关键词： 铣刀   缺陷检测   机器视觉   图像处理  

摘要： 目前,铣刀的表面缺陷检测大多是通过工业相机加显微镜头的组合来进行人工检测,效率低的同时误检率也很高。该文针对铣刀表面缺陷中最常见的崩刃、毛刺、凹坑和黑皮缺陷,根据不同缺陷的特征,提出了两种不同的缺陷检测算法。对于铣刀图像的预处理,提出了基于双边滤波降噪、线性灰度变换增强以及LOG算子边缘锐化的处理算法;对于崩刃和毛刺缺陷,提出了基于机器视觉改进的拐点检测算法;对于凹坑和黑皮缺陷,提出了一种基于填充的图像差分算法与帧间差分技术相结合的检测算法;通过实验验证,该文算法对铣刀崩刃、毛刺、凹坑和黑皮缺陷的检出率分别为96%、94%、98%,平均检测耗时581 ms,能够满足工业检测的自动化、高效率和高精度检测需求。

关键词： 小样本目标检测   丰富语义信息   特征信息匹配   空间上下文   像素关系映射  

摘要： 小样本目标检测中因为支持样本稀缺且可利用的类别信息不足,所以有效利用有限样本的特征信息尤为重要。通过丰富支持样本和查询样本中可用的语义信息,能够实现查询特征和支持特征更全面的信息匹配,这有助于模型在小样本场景下理解目标类别,进而有效地实现目标检测。因此,提出一种基于空间上下文和像素关系的模型。设计空间上下文学习模块以辅助像素构建局部上下文区域,从而为中心像素获取区域内的像素语义,并丰富图像的特征信息。此外,针对空间上下文容易引入噪声信息的问题,设计像素上下文关系模块以利用图像中的原始特征知识探索像素之间的关系,并构建类内和类间关系映射图,从而纠正空间上下文学习模块容易引入噪声信息的缺陷。实验结果表明,在PASCAL VOC数据集上进行3种划分时,与VFA(Variational Feature Aggregation)相比,所提模型在样本极其稀缺的1-shot设置下的平均精度(AP_(50))分别提升2.7、2.0和1.3个百分点。在MS COCO数据集上的10-shot和30-shot设置下,与VFA相比,所提模型的AP分别提升0.4和0.6个百分点;与Meta FR-CNN(Meta Faster RCNN)相比,所提模型的AP50分别提升11.4和8.7个百分点。可见,所提方法通过更有效地利用有限特征信息提升了对新类样本的识别能力,对只能获取极少量样本的特殊场景下的目标检测模型泛化能力的提升具有参考价值。

关键词： 水下目标检测   YOLOv8n   注意力机制   损失函数  

摘要： 针对传统目标检测方法对水下目标检测时存在参数过多、推理速度慢、检测精度低等问题,提出了一种基于改进YOLOv8n的水下目标检测算法。首先,使用Ghost模块重新设计C2f模块,以减少算法的参数量、降低计算复杂度;其次,在YOLOv8n算法中引入了TA模块来提高特征提取能力,并优化了YOLOv8n的检测头结构,增加了小目标检测层(P6),有效结合不同尺度的特征信息,保留更详细的目标特征信息,提高了小目标的检测能力;最后,在预测部分采用Wise-IoU作为损失函数,Wise-IoU通过在高质量和低质量图像之间分配多个权重来提高检测精度。实验结果表明,改进后的算法在自建的水下目标检测数据集上的mAP 50达到85.2%,FPS为97帧/s,与原始的YOLOv8n算法相比,mAP 50提升了3.5个百分点,证明了所提算法能够满足水下目标检测的需求。

关键词： 钢轨表面缺陷   目标检测   YOLO   注意力机制  

摘要： 轨道表面缺陷检测是保证轨道交通运行安全的重要手段,由于轨道表面缺陷特征的复杂多样和缺陷面积小的特点,传统的机器视觉方法很难获得令人满意的检测结果。现有的基于深度学习的方法存在精度低、复杂场景漏报多等问题,为此,本文提出了一种基于YOLOv11改进的钢轨表面缺陷检测方法。该方法利用多通道混合注意力机制融合进了C3k2模块中,同时在骨干网络中应用此模块提取图像特征,实现了钢轨缺陷的实时检测。测试结果表明,与原始模型及其他检测模型相比,具有较高的检测精度,适用于轨道表面的快速、准确检测。

关键词： 计算机视觉   数字孪生技术   线上实验教学  

摘要： 当前,线上实验教学面临诸多挑战,如何让大学生通过线上实验教学平台获得线下实验室的操作体验是一项亟待解决的问题。利用数字孪生技术能够对物理实体构建精准映射的数字镜像,在数字孪生体的场景里为学习者提供全域感知的沉浸式操作体验,用全新视角的实验教学提升学习的效率。

