关键词： 电力材料   水平运输   智能化   机器视觉   图像处理  

摘要： 随着电力行业的快速发展，其对电力材料的运输效率和安全性提出了更高的要求。针对传统电力材料水平运输过程中存在效率低、人工成本高、安全性差等问题，本文设计了一种基于机器视觉的电力材料水平智能化运输设备，对设备的机械结构进行了设计，还构建了基于机器视觉的控制架构，并对其进行了硬件平台搭建和软件算法设计，重点研究了图像清晰化预处理技术，最终验证了本文所设计设备的有效性和可靠性。本研究旨在提高视觉系统的鲁棒性和精度，实现电力材料的自动化、精准化运输，并提高其运输效率和安全性。

摘要： 本期继续介绍具有民族风格特征的大型冰雕的拍摄和后期编辑技法,关键是针对不同材质的表现以及环境气势的营造。案例:具有中国特色的洪钟大吕图1是经后期编辑处理后的洪钟大吕效果图,图2是拍摄的原片。此片用32mm镜头焦距拍摄,拍摄时段较早,天空还未进入蓝调时刻,原片呈灰色状态。大钟的支架是木质材料,虽经油漆,红色的柱架也有灯光照明,但与其他冰雕内部透射光造型相比仍显得比较灰暗,此造型是整个冰雕展中唯一一个非冰块为主的造型,只有基座是由冰块垒积而成,拍完后即感觉需在后期将红色柱架与铸铁大钟加以突出强调,遂逐步形成了后期编辑的方向与思路。

关键词： 多无人船   分布式协同控制   目标跟踪   最佳跟踪点  

摘要： 针对海上船舶目标跟踪中无法应对目标航向大角度突变的情况，提出了一种多无人船分布式协同跟踪策略。建立协同目标跟踪任务模型，按照与目标间的距离将跟踪任务分段，分别采用卡尔曼滤波器结合速度障碍法的追击策略和分布式模型预测控制的跟随策略。通过仿真验证，所提策略能够令多船系统实现快速追击并维持长时间跟踪。相较单无人船，多无人船协同跟踪能够有效应对更大的目标航向突变范围以及更快的目标航向变化频率，维持更好的稳定跟踪效果。

关键词： 目标检测   角点检测   深度学习   边坡监测   铁路防灾  

摘要： 通过对现有边坡监测技术进行对比分析，提出了基于目标检测算法的铁路边坡智能监测系统的整体设计思路。系统利用特征目标检测、角点检测与匹配等深度学习算法，实现对铁路边坡位移的监测，并能及时、准确地发出灾害预警和报警信息，并启动紧急处置预案，避免因边坡崩塌落石对铁路线路和行车安全造成影响。

关键词： 深度学习   目标检测   PCBA   抓取   机器视觉  

摘要： 针对PCBA部分元件的贴片辅助部件移除任务中程序多导致效率、维护性能低，柔性生产线适配低的问题，结合视觉AI和深度学习，提出一种包含机器视觉、西门子PLC控制和EPSON 4轴机械手的PCBA贴片辅助部件识别定位与抓取系统。首先，利用YOLOv8目标检测算法对PCBA进行识别，识别电子元件的类型；然后，利用OpenCV对电子元件的位置进行校准和定位；最后机械手按计算出的最优路径完成抓取工作。该系统可以实现同一程序适配产线多种类型PCBA产品，已应用于某企业的实际流水线生产，结果表明该系统自动化程度高，运行可靠，提高了柔性生产线的适配性和效率，具有较高的推广应用价值。

关键词： 目标检测   YOLOv5   水果种类   成熟度   机器学习  

摘要： 在水果的采摘加工等环节中，水果种类的快速识别与成熟度的准确分级是提高生产效率的关键。设计了一种基于YOLOv5的算法模型，以实现对苹果、葡萄、草莓、柿子类圆形水果的自动识别与分级。首先，构建一个目标检测模型，通过采集大量的类圆形水果图像数据对模型进行训练；其次，通过尺寸调整和色彩调整等数据增强技术，增加类圆形水果数据的多样性，提高模型的泛化能力；最后，根据水果的大小、颜色等特征实现对类圆形水果的自动分类及其成熟度有效的判断。经验证，算法能够从图片、视频中成功地识别到苹果、葡萄、草莓、柿子这四种水果的类别以及三个等级的成熟度，所得结果可以帮助用户更加方便地进行后续的处理与销售。

