关键词： 印刷电路板   目标检测   YOLOv8   SRGAN   HGNet＿v2   GhostConv   注意力机制   损失函数   OpenCV  

摘要： 随着全球电子设备需求的持续增长,印刷电路板(PCB)作为电子设备的核心组件,其产量也在不断攀升。在工业场景下,大规模生产PCB和检测其表面缺陷成为了研究的热点。然而,在设备算力和存储资源有限的情况下,实现快速且精确的缺陷检测十分困难。在生产过程中,如果采集到的图像分辨率过低,会影响检测结果。基于深度学习的图像增强策略和目标检测技术为PCB表面缺陷检测提供了一种有效的方法,但现有的图像增强策略和检测模型存在精度有待提高,且占用的体积和计算资源较大的问题。为了解决这些问题,本研究选择了YOLOv8n和SRGAN作为基本模型,针对性的进行改进,并开发了一套印刷电路板缺陷检测软硬件平台,具体研究内容如下: (1)针对数据集的样本较少且多样性差的问题,本研究将公开数据集与企业自制数据集融合,并引入数据增强技术,对自制数据集进行重构。基于SRGAN模型,构建了针对PCB缺陷图像的SRGAN-P超分辨率网络模型,在残差网络架构中融入注意力模块,强化边缘特征的提取能力;同时将激活函数替换为Swish函数,以有效缓解梯度消失问题。与基础SRGAN模型对比,改进后的SRGAN-P网络使PSNR提升1.331dB,SSIM值提高0.027,显著增强了图像质量。 (2)针对YOLOV8n网络参数量和计算量较大的问题,设计了YOLOv8n-Edge轻量级检测网络。设计主干网络时,首先利用HGNetv2轻量化主干改进YOLOV8n网络,有效减少了计算量和参数量;随后采用幽灵卷积模块优化HGNetv2主干网络中的HGBlock模块,替换其包含的大量普通卷积,在轻量化和精度之间实现平衡。其次利用卷积模块参数共享机制,设计了轻量化检测头Head-Lite。改进后的YOLOv8n-Edge相较于YOLOV8n模型,mAP虽然下降了0.5%,但实现了参数量下降66%,计算量下降42%。 (3)针对轻量化改进带来的精度下降问题,通过优化注意力模块和损失函数,构建了YOLOv8n-EA(Edge-Attention)检测模型。首先在网络中嵌入坐标注意力模块(Coordinate Attention,CA),通过增强空间位置信息与通道信息的融合,显著提升了小目标检测的精度和细节捕捉能力,同时保持较低的计算复杂度。其次,损失函数作为轻量化检测模型提高检测精度的重要方式,最后改进模型的损失函数,结合MPDIoU和Inner-IoU损失函数的优点,设计了Inner-MPDIoU损失函数,相较于YOLOv8n模型,mAP提升了2.95%,参数量下降44%,计算量下降了45.98%,实现了性能与效率的协同提升。 (4)基于上述研究,开发PCB缺陷检测平台,首先搭建视觉检测硬件系统,优选关键部件;随后设计软件界面,研究数据传输方式及通信协议,构建检测框架。利用Python结合QT Designer开发了“印刷电路板缺陷智能检测系统”,实现对PCB表面六种缺陷的实时监测。最后,通过实验验证系统的实际性能,设计了漏检自动评估代码输出漏检率,结果显示本文算法在检测精度和速度上表现出色,充分满足实际应用需求。

关键词： 计算机视觉   特征匹配   定位识别   深度学习  

摘要： 阐述针对电力设备智能巡检中的设备识别与热状态检测需求，探讨基于图像处理与深度学习相结合的解决方案。重点分析图像去噪、增强及特征提取匹配等关键技术，并建立适用于电力设备监测的特征提取算法与匹配模型。

