关键词： 计算机视觉   非标器件   智能制造   工业自动化  

摘要： 随着工业自动化和智能制造的快速发展，非标器件检测在产品质量控制和生产效率提升方面扮演着越来越重要的角色。非标器件因形状复杂、结构多样等特点而给传统的检测方法带来了巨大挑战。基于此，分析了计算机视觉的基本原理与技术，探索了计算机视觉在非标器件检测中的具体应用，包括图像预处理与标准化、特征提取与匹配、多模态数据融合、智能决策与反馈等，旨在为计算机视觉技术在工业领域的应用拓展提供有益的参考和借鉴。

关键词： 目标检测   模型压缩   终端设备  

摘要： 移动终端设备在航空探测、安防监控等领域广泛应用,但受限于硬件资源,其弱小目标检测面临小目标分辨率低、背景干扰大、计算效率低等挑战。现有检测模型普遍存在定位精度不足、模型复杂度高等问题,难以在移动端实现精度与速度的平衡。传统深度学习模型在参数冗余度、多尺度特征融合等方面亟待优化,而边缘端部署中模型的硬件适配与计算能效问题更为突出。本文针对上述挑战,提出面向移动终端的弱小目标检测系统优化方案,旨在通过算法与工程协同创新解决实际部署需求。 提出了一种融合强化学习与深度学习的两阶段检测框架,创新性地构建了基于深度Q网络（DQN）的动态候选框生成机制。该方法将特征图状态编码与历史动作轨迹迭代融合,通过自适应奖励函数引导智能体快速锁定目标高密度区域,将该区域位置传递到预测头以降低计算量。实验表明,奖励函数结合交并比（Io U）与目标覆盖比例的双重约束,使候选框搜索效率提升42%;基于强化学习数据先验信息改进的TPH-YOLOv5网络引入Transformer预测头与注意力机制,在Vis Drone2019数据集上m AP50:95指标达到21.8%,较基准模型提升26%。显著区域聚焦策略将卷积运算聚焦于40%-80%的关键图像区域,保障了25FPS的实时检测性能。 提出了一种基于梯度信息和特征图方差的动态剪枝方法,并在昇腾平台上实现紧凑模型的高效部署。通过梯度演化轨迹与特征图统计量的联合评估衡量通道重要性,构建自适应的稀疏性约束训练损失;控制BN层缩放因子与通道重要性相关的剪枝阈值,动态剪枝确保关键特征通道的保留。实验结果表明,该方法在Vis Drone2019数据集上的m AP50达到41.7%,推理速度提升至52 FPS,实现了精度与效率的均衡。此外,本文还探讨了模型剪枝、量化及硬件优化的完整部署链路,应用静态算子重写方法解决ONNX格式转换中的动态维度问题,并应用FP16/FP32混合精度优化降低计算复杂度。在Atlas 200i DK A2平台上,剪枝后的模型推理速度提升至23.6 FPS,较未优化的YOLOv5s模型提升26.2%。综合来看,本文的剪枝方法在保证检测精度的同时显著提升了计算效率,为移动端实时检测提供了高效、稳定的解决方案。