关键词： 图像识别   无人机   目标检测   YOLOv8   注意力机制  

摘要： 本研究旨在探索基于图像识别技术的无人机探测方法,通过先进的计算机视觉算法实现无人机目标的自动检测与定位。研究采用Python语言进行系统开发,并选择了引入注意力机制的YOLOv8作为核心检测算法。通过注意力机制,YOLOv8算法能够更精确地聚焦图像中的关键区域,显著地提升了无人机目标识别的准确性。研究使用了公开的无人机数据集进行模型训练和测试,确保了模型的泛化能力和性能评估的可靠性。通过与其他检测算法的对比,基于注意力机制的YOLOv8在识别准确率、召回率和处理速度方面表现出色。基于该算法,研究构建了无人机识别系统,实现了对无人机目标的实时检测和显示功能,具有广泛的应用潜力。

关键词： 图像处理   权重   锐化   粒子群   肺癌  

摘要： 针对基本粒子群算法在处理高维复杂非线性函数时易出现“早熟收敛”的缺点,引入了动态惯性权重因子系数,提出了一种动态粒子群优化算法。用来平衡粒子群优化算法的全局搜索能力和局部搜索能力之间的关系。用新算法对肺癌图像锐化进行尝试性处理,同时给出了算法流程。实验数据显示,在处理肺癌图像锐化方面,改进粒子群优化算法比其他对比方法更优,收敛性更强,为肺癌图像锐化提供了一种新解决方法。

关键词： YOLOv8   双流架构   红外图像   多尺度融合   特征提取  

摘要： 强光扰、低光照等恶劣条件是矿井下目标检测的一大困扰,单一可见光的检测时常出现漏检或误检的情况,现有的可见光与红外图像融合算法往往无法更好地同时提取两种图像的特征。针对上述问题,提出了一种可见光与红外图像多尺度融合目标检测算法DF-YOLOv8。通过构建双流特征提取器架构,分别对低分辨率红外图像和可见光图像进行特征提取;采用双线性插值法对特征图进行上采样,通过通道注意力机制进行特征图的融合处理;引入融合加权特征损失函数和一致性损失策略,优化模型的适应性和鲁棒性。消融实验与对比实验的结果表明,采用上述方法,模型在自建数据集Coal-Mine Video上的平均精度均值(mAP)达到87.9%,相较于YOLOv7、YOLOv8分别提升6.0%、5.7%,检测速度达到67FPS,确保实时监测的需求。

关键词： 图像处理   图像融合   图像增强   混合分解  

摘要： 针对红外与可见光图像融合过程中存在热目标丢失、细节损失等问题,提出了一种基于图像增强和L1-L0分解的红外与可见光图像融合算法。首先,提出了一种可见光图像增强算法,该算法是基于对滚动引导滤波分解的各个层进行处理,来突出可见光的纹理细节,并利用改进的自适应伽马校正来提高整体亮度。其次,提出了一种定向红外目标提取的算法。接着,用L1-L0的分解方法将红外和可见光图像分解为基础层和两个细节层。对于基础层图像,采用引导滤波提取权重的方法来融合;对于初级细节层,提出了对比能量PCA的方法进行融合;对于次级细节层,采用视觉不同特征映射的融合策略来融合;最后,融合的基础层、细节层和红外目标进行重构,以获得最终的融合图像。为验证算法的有效性,与其他9种红外与可见光图像融合算法进行了对比,实验结果表明:与其他融合算法相比,本文算法在主观评价和客观评价上都有较好的表现。

关键词： 压力容器   X射线焊缝缺陷   YOLOv7   注意力机制   GAM注意力   CNeB   目标检测   深度学习  

摘要： 针对压力容器焊缝缺陷因目标尺寸小、特征各异以及背景复杂导致检测精度低和速度慢的问题,文中提出了一种基于改进YOLOv7(You Only Look Once version 7)的焊缝缺陷检测方法。在网络的Neck部分添加全局注意力机制(Global Attention Mechanism,GAM)模块,防止丢失较小尺寸和细微的特征信息,并加强了特征提取,提高了检测精度。采用CNeB(ConvNeXt Block)模块替换网络中ELAN(Efficient Layer Aggregation Network)模块,从而简化整体模型,减少模型在训练和推理过程中的耗时,在提高检测精度的同时提高了检测速度。为了增强改进YOLOv7模型的鲁棒性,在该模型中融合GAM模块和CNeB模块。实验结果表明,改进后的算法速度为48.1 frame·s^(-1),其平均精度均值mAP(mean Average Precision)达到了94.2%,比原算法提升了2.9百分点,说明新方法能够实现焊缝缺陷检测。