关键词： 计算机视觉   深度学习   太阳电池   YOLOv5   光伏缺陷  

摘要： 针对以往光伏缺陷检测中可识别缺陷的种类少、无法对缺陷进行定位、模型参数多体积大以及检测速度慢的局限性,改进传统的YOLOv5网络对光伏组件面板图像中常见的裂纹、断栅、黑芯、粗线和热斑5类主要缺陷进行检测和分类。使用3种不同的注意力机制模块:CA注意力机制模块、ECA注意力机制模块、CBAM注意力机制模块,分别融入YOLOv5网络中进行对比分析实验,发现CA注意力机制更加适合光伏缺陷图像检测。随后对融入CA注意力机制模块的YOLOv5算法再次加入双向特征金字塔网络结构,进一步加强网络的特征融合能力。实验结果表明,该模型可对5类常见的缺陷进行有效的识别和定位,与YOLOv5算法相比平均精准度(mAP)值提升3.7%,模型体积减小15%,图片的检测平均速度提升9.7%。结论表明该方法可有效增强YOLOv5算法在光伏缺陷检测中的能力,同时可降低深度学习算法在光伏检测中误检和漏检的情况。

关键词： 数字图像处理   人工智能   Python   教学改革  

摘要： 随着人工智能技术的飞速发展,数字图像处理作为其关键领域之一,已广泛应用于医学影像、智慧城市、智能制造等多个领域。在应用型本科院校中,“数字图像处理”课程作为计算机科学与技术、电子信息工程等专业的重要课程,其教学改革显得尤为迫切。本文以江苏理工学院为例,旨在探讨人工智能背景下传统“数字图像处理”课程中存在的问题,并提出相应的教学改革,以期提高学生的学习兴趣、动手能力和创新能力,培养出适应行业需求的高素质专业人才。With the rapid development of artificial intelligence technology, digital image processing, as one of its key areas, has been widely used in medical imaging, smart city, intelligent manufacturing and other fields. In applied undergraduate colleges and universities, the teaching reform of “digital image processing” course is particularly urgent as an important course in computer science and technology, electronic information engineering and other majors. Taking Jiangsu University of Technology as an example, this paper aims to discuss the problems existing in the traditional “digital image processing” course under the background of artificial intelligence, and put forward corresponding teaching reforms, in order to improve the students’ interest in learning, hands-on ability and innovation, and cultivate high-quality professionals to meet the needs of the industry.

关键词： 屏幕翻拍图像摩尔纹   YOLOv10   目标检测   深度学习  

摘要： 阐述一种基于深度学习的屏幕翻拍图像摩尔纹检测系统,将通过YOLOv10神经网络训练得到的权重文件载入安卓App—moire detect demo,实现摩尔纹的自动检测,解决现有方法检测效率过低问题。

关键词： 农田边界   地块分割   边缘检测   图像处理  

摘要： 农田边界的自动提取对高效量化农田土地资源和制定相关调控政策十分重要,是农业现代化和智慧化发展的必要条件。统计多种农田边界提取尺度下常用的遥感数据,简述农田边界提取技术经历了从无监督到监督提取的发展,总结并对比农田边界提取的4种主要方法,包括基于边缘检测的方法、基于区域的方法、混合方法和深度学习方法,深度学习方法属于监督提取技术,与遥感技术的发展息息相关。简述农田边界提取精度评定中的参考图像获取与精度评估方法。提出目前存在农田边界特征利用和挖掘不足、缺乏公开实时的数据集、缺乏针对小农地区的研究、提取方法普适性不足的问题。在综合应用农田边界特征、共享农田边界大数据和应用云计算平台、开发小农地区农田边界提取方法、融合时空协同的多源数据方面作出展望。

关键词： 仪表检测与识别   深度学习   图像处理   数值提取  

摘要： 本文分析了当前仪表检测和识别的关键方法和技术,主要包括仪表表盘图像的获取方式及设备、表盘图像处理方法和表盘数据提取算法。仪表表盘图像的获取方式除了人工巡检外,还有足式、轮式、轨道式巡检机器人搭载摄像头检测等传感器进行自主巡检。表盘图像处理是为了修正各种干扰,如表盘倾斜、环境光线过暗、曝光或背光、图像模糊和图像遮挡等,以便获得更完整、更准确的仪表图像。表盘数据提取目前有常规的图像处理法和基于神经网络的深度学习法。常规图像处理方法通过特征提取和模式匹配,获取仪表指针数值和刻度盘读数。深度学习方法如卷积神经网络和循环神经网络有助于更准确和高效地对仪表关键特征进行识别。未来发展方向更倾向于基于深度学习模型和优化算法,进一步提升仪表检测的准确性和效率、提高仪表数据处理和分析能力,实现对仪表数据的快速读取从而实现更高精准的检测与识别。