关键词： 自动驾驶   3D目标检测   轻量化   稀疏卷积   知识蒸馏  

摘要： 近年来,随着人工智能和计算机视觉技术的快速发展,自动驾驶成为学术界和工业界的重要研究方向。为了实现自动驾驶车辆的安全、高效运行,环境感知技术扮演着至关重要的角色。作为环境感知的核心任务之一,3D目标检测能够为车辆提供精确的空间定位和目标识别信息,是实现自动驾驶决策与控制的基础。 尽管已有多种轻量化3D目标检测算法被提出,用以提升推理速度和降低计算成本,但在点云稀疏性建模、空间结构信息保持、精度与效率的平衡等方面仍存在明显不足,难以全面满足自动驾驶系统对实时性与可靠性的要求。为此,本文围绕点云数据的表示与建模,提出一种融合高效编码结构与特征优化机制的轻量化3D目标检测方法,重点从基于柱状体编码网络结构的设计和基于知识蒸馏的精度补偿两个方向进行研究,以提升检测性能和实用性。本文的主要贡献如下: (1)提出了一种基于柱状体编码的高效3D目标检测网络—Fast Pillar Net,并在此基础上设计了三项优化策略:在点云预处理阶段,利用Z轴值对地面点云进行过滤,以减少背景干扰并提升物体边界的清晰度;在点云网格编码阶段,通过按高度区间进行稀疏采样,保留关键空间信息的同时降低计算成本;在检测头部分,引入基于热图的关键特征筛选方法,仅对高置信度区域的特征进行目标回归,从而有效减少计算负担。在KITTI数据集上的实验结果表明,以上优化策略使Fast Pillar Net的推理速度提升了12.44%,同时保持检测精度不变。在nu Scenes数据集上的进一步实验表明,Fast Pillar Net在复杂场景下依然具备出色的检测性能,展现出良好的鲁棒性。 (2)提出了一种基于关键特征对齐的异构知识蒸馏方法,以弥补柱状体编码模型在高度信息建模方面的不足。该方法以基于体素编码的模型作为教师模型,基于柱状体编码的模型作为学生模型,实现跨结构的知识迁移。在特征提取阶段,结合热图置信度信息提取并对齐关键特征,从而提升蒸馏效果。在KITTI和nu Scenes数据集上的实验结果表明,该方法能够显著提升学生模型的检测精度,达到接近教师模型的水平。并且通过适当扩展学生模型的骨干网络,可以使其在推理速度快于教师模型15.42%的情况下,达到与教师模型一致的检测精度。 (3)基于ROS和RViz设计了一个自动驾驶可视化系统,为3D目标检测模型的研究和应用提供直观、交互式的可视化支持。

关键词： 图像处理   神经网络加速器   图像去雾   低照度增强  

摘要： 图像恢复和图像增强是用于提高图像质量和视觉效果的图像处理技术,目前被广泛用于交通、无人机和医疗等领域。随着近年来神经网络算法的兴起,图像恢复和图像增强领域出现了大量基于深度学习的图像处理算法,相比传统的基于模型算法能获得更好的图像质量。在硬件边缘部署中,相关研究大多仍使用传统算法,同时神经网络的边缘部署带来了存储和计算等挑战。针对上述问题,本文提出了基于FPGA的智能图像恢复/增强处理核,通过硬件算法协同设计来优化算法,并设计和实现了图像恢复/增强加速器架构。 首先,本文讨论了图像恢复和图像增强技术的国内外研究现状,分析了当下边缘端部署的工作。同时,还分析了该领域的神经网络基本结构、用于训练和推理的数据集以及用于评价处理后图像的质量指标。基于上述的讨论,本文从算法的硬件优化和硬件加速器架构设计展开研究。 在算法层面,本文将粗粒度剪枝应用到神经网络算法,大幅减少了神经网络的参数量和计算中的特征图层数,进而优化了硬件计算和存储资源的消耗;设计了一种硬件友好的后处理算法用于微调神经网络的输出图像亮度,能够显著提升输出图像的质量,提升图像的视觉效果;提出了一种计算流程优化方法,通过在神经网络算法中插入下采样和上采样来缩小神经网络在计算过程中特征图的尺寸,以此来优化神经网络计算的存储资源消耗和流水设计。 在硬件加速器架构层面,本文设计了具有去雾、低照度增强和去噪三种功能的神经网络加速器。其中,为了解决神经网络中卷积算子尺寸多变和计算单元资源消耗大的问题,设计了一种可重构的级联计算单元,能够支持多种尺寸的卷积算子并且能大幅减少计算资源消耗;设计了一种多行读取计算的卷积计算方法以及硬件架构,能够提高在一张特征图上进行卷积时的计算并行度,同时避免对特征图进行重复的存储;设计了一种支持多种去噪方法和选择不同参数的去噪模块。 经过仿真和上板测试,本文提出的加速器在去雾和低照度增强数据集上达到了21.27d B和14.88d B的PSNR,优于同领域传统算法加速器去噪模块;去噪模块能够改善经高斯噪声和椒盐噪声污染的图像;同时达到了100MPixels/s的吞吐量;去雾模块、低照度模块和去噪模块功耗分别为1.891W、0.341W和0.208W;本文提出的处理核实现了高图像质量、高吞吐量以及低功耗,适合边缘端部署。