关键词： 机场场面   目标检测   多尺度结构   任务对齐   特征解耦  

摘要： 目标检测是计算机视觉领域的重要任务,子任务分类和定位分别用于预测目标的类别和目标边界框。在智慧民航建设中,机场场面监视是确保机场场面运行安全、高效的核心工作,主要涉及对飞机、车辆、人员等活动目标的实时监控与协调、冲突预警等。机场场面目标检测技术具有重要应用价值,是保障机场运行安全的关键技术。机场地域广阔存在显著的尺度差异,停机坪、廊桥、指廊等附属设施带来复杂的背景干扰和遮挡问题,这些都给飞行器检测带来挑战。此外,飞行器是一种外观复杂的翼展目标,对于分类任务而言,更关注于包含丰富语义信息的主体机身;而对于定位任务,则更关注飞机的边缘,如机翼位置。使用相同位置的特征进行分类和定位预测,引起的两任务的特征错位问题将会影响检测性能。 针对上述问题,本文提出了一种面向机场场面的任务对齐目标检测网络,以提升目标检测的鲁棒性和精度。本文的主要工作包括: 1)数据集的构建:设计和构建了机场场面检测数据集AGVS-R(Airport Ground Video Surveillance-Recognition),数据集目前包含5050张机场场景的图像,主要包含飞机、车辆和人员三个类别,对于单一机场场景,采集图像涵盖了机场环境的多种挑战,包括多尺度、遮挡、复杂背景、光照变化、天气变化等。 2)机场场面目标检测网络设计:针对机场场面目标尺度差异大、复杂背景干扰的问题,设计了一种面向机场场面的多尺度特征融合目标检测网络。设计了多尺度特征融合网络增强模型对不同尺度目标的特征提取能力;动态融合模块动态调整不同层的特征融合比例,有利于不同层之间特征的传递;跨维度联合注意力模块有效抑制了背景干扰,提高了目标特征的表达能力。网络在AGVS-R机场检测数据集上的飞机类别检测精度m AP达到了62.6%,相较于基础方法Retina Net提升了3.2%,验证了网络在复杂机场场景中的有效性。 3)任务对齐目标检测方法:为解决分类和定位任务的特征错位问题,提出了一种基于特征解耦的任务对齐目标检测算法。该方法首先利用任务对齐空间解耦模块分别针对分类任务和定位任务进行特征空间解耦,该模块对原来的特征耦合特征图进行任务特定的特征变换,自适应地定位任务敏感区域,实现特征对齐。然后通过预测对齐模块进一步对预测结果进行微调,以优化最终的检测性能。算法在提出的机场场面目标检测网络的基础上检测精度再提升了2.1%。

关键词： 输电线路   目标检测   轻量化   运动模糊   YOLOv8  

摘要： 近年来,无人机技术快速发展,已逐步取代人工成为高空输电线路巡检的主要手段。然而,受算法精度不足、背景复杂及计算资源限制的影响,误检和漏检问题依然存在。为此,本研究提出一种轻量化目标检测方法,并设计了适用于输电线路巡检的智能检测系统。该系统通过优化算法架构,在有限资源下实现高效精准检测,提升了无人机巡检的可靠性和实用性,为输电线路智能化运维提供了技术支持。本研究的主要工作包括以下几个方面: (1)针对输电线路数据集稀缺且缺乏多样性的问题,提出了一种基于DCGAN的改进生成对抗网络LRDCGAN。通过在生成器和鉴别器中引入创新的残差网络和LSKA注意力机制,增强模型对图像中长距离依赖关系的捕捉能力,从而提升数据扩增的效果,进一步提高了模型的泛化能力。 (2)针对无人机高速飞行导致的运动模糊问题,提出了一种基于DeblurGANv2的改进去模糊方法,分别优化了生成器和鉴别器。在生成器中,通过将主干网络替换为GhostNetV3,使模型更加轻量化;为进一步提升生成器的特征提取能力,引入CPCA特征提取模块,调整特征图中不同通道和空间位置的权重,增强模型对全局和局部特征的表达能力;在鉴别器中,对PatchGAN架构进行优化,引入全局特征和局部特征的双尺度判别器,增强鉴别器的鉴别能力。实验结果表明,与原始DeblurGANv2模型相比,本研究提出的方法在去模糊效果上取得了显著提升,PSNR指标达到29.18,SSIM指标达到0.920,有效提升了图像去模糊的质量。 (3)针对无人机在线巡检对检测精度要求高且计算资源有限的问题,本研究提出了一种基于YOLOv8n的轻量化目标检测模型YOLO-Lite,并对原网络结构进行了优化改进。为降低模型计算量并提升检测速度,设计了轻量化的C2f-Faster-EMA模块以替代主干网络;为更准确地评估预测框与GT框之间的匹配程度、加快网络收敛速度,引入了 Shape-IoU损失函数;为增强模型对遮挡区域的特征提取能力,提升其在遮挡场景下的检测效果,设计了多头注意力机制Detect-SAME。实验结果表明,相较于原始YOLOv8n模型,所提模型在小目标、遮挡目标和复杂背景等场景下具有较强的鲁棒性,检测精度达到了 97.5%,同时计算量减少19.7%。 (4)基于上述研究,设计了一个输电线路目标检测系统。系统采用Xavier NX嵌入式处理器,并通过TensorRT对神经网络进行推理优化,显著提高了实时检测效率。系统集成YOLO-Lite算法,具有较高的检测精度和较低的计算需求,适合嵌入式平台应用。同时,开发了简洁直观的检测界面,便于操作人员实时监控和处理检测结果。

