关键词： 缺陷检测   机器学习   计算机视觉  

摘要： 日常汽车驾驶中,轮胎的质量好坏直接影响人们的生命安全,轮胎缺陷检测必不可少。为解决传统人工检测方法中检测速度慢、成本高、精度低等问题,本研究基于YOLO目标检测平台,设计开发一款轮胎缺陷智能检测平台,结合计算机视觉技术,实现对X光图片中轮胎缺陷的自动识别和分类。通过多尺度预处理、特征提取、卷积操作和边框回归等策略,进一步提高了检测速度和准确率。

关键词： 计算机视觉技术   人类视觉系统   计算机系统   人工监控   智能分析   数字图像   化学实验   实验室安全  

摘要： 随着化学产业的快速发展,实验室安全问题日益突出。传统的人工监控方式难以全面及时地发现潜在危险,计算机视觉技术(是一门跨学科的科技领域,旨在使计算机系统能够从数字图像或视频中获取高层次的理解,模拟人类视觉系统的功能)在此背景下应运而生。利用先进的图像处理算法和智能分析能力,计算机视觉在提升化学实验的安全性和可靠性方面展现出广阔前景。这项技术不仅能有效预防事故的发生、降低人员伤亡风险,还能优化实验流程、提高科研效率,为化学领域的可持续发展提供有力支撑。

关键词： 网络监控   图像处理   深度学习算法  

摘要： 为实现公共场域下网络监控运动目标的跟踪识别,通常利用网络摄像机、红外传感器等装备采集不同时间点的帧图像。而后基于改进SSD、CNN或DAN深度学习算法模型,利用候选框框选待测图像目标像素、扩展卡尔曼滤波或图聚类法滤除干扰噪声,但以上卷积神经网络模型的目标跟踪监测,容易出现图像帧或像素特征提取的重复问题。基于此,选用Faster-RCNN(faster region convolutional neural network)深度学习算法模型,设置涵盖卷积层、池化层、全连接层的图像处理层级,基于HOG(histogram of oriented gradient)方向梯度直方图将红外传感器监测到目标图像转化为灰度图、提取监测物体的整体特征,而后基于Faster-RCNN深度学习算法作出图像动态目标的锚框特征谱输出、数据集学习分析,得到公共空间的物体运动位置,提高计算机网络监控的图像处理与识别准确率。

关键词： 深度学习   目标检测   路径规划   YOLOv5   循环神经网络  

摘要： 阐述通过结合改进的YOLOv5算法和强化学习技术,实现对复杂动态场景中多目标的实时检测与跟踪。采用改进的A^(*)算法对检测到的动态障碍物进行避障,并利用循环神经网络预测障碍物运动轨迹,实现路径的动态规划与优化。

关键词： 目标跟踪   相关滤波   尺度估计   自动控制  

摘要： 面向复杂城市低空环境中的“低、慢、小”无人机的精准快速跟踪难题,提出了融合DSST-KCF算法的反无人机自动追踪系统。该系统由双光图像采集单元和显示控制单元两部分组成;双光图像采集单元采集低空图像,然后由融合DSST-KCF算法对图像进行实时处理;融合DSST-KCF跟踪算法包括位置滤波器和尺度滤波器,其中位置滤波器采用循环矩阵形成的数据集进行训练,然后预测出下一帧目标位置;尺度滤波器从目标位置中心提取出33种不同尺度下的特征进行训练,然后确定跟踪框的尺寸;最后采用DSST-KCF-云台控制策略,使无人机保持在视场中心附近实现有效跟踪。在校园环境中,利用本系统对空中无人机进行实时跟踪测试,测试结果表明,改进后算法相比原KCF算法检测成功率平均提升了31.51%,跟踪精度平均提升了43%,适用于小型运动目标的跟踪。

关键词： 机器视觉   液位检测   图像处理   微孔板   零均值归一化互相关匹配  

摘要： 在使用人工检测微孔板的多孔液位时耗时费力、准确率低下,针对此问题提出一种基于机器视觉的微孔板液位检测方法。通过设计相机采集角度、打光方式等搭建视觉检测系统并采集到清晰的单排液位图像;基于零均值归一化互相关的匹配原理,设计算法对中值滤波后的图像进行位姿校正,结合液位图像重心定位8个单孔液位位置;设定相似度双阈值实现对液位的检测,并对不规则液位图像加入掩码进行二次匹配检测。通过实验验证,该方法对溶液容积变化范围为-10~10μL及以上的液位检测准确率达100%,满足检测微孔板液位的准确性需求。