关键词： 油菜幼苗   株数识别   目标检测   YOLO v7  

摘要： 针对大田环境下油菜幼苗尺度不一、分布密集、识别难度大等问题,开展了基于YC-YOLO v7模型的油菜幼苗株数识别研究。在原模型YOLO v7的高效聚合网络ELAN中引入深度可分离卷积模块,提高模型对细小特征的提取能力;通过在主干网络输出的特征层中添加CBAM注意力机制模块,加强模型对小目标的识别精度;将损失函数CIOU替换为WIOU,提高了锚框质量;为扩大模型对目标的感受野,构建了SPPF空间金字塔结构。试验结果表明,改进后YC-YOLO v7模型平均精度均值为94.0%,精确率为89.8%,召回率为91.2%,推理速度提高16.1 f/s,浮点运算量降低2.56×10^(10);与其他一阶段模型YOLO v5s、SSD和二阶段模型Faster R-CNN进行对比,平均精度均值分别提高12.8、17.8、20.3个百分点。基于YC-YOLO v7模型搭建的油菜幼苗检测识别系统准确率大于90%,可为大田环境下油菜幼苗精准计数提供技术支撑。

关键词： 轮式移动机器人   目标跟踪   双曲正切视线制导策略   扩张状态观测器   自抗扰控制  

摘要： 为提高轮式移动机器人(WMR)在复杂环境中应对侧滑和打滑干扰的目标跟踪能力,提出了一种基于双曲正切视线制导策略的自抗扰控制方法。首先,通过分析WMR的侧滑和打滑现象建立了扰动下WMR的运动学和动力学模型;其次,给出了一种基于分区切换机制的双曲正切视线制导策略以提高跟踪的动态响应能力;随后,基于WMR的动力学模型设计自抗扰控制算法,利用扩张状态观测器估计侧滑和打滑等未知干扰,实现目标跟踪任务。仿真和实车实验结果表明,本文方法在复杂环境中具有更高的跟踪精度和更强的抗干扰能力。实际测试中WMR在遭受模拟打滑试验后可快速地恢复到目标跟踪行进轨迹,且跟踪误差稳定于0.025 m以内,验证了所提方法的有效性。

关键词： 采集装置   深度学习   YOLOv8算法   目标检测  

摘要： 针对织物疵点的错检、漏检问题,文章采用了一种基于YOLOv8算法的织物疵点检测方法,以提高传统织物疵点检测的效率以及准确性。鉴于织物疵点种类的多样性和织物纹理的复杂性,传统织物疵点检测手段在处理具有复杂纹理背景的织物图像时,提取图像特征困难,检测效果已逐渐下降。文章设计一种用于检测织物疵点的新算法,采用自主设计的黑箱采集装置进行数据集的采集,并在织物图像数据集上进行验证测试。

关键词： 高速公路收费站   车型识别系统   图像处理  

摘要： 为满足当前高速公路收费站对车型识别系统要求不断提升的需求,需充分利用现代高新技术优化相应系统,探究基于视频图像技术的车型分类算法,提升车辆识别系统的应用成效,为提升高速公路收费站工作效率提供必要思路支持。基于此,对数据集构建以及车辆分类网络设计进行重点分析,探究车辆分类标签设计以及图像预处理要点,同时针对特征提取网络进行探究,提出对EfficientNet V2网络进行优化,并设计采用网络结构重参数化技术以提升图像识别准确率。由实际研究成果可知,所研究算法的车型识别系统,识别准确率得到显著提升,达到98.4%的水平,同时在网络结构重参数化技术支持,图像识别速度也提升至26 ms。

关键词： 小目标检测   YOLOv8   可变形卷积   损失函数  

摘要： 针对无人机视角拍摄的小目标具有分布聚集、数量繁多、类别不均衡等特点,致使小目标检测精度较低,容易出现漏检和误检的问题,提出了基于改进YOLOv8的目标检测算法。通过添加小目标特征融合网络的方式优化网络结构,引入可变形卷积来提升模型对感兴趣区域的关注能力,采用MPDIoU损失函数,提高边界框回归的准确性。结果表明,改进后的YOLOv8检测算法在VisDrone2019数据集上的精度提升了6.1%,模型参数量减少了25.3%,在轻量化网络的同时有效提高了小目标检测精度。