关键词： 深度学习   目标检测   手势交互   YOLOv8   注意力机制  

摘要： 手势交互是智能电视新型人机交互方式之一,具有操作简单,适用普遍的特点,不会因文化差异造成操作障碍。然而在智能电视手势交互过程中,由于误检问题的存在,导致系统仍会出现误控情况,影响交互时的体验,以及系统存在检测成本过高和模型复杂度较大的问题。针对这些问题,本文将基于单目相机对智能电视手势交互操作控制展开研究,主要研究工作如下: (1)智能电视手势检测算法研究。针对智能电视手势交互场景中存在误检产生误控问题,提出基于YOLOv8n-RF的手势检测算法。该算法结合RepViT Block、DSConv及EMA技术,采用CRVB-DSConvEMA与SPPF-DSConvEMA模块分别替换原C2f及SPPF模块,通过迭代策略控制卷积核的移动并对空间语义特征进行分组处理,确保感知区域连续,深度挖掘手势运动过程中信息多样性,以及利用额外权重增强特征提取能力,减少细节特征流失加强颈部网络对语义信息特征层中的空间信息关注度。实验表明,在Remote Finger数据集上YOLOv8n-RF算法相较原算法,mAP提高1.23%,误检率降低22%;在Ha GRID数据集上,mAP提高0.84%,误检率降低25%,有效抑制了因错误手势与预定义手势指令相似而导致的误检和误控问题。 (2)智能电视手势轻量化检测算法研究。为减少内存占用及模型计算量,降低模型复杂度,对YOLOv8n-RF算法作轻量化处理。通过DWConv将传统卷积拆分为逐点卷积及深度卷积,解决自身检测头参数量过大的问题,并利用Inner-SIoU损失函数灵活调控辅助边界框尺度范围,依据LAMP分数差异对模型进行全局剪枝操作进一步使其轻量化。实验表明,YOLOv8n-RF算法经过轻量化处理后相较于YOLOv8n,Model Size减少了3.21M,GFLOPs减少了4.1,有效减少内存占用和模型计算量。 (3)智能电视手势交互操作控制研究。为确保系统移植泛化性以及跨平台性,构建智能电视手势实时交互平台。该平台通过轻量化YOLOv8n-RF算法实时感知手势动作变化,分析手势特征在成像上面积、宽度或高度的动态波动,根据该波动调动系统控件,将特定手势指令映射为控制指令,增强智能电视人机交互的自然性。 本文在上述三个研究基础上,设计了智能电视YOLOv8n-RF手势检测模型,基于该模型的人机交互系统,开展了仿真对比实验。实验结果表明误检被有效抑制、模型复杂度有效降低、以及确保了系统移植的泛化性和跨平台兼容性。