关键词： 目标检测   多尺度卷积核   坐标注意力   EIOU损失函数  

摘要： 目前，目标检测和识别技术正在迅速发展。在公共场所，犯罪活动日益多样化，给社会治理带来了重大挑战。本团队设计了YOLOv10-EN检测网络，以满足公安实战应用的需要。在模型的主干和颈部网络部分设计了多尺度卷积（MSConv）模块，以在不同的感受野下捕获多个尺度的空间特征，增强模型对目标的适应能力。在主干网络输出PSA模块引入坐标注意力机制，通过一维全局池化分别聚合水平和垂直方向的特征信息，捕获长距离依赖关系，强化全局语义信息，形成方向感知的全局表征。同时，坐标注意力机制在表征方向向量上保留了池化操作结果的位置信息，以进行特征编码，实现精准的目标建模，从而提升定位精度，降低模型尺寸与计算开销。在C2f模块的Bottleneck部分引入残差连接与多尺度卷积机制，依托残差连接跳跃结构优化信息流传递，缓解梯度消失与爆炸，实现高效的特征融合，同时采用多尺度卷积捕获不同感受野的特征信息，进一步增强网络的多尺度适应与特征表达。在模型训练期间引入EIOU损失函数，以提升边界框回归的精度和收敛速度。实验结果表明，YOLOv10-EN检测网络在F1得分、mAP@0.5、模型参数量、计算开销这4项关键指标上均有所提升。对比YOLOv10n基线模型，所提模型的F1得分、mAP@0.5分别增长6.25%、6.46%，模型参数量与计算复杂度分别下降20.45%、22.97%。实验结果表明，YOLOv10-EN网络可在实现轻量化的同时实现更为精准的检测效果，满足边缘移动设备的便携式部署要求。

关键词： 深度学习   目标检测   工业缺陷   微小目标缺陷检测   多尺度特征  

摘要： 在“工业4.0”与“中国制造2025”战略的推动下,工业制造智能化程度不断提升,工业缺陷检测是保障产品质量与生产效率的关键环节。由于传统工业缺陷检测方法存在检测结果不一致、效率低、成本高以及应对复杂场景时适应性差等问题,因此基于深度学习的缺陷检测技术凭借其自动特征提取、抗干扰能力强等优势备受关注。但面对工业产品复杂度提高带来的缺陷检测难题仍需改进,本文主要研究内容和取得的创新性成果如下: 1.针对传统YOLOv5模型在印刷电路板(printed circuit board,PCB)缺陷检测中存在的漏检率高、特征提取困难、检测精度低等问题,提出一种改进的YOLOv5-GCBNet模型算法。该模型算法将全局上下文网络结构替换YOLOv5s骨干网络的C3模块,增强对缺陷目标特征和位置信息的捕获能力;在颈部网络中构建加权双向特征金字塔网络连接方式,减少特征信息丢失,提升微小目标缺陷检测精度;采用DIo U Loss作为损失函数,提高回归精度。并在北大公开PCB数据集上实验,该模型平均精度值(mean Average Precision,m AP)达到97.5%,相比YOLOv5s提升了2.6%。在Deep PCB数据集上进行泛化验证实验,改进后模型的m AP达到98.6%,相比YOLOv5s提升了2.0%。YOLOv5-GCBNet模型算法有效解决了PCB微小目标缺陷漏检、特征提取困难和检测精度低等问题。 2.针对钢材表面缺陷尺度不均匀且易与背景混淆导致小尺度目标缺陷容易漏检,大尺度目标检测准确率低的问题,提出基于多尺度特征融合的RHF-YOLOv8模型算法。该模型算法使用基于通道混洗的一次性聚合重新参数化卷积模块取代YOLOv8s的C2f模块,增强特征提取能力并减少计算负担;将基于分层尺度的特征金字塔网络替换颈部网络,改善多尺度特征融合效率,提升小尺度目标检测能力;将感受野感知检测头融入YOLOv8s,增强对复杂背景和大尺度变化的鲁棒性。在NEU-DET数据集实验中,该模型算法的m AP达到77.2%,相比原始YOLOv8s提升4.4%,有效解决了小尺度目标漏检与大尺度目标检测精确率不足的问题。

