关键词： 车牌识别   图像处理   定位算法   字符分割   模板匹配  

摘要： 针对现有车牌识别算法存在的环境适应性差,识别正确率低和识别时间过长的问题,提出了一种基于模板匹配的车牌字符自动识别算法。将所采集的车牌图像进行车牌定位、车牌预处理、车牌分割,实现车牌准确识别。车牌定位采用基于颜色的定位方式,并搜索区域内有效像素,保证定位成功。为了提升去噪性能,车牌预处理过程中采用了离散余弦变换和形态学处理技术。为了提高分割精度,利用水平投影获取上下边界,再利用垂直投影获取字符宽度后分割。最后采用模板匹配法识别车牌字符,缩短了识别时间。实验表明该算法运行时间短,识别正确率达到100%。

关键词： 电力指针式仪表   自动读数   计算机视觉  

摘要： 电力指针式仪表在变电站内应用广泛、功能强大。然而,传统的人工读表方式效率低下,且在恶劣环境下读表准确性欠缺,故在电力智能化升级的背景下,针对指针式仪表开发自动读数算法显得尤为重要。因此,提出一种基于计算机视觉技术的电力指针式仪表自动读数算法,首先对采集到的仪表盘图像进行双边滤波降噪和灰度化的预处理,然后利用霍夫圆变换方法定位仪表盘边缘,运用霍夫直线变换拟合仪表盘上的指针和刻度线,最后通过角度法获得仪表盘读数。采集滁州变电站的避雷器组仪表图像进行验证,实验结果表明,该算法的平均绝对误差为0.02,平均相对误差为1.8%,在不同环境下均能实现高精度读数,可实现对人工读数的技术替代并赋能电力智能化巡检。

关键词： 图像处理   目标检测   YOLOv7算法   聚类算法  

摘要： 为解决水表示数自动识别问题,探索一种高效、准确的图像识别技术,以替代传统的人工读取方式。采用YOLOv7算法,结合图像处理技术,构建了一套自动化的水表示数识别系统。在水表公司内采集大量水表图片,以此为基础构建训练数据集。利用YOLOv7算法训练神经网络模型,实现对水表图像中关键元素(如水表字轮、整体水表及带指针的圆形分度盘)的精准检测。实验结果显示,该识别系统在识别水表字轮、水表整体及带指针圆形分度盘时的准确率(mPA@0.5)达到了97%,展现出卓越的性能。该系统不仅实现了快速检测,还确保了高准确率,显著提升了水表读数的效率与准确性。相较于传统的图像处理方法,基于YOLOv7算法的水表示数自动识别方法无需固定安装相机,对图像采集条件的要求更为宽松,因而具有更高的泛用性和实用性。该方法在水表等仪器仪表读数自动化领域具有重要的应用价值,有望推动相关行业的智能化进程。

关键词： 深度学习   目标检测   X光图像   违禁品检测   结构重参数化   损失函数  

摘要： 公共运输中X光违禁品检测对公共安全起到至关重要的作用,检测精度低会导致公共安全事故,检测速度慢会引发安检通道堵塞等问题,为了在检测精度和检测速度之间达到平衡,提出了使用结构重参数化与任务对齐的检测模型。首先使用对硬件友好的结构重参数化网络作为骨干网络,降低网络的计算复杂度,提高网络的推理速度。其次使用任务对齐检测头,使网络在进行分类和定位任务时可以联合训练,增强对抗前后景噪声干扰的能力。最后采用TSIoU作为损失函数,增强分类和定位任务之间的交互,降低损失函数的自由度,提高损失度的稳定性。在HiXray数据集上进行实验,结果表明,改进之后模型与基线模型YOLOv7相比,数据集中存在的前后景复杂问题得到明显改善,且mAP@0.5和mAP@0.5∶0.95达到了84.1%、 46.1%,相比于基准模型提升了1.8%和1.5%,FPS从原有的76帧提升85帧。提出的新网络与当前主流目标检测网络相比,具有较优的检测精度与实时性。

关键词： 大豆   玉米   种子计数   YOLOv8   Focal-IOU   数据增强  

摘要： 【目的】作物种子的重量是产量构成的重要因素之一,而传统百粒重/千粒重计算过程耗时、费力,急需一种快速测定作物种子数量、计算重量的方法。【方法】以大豆和玉米为研究对象,首先针对种子计数环境复杂、目标小以及密度大等问题,采用Albumentations库对数据集进行增强处理;然后通过对比YOLOv8的5个子模型,筛选出表现最佳的YOLOv8n模型,在此基础上用Focal-IOU替代CIOU损失函数,得到改进后的模型;最后将改进后的模型与多种经典目标检测模型作对比。【结果】改进后的模型在大豆和玉米种子计数上的平均精度mAP50-95分别达到88.78%和86.89%,比原模型提高了1.29%和0.51%,且性能显著优于YOLOv5、SSD等目标检测模型。此外,改进后的模型在2种作物测试集上的平均绝对百分比误差(MAPE)分别为0.035%和0.045%,每秒帧率分别达到70.17和100.41。【结论】改进后的模型在大豆玉米种子计数上的结果与实际数量差异不显著,实时处理速度快,研究结果可以满足考种中百粒重和千粒重计算对种子的计数需求。

