关键词： MED算法   光照量校正   计算机视觉   图像识别   表面缺陷  

摘要： 研究旨在提出一种基于计算机图像识别的工件表面缺陷检测方法,以实现自动化的缺陷检测和分类。研究通过基于亮度均衡的光照量校正图像处理方法,以消除不同光照条件对图像质量的影响,采用自适应混合中值滤波(Median filtering,MED)算法进行图像降噪处理,并提出了一种基于支持向量机的工件表面缺陷识别分类模型。实验结果表明,亮度均衡光照量校正将图像整体亮度均衡度约提升了30%。相比于MED,自适应MED和混合MED可以将图像信噪比提升5%和8%,将图像结构相似性提升0.1和0.2。分类模型的识别率和准确率平均值分别可达99%和98%。结果表明,该方法可以有效地提升图像质量,降低噪声干扰,实现高精度的缺陷识别和分类。

关键词： 深度学习   农作物图像识别   卷积神经网络   目标检测  

摘要： 农作物图像识别是一项重要的农业技术,它能够通过分析农田中的图像数据来快速、准确地识别不同作物的生长状态和健康状况。随着深度学习技术的快速发展,基于深度学习的农作物图像识别研究取得了显著的进展。梳理近年来该领域的研究进展,总结不同深度学习模型在农作物图像识别任务中的应用。首先,回顾农作物图像识别技术的发展进程,从基于特征选择的传统方法到近年来基于深度学习的方法;其次,讨论神经网络、生成对抗网络、目标检测、知识蒸馏等深度学习算法在农作物图像识别中的应用,包括对不同农作物品种、病虫害和生长阶段的识别;最后,分析该领域存在的问题与挑战,并提出未来可探索的研究方向,进而为农业科技的进一步发展提供参考,促进农作物图像识别技术的应用和推广,推动我国农业生产的智能化和可持续发展。

关键词： 计算机视觉   数据机房   设备安全   巡检方法  

摘要： 针对现有计算机机房巡检方法过于复杂、工作效率低、易出错等问题,文章结合计算机视觉技术,提出了一种新的安全巡检方法。该方法先通过计算物方感兴趣立方体,从多维信息决策技术支持库当中获得相应坐标信息,并利用高斯滤波算法实现对图像滤波处理,从而提取巡检时机房设备的状态信息,以此实现对机房设备状态的安全巡检和管理。该方法能够准确、高效地检测机房设备异常情况,为机房安全管理提供有力的技术支持。

关键词： 自动驾驶   单目3D目标检测   Contextual Transformer   多尺度感知   坐标注意力机制  

摘要： 针对当前单目3D目标检测中存在的漏检和多尺度目标检测效果不佳的问题,提出了一种基于Contextual Transformer的自动驾驶单目3D目标检测算法(CM-RTM3D)。在ResNet-50网络中引入Contextual Transformer(CoT),构建ResNet-Transformer架构以提取特征。设计多尺度空间感知模块(MSP),通过尺度空间响应操作改善浅层特征的丢失情况,嵌入沿水平和竖直两个空间方向的坐标注意力机制(CA),使用softmax函数生成各尺度的重要性软权重。在偏移损失中采用Huber损失函数代替L1损失函数。实验结果表明:在KITTI自动驾驶数据集上,相较于RTM3D算法,该算法在简单、中等、困难三个难度级别下,AP3D分别提升了4.84、3.82、5.36个百分点,APBEV分别提升了4.75、6.26、3.56个百分点。

关键词： 目标检测   暗目标   低光照增强   高斯金字塔   自矫正网络  

摘要： 针对低光照图像整体亮度和对比度低,且目标边缘特征有限,导致目标检测算法识别定位精度不高的问题,提出一种低光照目标检测方法。首先,提出低光照图像增强网络,利用图像高斯金字塔、Retinex和暗通道去雾在低光照图像增强的优点,并在暗通道去雾算法中加入边缘轮廓特征,在增强整体亮度对比度的同时,突出目标的边缘特征;其次,为提高特征的提取准确性,在RTDETR的特征提取部分,设计了轻量化自矫正特征提取网络,以更小的计算量生成并矫正主干特征提取网络生成的特征图,提升目标检测精度。在ExDark数据集上的实验结果表明:较于基准RTDETR,精度提高了2.34%,召回率提升了2.09%,参数量减少了4.95 M,模型大小减少了13.31 MB,本文方法能够有效提升低光照场景下的目标检测性能。

