关键词： 计算机   视觉技术   工业检测  

摘要： 计算机视觉技术在工业检测中的应用要点包括图像采集、预处理、特征提取、目标检测与识别、实例分割、异常检测、深度学习与模型训练、实时监测与反馈等。通过这些技术要点,计算机视觉技术为工业检测提供了高效、准确的解决方案。工业检测中,首先要对被检测物体进行图像采集,通过高分辨率摄像头、无人机、机器人臂等设备实现。图像采集的质量直接影响到后续的图像处理和分析结果,对采集到的图像进行预处理,以提高图像质量,包括去噪、对比度增强、图像归一化等。而特征提取是指从原始的图像序列中抽取感兴趣区域并将其分类。

关键词： GPU技术   图像采集   图像处理   并行计算  

摘要： 研究提出了一款基于图形处理器(GPU)技术的计算机图像采集与处理系统。该系统利用高速摄像头采集图像,并通过高速数据传输通道将图像数据迅速传输至GPU内存中,实现了高速图像采集和处理。在软件部分,系统利用GPU的并行计算能力,实现了图像滤波、增强、分割、特征提取及目标检测和识别等功能。对系统的功能和性能进行了测试,结果表明了系统能够快速准确地处理图像数据,具备良好的并发处理能力和资源利用率。这一研究为基于GPU技术的图像处理系统提供了重要的参考和实践基础。

关键词： 目标检测   地下矿山   yolov7   深度学习  

摘要： 面对地下矿山无人驾驶电机车运行过程中的复杂环境,如何高效、迅速、精准的识别出机车前进方向上的人员、矿石等潜在碰撞体,对提升矿山运输效率、增长矿山经济效益具有重要意义。Yolov7算法作为yolo系列较新且应用十分广泛的算法,具有响应速度快、准确率高、运行稳定等特点,因此本文尝试使用yolov7算法来进行潜在碰撞体检测实验。试验结果表明,yolov7算法精确度符合要求,mAP达到96.5%,且在低光照、远距离等环境下均可对潜在碰撞体进行精准检测。

关键词： 目标跟踪   目标分割   记忆更新   电力设备跟踪   无人机巡检  

摘要： 无人机巡检是保障新型电力系统安全运行的重要手段,视频目标跟踪技术能够有效提高巡检精度.针对实际电力场景中背景复杂、目标形变大等挑战,提出一种基于掩码记忆的无人机电力设备分割跟踪方法.首先,设计了基于掩码记忆的 L2 匹配分割方法,使用负平方欧几里得距离来计算帧间亲和度,利用构建的历史掩码信息进行目标匹配,提升设备的粗分割精度.其次,为了减少记忆冗余,提出变化感知的记忆更新机制,通过图像和掩码联合评估目标变化程度,设计变化度置信度阈值,以此决策是否进行记忆更新.最后,将分割技术融入判别式相关滤波的跟踪框架中,实现电力设备鲁棒分割跟踪.该方法分别在通用数据集 VOT2018、无人机数据集UAV123 和实际电力场景数据集中进行测试.实验结果表明所提方法能有效提升无人机巡检精度,并为电力设备安全运行提供技术参考.

关键词： 人工智能   环境设计   Photoshop图像处理   课程改革  

摘要： 自20世纪50年代起,人工智能技术的兴起与发展为设计领域带来变革。近年来,人工智能已渗透到多个艺术领域,随着使用人数增加,高校也将其纳入教育体系。本研究以《Photoshop图像处理》课程为例,利用人工智能技术构建智能课堂,改进教学质量,使学生深入理解图像处理原理。智慧课堂引入自适应学习系统、图像识别技术和实时反馈机制,能够提供个性化学习资源,结合传统Photoshop与人工智能技术,学生能在实践中直观认识核心概念,提升创造力和实践技能。