关键词： 无人机   输电线路   故障定位   自动巡检   图像处理   应用技术  

摘要： 为了提高配电线路自动巡检能力，构建出一种新型的无人机系统，通过图像识别技术和深度学习算法模型，大大提高了配电线路自动巡检无人机巡检能力，通过在光传感器上加入防抖平台、LVDS传输技术、防干扰双绞线、屏蔽铝板、DDR FCRAM缓存、SLC内存以及图像处理模块。对飞机飞行防抖、抗电磁干扰和优化移动存储三方面改进，提高无人机巡检能力，在巡检中通过在云端布置轻型的神经网络实现作业质量的图像识别与诊断，提高配电线路自动巡检过程中无人机故障诊断能力。仿真结果表明，该研究拟用方法实用性强，多次实验故障定位的准确性均在90%以上。

关键词： 路面缺陷检测   目标检测   图像分割   智能巡检仪   公路养护平台  

摘要： 随着我国交通运输业的飞速发展,公路交通网已逐渐形成一定规模。然而,庞大的交通网络给路面养护带来了挑战。现有路面缺陷主要表现为裂缝和不规则缺陷,这些缺陷不仅大大缩短了公路的使用寿命,还威胁到行车安全。传统人工巡检存在效率低、周期长等问题,且在恶劣环境下存在安全隐患,难以实现全覆盖监测。 本文针对这些问题设计了基于深度学习的路面缺陷检测系统,该系统不仅能够快速高效地进行路面缺陷的检测,还支持远程查看缺陷信息。主要研究内容包括路面缺陷目标检测、路面缺陷图像分割、路面缺陷量化评价、路面缺陷检测系统设计与实现四部分。(1)在目标检测部分,首先提出了一种改进的YOLO目标检测模型YOLO-CD。该模型以YOLOv8n作为主干网络,并加入ASF-YOLO架构中的尺度序列特征融合SSFF模块、三重特征编码器TFE模块、CA注意力机制和P2小目标检测层,同时将YOLOv8n检测头替换为Dy Head检测头,从而提高了路面缺陷检测精度。实验表明,在自建数据集RC-Dataset和公共数据集RDD2020中,改进后的算法YOLO-CD相比原算法YOLOv8n,m AP50分别提高了4.1和1.5个百分点。且该算法的检测速度达到了89.9 FPS,满足了路面缺陷检测的实时性要求。(2)在图像分割部分,采用U-Net图像分割网络训练路面缺陷分割模型,对路面缺陷图像进行分割,为后续量化评价做好准备。(3)在路面缺陷量化评价部分,计算路面缺陷信息和路面状况指数PCI,进而确定路面破损状况等级并提供维修意见。(4)路面缺陷检测系统的设计与实现包括路面缺陷智能巡检仪和公路养护管理平台两部分。路面缺陷智能巡检仪使用YOLO-CD目标检测模型实现对路面缺陷的自动化检测,采集完后上传至服务器端进行透视变换和U-Net图像分割,生成并存储缺陷数据和评价信息,并传输至MySQL数据库中,公路养护平台进行调用并显示。公路养护管理平台包含首页、路程及速度检测、路面缺陷检测、缺陷信息详情、路段信息和路段养护六个页面,展示了全市地区的缺陷检测信息、缺陷详情、路段信息和路段养护信息。 路面缺陷检测系统在确保道路安全性和可靠性方面具有重要意义。本文研发的路面缺陷智能巡检仪能够精准分类和定位缺陷的种类与位置。实际路测数据显示,巡检仪的平均虚检率为4.44%,漏检率为3.25%。此外,公路养护管理平台可以远程查看缺陷信息和养护数据,便于实时监控和管理路面状况,提升了城市道路养护管理的效率。