关键词： 计算机视觉   桥梁裂缝   YOLOv11   Sobel边缘检测   几何参数测算  

摘要： 在交通强国建设进程中,桥梁作为关键交通基础设施,面临着裂缝问题带来的结构安全与服役性能挑战。现有的公开数据集因难以覆盖特定环境中的裂缝类型与图像特征,无法满足实际应用的需求;人工检测裂缝存在成本高、效率低等弊端,且传统算法在复杂背景下对细微裂缝的检测精度欠佳;同时,传统几何测量方法在裂缝长度、宽度与面积估算中精度不足、适应性差,难以满足工程应用的要求。 针对上述问题,本文开展了三方面工作。一是构建了桥梁裂缝图像数据集,通过实地拍摄6座混凝土桥梁,利用Photoshop切片处理获得1017张640×640像素子图像,并使用Label Img工具精确标注裂缝区域,按7:1:2划分数据集,为模型训练提供坚实数据支持。二是设计了SCAD-YOLOv11模型,并在原始结构中引入C3k2＿SCConv、C2DA和ASF-Dy Sample三个模块,提升了特征提取灵活性、多尺度目标感知能力及空间信息捕捉能力,使模型适应复杂背景下细微裂缝识别,显著提高检测精度。三是采用图像处理技术精确测量裂缝几何参数,首先通过Sobel边缘检测算法获取裂缝的长度,其次通过采样策略测量了裂缝的宽度,最后通过像素法、向量叉乘法和鞋带法计算得到了裂缝面积,从而实现高精度定量分析。 实验结果表明,结合深度学习与图像处理技术的方法显著提高了裂缝检测的效率与准确性,为桥梁裂缝自动化检测、监测与修复提供了有力支持。 该论文有图41幅,表6个,参考文献57篇。

摘要： 低空对地监控是我国公共安全监控和人民安全防护的重要手段，机载探测感知系统与技术是低空对地监控能力实现的核心要素。太赫兹雷达成像为全天候、视频级、高分辨监视提供新的技术与装备，为交通监控、应急救援、安防反恐等领域提供可靠信息来源。如何基于机载太赫兹雷达视频中的动/静目标信息，进行重点区域目标检测、识别、跟踪，值得深入探索。此外，视频SAR与可见光、红外宽谱段集成，还可以视频级高刷新率实现低空对地多模态、高精度感知，多模态传感信息集成将有力提升重点目标识别跟踪鲁棒性。本专题拟对以上问题进行探讨。一、征稿范围

关键词： 目标检测   可切换空洞卷积   特征金字塔网络   神经架构搜索  

摘要： 针对复杂交通场景下密集车辆检测存在的目标遮挡、尺度变化大等难题，提出一种基于改进RetinaNet的车辆检测算法SN-RetinaNet。该方法首先在特征提取网络中引入可切换空洞卷积模块，通过动态调整感受野增强多尺度特征提取能力；其次结合神经架构搜索技术优化特征金字塔网络结构，提升算法对不同尺度目标的适应性；最后提出一种基于统计先验的锚框比例优化策略。在SODA10M数据集上的试验结果表明，此方法平均检测精度(mAP)达到48.7%,较基准方法提升3.7个百分点。研究结果为智能交通系统中的车辆检测任务提供了有效的解决方案。

关键词： 多尺度特征融合增强模块   改进CNN网络   动态注意力机制   小目标场景   自适应锚框  

摘要： 针对已有方法存在的图像小目标检测精度低、漏检率大等问题，文章提出了小目标场景下基于改进CNN网络的图像目标检测研究。为改善传统CNN网络模型的缺陷，例如特征丢失、锚框设计失配等缺陷，对CNN网络模型进行改进与优化，即在卷积模块添加轻量化卷积堆叠结构，在池化模块添加动态注意力机制，使锚框模块应用自适应锚框技术。将待检测小目标图像输入至训练好的改进CNN网络模型中，通过卷积模块获取融合特征图，利用池化模块对特征图进行进一步的处理，突出小目标特征区域，自适应锚框获取小目标预测框，并计算预测框置信度，基于输出模块判定小目标类别，从而实现研究目标。对比实验结果显示：设计方法应用后图像小目标检测结果与图像小目标实际标注情况一致，图像小目标漏检率最小值达到了0.11%。