关键词： 计算机视觉技术   纺织面料   智能检测   卷积神经网络   深度学习技术  

摘要： 在纺织领域，计算机视觉技术的应用不仅能够提高检测速度和精度，还能通过减少对人力的依赖来降低生产成本，并支持生产过程的持续优化。近年来，深度学习特别是卷积神经网络（convolutional neural networks, CNN）取得突破性进展，为复杂图像模式识别提供了强大的工具，使在纺织面料瑕疵检测中实现高度自动化和智能化成为可能。文章主要探讨如何有效利用计算机视觉技术，尤其是深度学习技术，开发一种高效、准确的纺织面料瑕疵智能检测系统。从纺织面料瑕疵智能检测的发展现状、主要方法、意义及面临的挑战出发，提出计算机视觉技术在纺织面料瑕疵智能检测中应用的优化策略，总结其应用流程，旨在为纺织行业提供一套先进的自动化检测解决方案，以应对当前面临的挑战。

关键词： 同时定位与地图构建(SLAM)   目标检测   轻量级网络   光流法   对极几何约束  

摘要： 视觉同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）系统常受到动态物体的影响，导致定位精度和健壮性下降。为了解决这一问题，将轻量化网络架构MobileNetV3引入系统设计，对YOLOv5s的主干网络进行重构，在保证检测精度的同时，实现模型参数规模缩减67.9%，单帧运行速度提升89%，能够满足实际应用中的高效运行需求。针对潜在动态特征干扰与漏检问题，引入光流运动估计和对极几何约束，通过运动一致性校验筛选静态特征点集，确保位姿解算的几何可靠性，并构建环境的稠密点云地图。实验量化评估结果显示，在动态目标占比高的测试场景下，改进算法定位误差较ORB-SLAM3降低90.2%，有效提升了位姿估计的精度和健壮性。

关键词： 梳棉机棉网   深度学习   目标检测   棉结   轻量化模型   YOLOv8   图像检测  

摘要： 针对基于深度学习的棉结目标检测模型占用过多计算资源、难以满足嵌入式设备及移动端的实时在线检测的问题，提出基于改进型YOLOv8的梳棉机棉网上棉结检测方法。首先，将轻量型网络MobileNetv3＿Small用作YOLOv8n骨干网络，降低计算参数量；其次，在MobileNetv3网络中使用自改进协调注意力机制(coordinate attention)模块替换原有的压缩和激励(squeeze-and-excitation)注意力机制模块，提升对棉结的检测精度；最后，使用EIoU损失函数取代原YOLOv8n中的CIoU损失函数，在处理数据时保留更多有效信息。在自制棉结图像数据集上验证改进型YOLOv8算法的检测效果，结果表明：基于改进型YOLOv8的检测方法平均准确率均值达到95.8%,相较于改进前提升了2.6%;参数量减少了34.2%。改进后算法的检测效果更好，且模型更加轻量，可满足嵌入式设备的使用。

关键词： 目标检测   建筑图纸   YOLO   SHAI   仿射变换   PaddleOCR  

摘要： 在建筑工程项目管理中,图纸审查是确保施工质量和提高设计精确度不可或缺的一环。随着建筑工程项目的复杂性和多样性不断增长,传统的手工审图方式已难以满足现代工程对高效和精准性的要求。传统审图依赖于人工检查,这不仅耗费大量时间和人力资源,而且其结果容易受到评审人员的经验水平和个人偏好的影响,从而导致评审结果的不一致性和主观性。 为解决上述挑战,本研究提出了一种结合深度学习与计算机视觉技术的智能审图方案,旨在通过自动化和智能化的方法提升审图工作的效率和准确性。鉴于当前建筑行业对图纸审查技术需求的上升趋势,以及深度学习与计算机视觉技术在目标检测、图像分类等领域的迅猛发展,本研究引入了先进的目标检测算法,以实现对建筑设计图纸中的门窗,预留洞口,柱等进行自动识别与定位,进而完成对多专业图纸一致性审查。本文的研究内容主要围绕以下几个方面展开: (1)针对国内外关于智能审图的研究现状进行了深入分析,并总结了目前采用的目标检测方法。基于此,我们提出了一个创新性的协同式深度学习多模态建筑图纸智能审图框架,该框架旨在融合多种数据来源的优势,以提升审图的全面性和准确性。 (2)在数据集构建方面,考虑到公开可用的建筑图纸数据集稀缺以及图纸层结构复杂的实际情况,我们从互联网收集了涵盖建筑图、暖通图及给排水图在内的多样化建筑行业图纸资料。通过CAD软件实施了一系列预处理步骤,如隐藏不必要的图层和去除背景干扰元素,最终形成一套适用于实验目的的高质量建筑图纸图像数据。 (3)在模型训练阶段,选择了YOLOv11作为基础模型,并对其特征融合机制进行了优化改进。利用自制的训练集对该模型进行了训练,并借助SAHI(一种用于分割辅助超推理的技术)对建筑图纸进行了详细的解析,实现了不同专业图纸间的一致性审核,并通过仿射变换对齐图纸,从而实现多专业图纸的一致性审核。 (4)以YOLOv11与SAHI推理的结果作为文字识别的输入,采用Paddle OCR对于建筑图纸中的门窗进行统计,从而实现对门窗数量的自动统计功能。 本研究通过整合最新的深度学习技术和计算机视觉算法,开发了一个能够有效应对现代建筑项目中复杂图纸审查需求的智能系统,不仅显著提升了审图工作的效率,还极大地增强了审查结果的客观性和可靠性。未来的工作将进一步探索如何将此智能审图系统应用于更广泛的领域,以推动整个建筑行业的数字化转型和发展。

关键词： 碳滑板   改进式   图像处理   集电靴   区域定位   厚度测量  

摘要： 为实时监测集电靴碳滑板磨损情况，保证地铁正常稳定运行，提出一种改进式地铁集电靴碳滑板厚度非接触式测量方法。测量方法主要包括碳滑板区域定位与厚度测量两部分。碳滑板区域定位主要通过边缘检测、二值化、长直线检测以及形态学操作等图像处理技术实现。厚度测量先定位碳滑板上边缘长直线与底座下边缘长直线，再计算上下长边缘所有像素同一纵坐标的高度差值，然后按照投票机制找出投票最多的高度差并根据像素尺寸换算出实际高度差，最后减去底座下边缘到碳滑板下边缘的固定值即可实时计算得到碳滑板当前真实厚度值。经上海地铁17号线实际应用验证，该方法测量结果与人工测量结果误差小于等于0.02 mm，单图平均检测时间149.5 ms。