关键词： 大黄鱼   表型参数   Mask-RCNN   边缘提取   关键点定位  

摘要： 为解决目前大黄鱼(Larimichthys crocea)表型参数测量研究大多只针对鱼体长度进行测量,对重要的细节如尾柄参数测量的研究较少,且人工测量方法费时费力的问题,本研究提出一种基于改进Mask-RCNN的大黄鱼表型参数测量模型。模型的改进从检测速度和检测精度两个角度出发,首先以MobileNetV2网络替换原始主干网络提升检测速度,之后引入混合注意力模块CBAM,并结合Point Rend算法提高鱼体边缘提取精度。模型得到去除鱼鳍图像后与完整轮廓图像进行融合,通过关键点检测算法在融合后的图像中自动定位关键点位置,并计算各表型参数数据。在测试集中,最优的算法模型对6个待测量参数的总平均相对误差为4.04%。对尾柄附近长度与高度测量的平均相对误差为5.93%和5.09%。对不同大小的大黄鱼各项参数的测量平均绝对百分比误差不超过7%。本研究为大黄鱼表型参数测量提供了新的方法,为提高测量效率提供了新的思路。

关键词： 深度学习   水果品质检测   YOLOX   目标检测   注意力机制  

摘要： [目的]解决现阶段深度学习技术在检测水果品质时检测精度不高的问题,提出了以SE和CBAM注意力机制模块改进的YOLOX目标检测算法。[方法]选取苹果、香蕉、橙子几种常见的水果作为检测的对象,构建水果数据集,采用LabelImg工具进行标注,进行模型训练,得到性能优异的水果品质检测与分类网络模型。[结果]经过实验可以得出改进后的YOLOX模型平均检测精度值为96.2%,与YOLOv3、YOLOv4、YOLOv5、原始YOLOX相比分别提高了2.4个百分点、2.0个百分点、3.0个百分点、0.6个百分点。[结论]该模型具有较好的检测性能,可为实际农业场景下的水果检测提供参考。

关键词： 图像处理   算法   深度学习   放射影像   脑血管   血管分割  

摘要： 在颅脑血管相关疾病的预防和诊断中,基于放射影像的血管分割是实现其准确诊断的重要前提。从前基于二维影像进行人工勾画的血管轮廓被认为费时费力且准确率较低,目前基于三维放射影像的半自动或自动血管分割算法在一定程度上提高了分割精度。本文聚焦颅脑血管成像领域较为先进的基于传统算法和与深度学习算法相结合的混合算法两大类图像处理方法,其中基于传统算法的图像处理较为基础且常见,而基于深度学习算法的图像处理则还处在逐步走向成熟阶段。笔者通过列举近几年具有代表性的基于放射影像的颅脑血管分割与提取算法,描述采用的图像信息和算法的准确性、鲁棒性和效率等,在深入了解其现状的基础上展望颅脑血管分割领域未来的发展方向及研究重点。

关键词： 注意力机制   缺陷检测   特征提取   特征融合   生成对抗网络   计算机视觉  

摘要： 表面微小缺陷具有尺度小、对比度低和样本数量不足等特点,导致基于深度学习的缺陷检测精度低和漏检率高,故基于视觉的表面微小缺陷检测一直是一项具有挑战性的工作。研究发现,增强网络模型特征提取能力、减少特征丢失或梯度消失以及采用注意力机制关注图像中重要的区域有利于提高表面微小缺陷的检测精度。该文系统分析了能够有效提高表面微小缺陷检测精度的ResNet、DenseNet、FPN等网络结构,总结了注意力机制在表面微小缺陷检测中的应用,分析了生成对抗网络(generative adversarial networks,GAN)针对表面微小缺陷样本不足问题的解决方案和具体应用,全面总结了微小表面缺陷检测中有效的网络结构和解决机制。

关键词： 家用机器人   多功能捡拾   计算机视觉   项目式教学  

摘要： 随着人工智能和物联网技术的发展,家庭智能清洁机器人逐渐成为家庭助手的重要组成部分。首先阐述了捡拾机器人的应用背景和研究意义,详细介绍了机器人的系统架构和关键技术。在系统架构方面,采用树莓派作为主控制器,利用计算机视觉技术进行物体识别,并结合SLAM技术实现自主导航。在关键技术方面,采用计算机视觉识别和分类家庭物品,SLAM技术则支持机器人在未知环境中的实时定位和路径规划。对捡拾机器人的机械结构进行了优化设计,使其能够适应不同形状和大小的物体,并通过“扫入”方式提升捡拾效率。此外,还采用了视觉传感器和导航技术,实现了实时地图构建和更新。本研究为基于机器人实践竞赛的项目式教学,展示了一种创新的机器人设计思路,为家庭机器人领域提供了新的设计方向,并拓展了机器人的应用范围。通过实验验证,捡拾机器人能够在多种家庭环境中稳定工作,展现出较高的准确性和可靠性,相较于传统清洁工具,具有显著的创新性和实用性。