关键词： 不同花生叶斑病   高光谱技术   图像分类   目标检测  

摘要： 花生作为重要的油料和经济作物,因其高蛋白和高油脂等优良营养特性,在农业经济中具有举足轻重的地位。然而,在花生种植过程中,由于气候波动及病原真菌侵染,叶斑病(主要包括褐斑病、黑斑病和网斑病)频繁发生。该病害通过破坏叶片光合作用系统,导致植株早衰和荚果发育异常,从而可能造成20%-50%的产量损失,对油料作物的稳产保供构成严峻挑战。因此,开展病害精准识别技术与绿色防控体系的研究,对于保障国家粮油安全和推动花生产业的可持续发展具有重要现实意义。本文以不同花生叶斑病为研究对象,旨在实现不同场景下叶斑病类型的精准识别。主要研究内容如下: (1)不同花生叶斑病多源数据集构建。采用SOC710E高光谱成像仪获取褐斑病、黑斑病、网斑病及健康叶片的高光谱数据(374～1050 nm)共945条。利用智能手机在自然光照条件下分别采集单叶尺度(1868张)和冠层尺度(2589张)RGB图像,涵盖不同天气、拍摄角度及病害发展阶段。采用不同数据增强方法扩充图像数据集,为后续模型构建奠定数据基础。 (2)基于高光谱数据的不同花生叶斑病分类方法研究。首先利用ENVI 5.3软件提取高光谱数据并利用标准正态变量变换、多元散射校正(Multivariate Scatter Correction,MSC)和平滑滤波结合一阶求导方法降低光谱数据中的噪声,同时探讨了不同数据划分策略对模型性能的影响。随后利用连续投影算法、竞争性自适应重加权算法(Competitive Adaptive Reweighted Sampling,CARS)和随机蛙跳算法进行特征波长筛选。实验结果表明,MSC-CARS-Cat Boost模型构成最优技术路线,测试集的准确率和Kappa系数最高,分别为95.77%和94.20%。 (3)基于单叶尺度的不同花生叶斑病分类模型研究。针对病斑形态相似导致分类难度较高的问题,本文构建了一种改进的Res Net50模型。通过实地采集获取单叶图像共1868张并利用数据增强技术扩充至9340张。首先选取Res Net50模型作为基线模型,结合SGD、Adam优化器以及不同学习率的组合进行参数优化。接着在Res Net50模型网络结构的每组残差模块后嵌入卷积块注意力机制(Convolutional Block Attention Module,CBAM),以提升特征提取能力。最后,将余弦退火学习率引入Res Net50模型动态调整学习率提升模型训练效率。实验结果表明,构建的CBAM-Cos-Res Net50模型表现最佳,其准确率、精确率、召回率和F1 Score,分别为98.39%、98.42%、98.46%和98.44%。 (4)基于冠层尺度的不同花生叶斑病实时检测研究。针对不同病害症状相似、病斑体积小、分布密集等检测难题,本文提出了一种改进的YOLOv8s实时检测方法。通过实地采集获取冠层图像共2589张。对原始数据集进行数据标注,最终构建了包含28698个病斑实例的数据集。首先选取YOLOv8s模型作为基线模型,结合SGD、Adam优化器以及不同学习率的组合进行参数优化。然后,对YOLOv8s模型进行改进,改进方案包括增加P2小目标检测层、采用C2f CIB模块替换原C2f模块、利用SCDown模块优化下采样过程以及引入C2PSA模块提升特征提取能力。实验结果表明,改进后的PCSC-YOLOv8s模型在复杂背景下实现了91.2%的平均精度均值(mean Average Precision,m AP),同时模型的参数量仅为9.15M,满足不同病害分布条件下的精准检测需求。

关键词： 物联网   监控视频   实验室安防   目标整合   跟踪方法   图像处理  

摘要： 实验室环境中，复杂光照、目标快速移动或低帧率视频都可能导致图像模糊，增加跟踪难度。当目标快速移动或方向多变时，其运动不连续及视频帧率限制使得逐次逼近法仅能通过离散的采样点或帧间数据进行目标定位，相邻帧间目标位置变化显著，导致轨迹中出现离散空白，难以形成连续的轨迹，影响跟踪精度。为此，文章提出了一种基于物联网监控视频增强的高校实验室安防目标跟踪方法。该方法通过滤波器将视频帧划分为不同尺度的图像块，提取多尺度特征目标，增强特征提取的鲁棒性。利用单尺度Retinex算法对图像像素点进行校正，确定模糊跟踪目标，消除光照不均对图像质量的影响。并通过期望输出匹配目标进行对照，实现单尺度像素匹配。结合斜率监测和自适应图像分割与搜索，采用逐次跟踪逼近的方法逐步逼近并定位运动目标。采用插值计算方法，结合二次跟踪逼近结果和动态变动角度描述，设计插值安防目标跟踪矩阵，填补轨迹中的离散空白，生成连续、平滑的目标轨迹，实现对实验室范围内目标的精准定位和跟踪。实验结果表明：该方法得出的均方根误差被控制在3 mm以下，表明其对跟踪精度具有重要作用。