关键词： 高斯-拉普拉斯滤波   红外小目标   双向加权局部对比度   目标检测  

摘要： 针对目前局部对比度方法在复杂背景下对目标检测虚警率高的问题,提出了一种基于高斯-拉普拉斯(LOG)滤波的双向加权局部对比度的红外小目标检测算法。首先,通过改变高斯滤波的标准差s值对不同背景下的红外图像进行平滑微调后,再将其拉普拉斯算子进行卷积运算以对复杂背景下的有效目标像素进行快速提取;其次,考虑到目标像素在正交和对角方向存在不同特征信息,利用正交方向和对角方向的局部对比度之积构建双向局部对比度并对其进行加权运算,进一步提高目标的显著性;最后,通过自适应阈值分割来获取需要检测的真实目标。实验结果表明,所提算法能够实现对不同尺寸目标检测,不仅可以避免由于多尺度算法导致的块效应,而且还能提高复杂背景下目标的检测率。

关键词： 火灾检测   古建筑   受控火   深度学习  

摘要： 古建筑以木结构为主体,导致人为造成的古建筑火灾频发。古建筑中为祭拜、照明或营造氛围一般都存在大量和长时间的点火、焚烧等情况,对建筑内设置的常规点型感烟、吸气式、线型光束和图像型等火灾探测器产生严重的干扰和影响,存在误报率高的问题。因此,本文针对大型古建筑内部大空间火灾预警探测技术难题,提出一种新的基于人工智能图像处理技术的古建筑受控火干扰辨识方法,通过设计的火灾智能检测算法、受控火智能辨识与确认算法,实现了典型场景下真实火灾与受控火的“行为”图像特征智能辨识。试验结果表明,本方法可在4 s内分别对真实火灾和受控火做出预警提示,有效解决大型古建筑火灾防控技术难题。

关键词： 雾天图像   图像语义分割   图像滤波器   卷积神经网络   图像处理  

摘要： 尽管基于深度学习的图像语义分割方法在传统的驾驶数据集上取得了很好的效果,但针对雾天条件下的低质量图像的语义分割仍然具有挑战性。针对此问题,提出了可学习图像滤波器LIF模块,旨在利用不同雾浓度下驾驶场景图像的内在特征,改进雾天驾驶条件下的图像语义分割。LIF模块由超参数预测模块HPM和图像滤波模块IFM组成,IFM中滤波器的超参数由HPM预测得到。以端到端的方式联合学习HPM和语义分割网络,确保了HPM可以学习适当的IFM参数,以弱监督的方式增强图像以进行分割。分别以DeepLabV3+、PSPNet和RefineNet作为基线模型,并在Cityscapes和Foggy Cityscapes的混合数据集上进行实验,基线模型加可学习的图像滤波器模块的MIoU分别为63.14%,60.45%和61.41%,相比基线模型的MIoU分别提升了3.03%,1.52%和1.69%,实验结果表明了该模型的有效性与通用性。

关键词： 卷积神经网络   目标检测   空间注意力   YOLOv7   海参苗计数  

摘要： 针对海参幼苗体型小、出售量大但计数不方便的问题,以大连市鑫玉龙养殖基地为样本采集地,构建了海参幼苗数据集。针对YOLOv7对海参幼苗识别精度不高的问题,对YOLOv7原生网络进行改进,添加了注意力机制;并对卷积神经网络模型进行改进,在卷积的输入特征图中新增对应的通道来表征特征图像素点的坐标,让卷积学习过程中能够一定程度感知坐标来提升检测精度;添加轻量化上采样算子,利用输入特征图来预测上采样核,每个位置具有不同的上采样核,然后基于预测的上采样核进行特征重组;提升小个体海参的识别精度。实验结果显示,基于改进YOLOv7的海参检测平均准确率为90.68%,比YOLOv3提高了9.79百分点,比Mask R-CNN提高了6.48百分点,比SSD提高了5.35百分点,比YOLOv7原模型提高了1.46百分点。结果表明,该方法能用于实现海参计数识别。

关键词： 无人机   目标识别   图像处理   深度学习  

摘要： 随着无人机技术的快速发展,其在农业监测、交通管理、自然灾害监测与救援以及环境保护等领域的广泛应用日益显著。在这些应用中,准确的目标识别技术是无人机执行任务的关键能力之一。本文深入探讨了无人机应用中的目标识别方法,包括传统图像处理和基于深度学习的智能识别技术。通过详细分析不同方法的原理、技术特点以及应用案例,揭示了目标识别在提升无人机自动化水平、支持数据驱动决策方面的重要作用,旨在为无人机目标识别技术的进一步研究和应用提供理论与实践的指导。