关键词： 目标检测   YOLO模型   昇腾AI处理器   模型轻量化  

摘要： 随着目标检测神经网络算法精度不断提升,算法的参数量以及计算量都有着较高的增长,导致模型实际应用部署困难,因此对神经网络模型进行轻量化,减少模型的参数量和计算量对模型部署在边缘设备上是至关重要的。昇腾AI处理器是华为推出的一款专用于神经网络加速的芯片,为充分发挥昇腾AI处理器的优势并解决算法模型较为庞大的问题,基于此平台提出一种轻量化目标检测模型MNG-YOLO,对YOLO模型采用轻量级主干网络和Ghost卷积以减小模型大小,添加NAM注意力模块和Mish激活函数提升模型准确率。实验结果表明,MNG-YOLO模型相比于原始模型参数量以及计算量均减少约75%,参数量从7 015 519个减少至1 739 799个,计算量从15.8 GFLOPs减少至3.5 GFLOPs,模型精确度也由95.9%提升至97.5%。同时,在昇腾AI处理器上的推理速度达到205 FPS,远超实时性检测的速度要求。

关键词： YOLOv5s   印制电路板   目标检测   轻量化  

摘要： 针对PCB元器件检测中硬件运算需求高、检测速度慢等问题,提出一种基于YOLOv5s改进的轻量化PCB元器件目标检测算法YOLO SCGS。该算法以ShuffleNetv2替换主干网络,在Neck层引入CA注意力机制,使用轻量级卷积方法代替标准卷积,加入SPD Conv重构CNN体系结构,代替卷积步长和卷积层,提高检测精度。实验结果表明,所提算法相较原YOLOv5s检测速度提升16.61%,浮点计算需求减少85.44%,模型权重缩小84.83%,有更低的运算需求和更优的检测速度,满足轻量化本地部署的要求。

关键词： 破损检测   可变形自注意力   多尺度融合   CIoU   目标检测  

摘要： 针对航拍沥青路面图像数据不足、检测精度低、存在漏检的问题,研究提出一种改进的DETR(Detection Transformer)端到端沥青路面破损检测模型。该模型采用ResNet50提取特征,引入SiLU激活函数提高特征提取能力,并采用多尺度融合特征图保留更多上下文语义信息;在Transformer的Encoder中使用多尺度可变形自注意力机制,加快模型收敛速度;采用CIoU损失函数提高了裂缝检测的准确性。实验结果表明:改进模型的平均精度达83.7%,比DETR模型在精确率上提高7.4%,召回率上提升了10.9%。提出的改进模型可对沥青路面破损进行有效检测,可为航拍图像的沥青路面破损检测提供参考。

关键词： 火灾受损   智能评估   YWDA   坐标注意力(CA)机制   Focal loss  

摘要： 火灾事故频繁发生,做好火灾受损评估工作,有助于查明起火原因、损失核定、灾后修复等工作顺利开展。针对火灾勘验墙体受损评估中存在的速度慢、结果不够准确、过于依赖个人经验等问题,提出了一种墙体火灾受损程度智能评估方法(YOLOv5-wall damage assessment,YWDA)。该方法基于YOLOv5(you only look once v5)网络进行改进,首先在加强特征提取网络插入坐标注意力(coordinate attention,CA)机制模块,提高了网络对墙体火灾受损特征的检测能力;其次,在损失函数中引入Focal loss,缓解了数据样本不平衡的问题。结合火灾勘验现场全景三维模型,建立一个居民住宅火灾受损评估数据集,并在此数据集上进行实验验证。结果表明:所提方法YWDA相较于其他算法,具有速度快、精度高、模型小等优点,在实际评估任务中具有较强的鲁棒性。因此,所提方法满足墙体火灾受损评估任务高效性、准确性、客观性等要求,可为现代化火灾勘验工作提供技术支持。

关键词： 深度学习   目标检测   多尺度检测   特征金字塔   特征融合   HRNet   CSPNet   SIoU  

摘要： 目标检测是计算机视觉领域中的一个重要研究方向,针对目标检测算法中存在的模型庞大、多尺度目标检测等问题,基于HRNet (high resolution net)和自适应空间特征融合(adaptively spatial feature fusion, ASFF)提出一种多尺度特征融合目标检测算法.首先,利用通道拆分(channel split)操作和深度可分离卷积(depthwise separable convolution, Dwconv)改进HRNet的基础模块,结合CSPNet改进HRNet的分支结构,减少模型的参数量,在得到轻量化L-HRNet三个分支后使用空间特征金字塔EESP (extremely efficient spatial pyramid)模块获得不同感受野大小特征,并将其融合后加强特征;其次,使用ASFF模块自适应融合EESP模块输出多尺度特征,该模块为3个分支的特征分配不同的特征融合权重,自适应融合重要的空间特征;最后,引入SIoU (shape-aware IoU)作为边界框定位损失函数,综合考量边界框回归之间的角度关系、中心点距离关系以及边界框的形状关系,使得预测框与真实框之间的损失度量更加准确,整体参数量为5.7 M,在公开数据集PASCAL VOC上达到了85.1%的mAP,在MS COCO上的实验结果表明, mAP0.5-0.95达到了38.7%,在模型参数量较少的同时保持了较高的检测性能.