关键词： 新零售   嵌入式   目标检测   日用商品   YOLOv4-tiny  

摘要： 针对基于移动平台的商品图像检测算法存在硬件要求高、模型复杂且精度低等问题,提出一种YOLOv4-tiny改进网络,减少网络参数与模型尺寸,提高网络精度,构建更高效的网络。将原有标准卷积替换为点卷积与逐深度卷积,特征提取使用CG模块,降低网络模型计算损耗。特征融合时,在原有特征金字塔(Feature Pyramid Networks,FPN)基础上添加PANity模块,缩短高低间卷积层的跨度。使用CSPConcat结构对此前各层融合特征进行特征优化处理,提高各层间特征融合的能力。利用k-prototypes算法优化日用商品数据集先验框的尺寸与数目。通过在darknet深度学习框架下,对日用商品数据集进行实验,得出改进后的算法平均精度(mAP)为98%,召回率为97%,较原网络提升了2.4百分点和2百分点,网络模型计算量较原网络降低了40.4%,模型存储文件缩小了55.9%。改进后的网络模型更轻量化、准确率更高,更加适用于部署在无人结算环节的低硬件水平嵌入式设备中。

关键词： 目标检测   模型轻量化   YOLOv5   Varifocal loss   SIoU  

摘要： 针对红外图像分辨率差、对比度低、信噪比低、视觉效果模糊等检测难点,提出一种基于YOLOv5的轻量化红外目标检测(Lightweight Infrared Target Detector-YOLO,LITD-YOLO)算法。LITD-YOLO算法重新设计网络结构,针对红外目标成像特征,将特征提取网络与特征融合网络结构重构。提高小感受野权重,重建浅层特征和深层特征之间的多尺度融合关系,提高浅层网络语义信息表征能力权重,增强对红外小目标的检测能力。引入Varifocal loss以实现交并比感知分类评分(Intersection over Union-Aware Classification Score, IACS)回归,使模型对密集目标的检测能力进一步加强。使用SIoU作为边框损失函数,用于提升预测框的准确度,同时加速模型收敛。实验结果表明,在FLIR和OSU数据集下模型检测精度分别提高至88.5%、99.7%,模型体积仅3.9 MB,参数量和算法复杂度大幅降低;与主流算法相比,LITD-YOLO在各项指标上均取得了不错的进步,在检测精度、模型体积和推理速度等方面具有先进性,能满足对红外目标的高质量检测。

关键词： 图像处理   红外成像   混凝土表面裂纹   检测   灰度化处理   二值化处理  

摘要： 为了更加高效、精准地检测混凝土表面裂纹,提出了红外热成像技术的混凝土表面裂纹自动检测方法。通过红外热成像技术生成混凝土表面图像,经灰度化处理去除混凝土表面图像杂色,并获取灰度化图像,然后对灰度化图像进行阈值化,从阈值化图像中提取混凝土表面裂纹特征信息,建立无裂纹混凝土表面图像的灰度值一维矩阵,并利用最小二乘法曲线拟合灰度值将待检测混凝土表面图像和无裂纹混凝土表面图像相减,突出裂纹信息,实现混凝土表面裂纹检测。实验结果表明方法的裂纹检测准确率高、速度快,在不同噪声影响下均具备较高混凝土表面裂纹检测精准度,获得了理想的混凝土表面裂纹检测效果。

关键词： 视觉大模型   铁路场景   目标检测   模型剪枝   多尺度推理   铁路人工智能平台  

摘要： 研究铁路计算机视觉大模型关键技术及其应用,对统筹和促进铁路人工智能发展具有深远意义。文章依托铁路人工智能平台的算力与大模型支撑组件,提出从基础大模型到铁路计算机视觉大模型,再到铁路计算机视觉场景大模型的架构设计思路。基于基础大模型,设计模型训练框架,运用模型剪枝和多尺度推理技术保障推理速度与精度,完成铁路计算机视觉大模型的构建;提出铁路计算机视觉大模型的应用场景,并选取线路环境安全管控智能识别场景对该大模型能力进行验证。实验结果表明,铁路计算机视觉大模型在复杂背景下的微小目标检测方面表现卓越,具有较好的应用前景,将在铁路运输安全、移动装备检测、铁路客货运服务等业务领域发挥更加重要的作用。