂、明缝、起毛等缺陷进行较为准确的检测,缺陷准确检出率为96.9%,满足工程实际生产需要。

关键词： 图像处理   FPGA   拉格朗日插值算法   曲线拟合   XC7A35TFTG256  

摘要： 基于FPGA硬件平台的激光线扫描相机采集投射至被测物体表面的线状激光光束图像后,通过中心点法提取出激光线二维像素坐标,重构被测物体平行光轴端面轮廓空间坐标。针对该系统因设备和环境等因素造成的激光线图像非连续问题,本文提出一种基于FPGA的拉格朗日插值算法设计,完成了不连续激光线像素坐标曲线拟合。该算法包含浮点数的加、减、乘、除、比较、顺序循环控制等子模块,充分利用FPGA并行处理能力实现对图像算法的加速处理,相较于线性插值法其拟合精度更高。实验结果表明,该模块运算时间为7.945μs,运算速度是8核64位计算机的76倍,保证了系统的实时性,且实现了高精度的拟合,增强了系统的稳定性。