关键词： 零件识别   零件定位   模拟退火算法   SIFT算法   最小外接矩形  

摘要： 为了满足某军工企业对飞机零件的定位与识别需求,提出一种优化的图像定位与识别算法。在零件识别方面,采用改进的高斯滤波算法以降低图像噪声,利用改进的Canny算法进行零件边缘检测处理,采用改进的阈值分割算法获取零件的边缘轮廓,最后利用改进的SIFT算法完成零件的识别处理。在零件定位方面,通过对零件进行多角度旋转操作,记录每个角度的最小外接矩形面积和质心坐标,以满足不同角度零件的定位要求。实验结果表明,该方法定位与识别准确率可以达到100%。

关键词： YOLOv5s   红外无人机   ECA-CBAM   EC-CSP   双路特征融合  

摘要： 针对红外无人机目标检测的实时性与准确性需求不断提升的问题,提出基于EC-CSP和双路特征融合的红外无人机目标检测算法。首先,提出结合ECA-CBAM注意力机制的CSP模块(Efficient Channel Attention-Convolutional Block Attention Module-CSP,EC-CSP),使网络能关注更重要的区域。其次,提出包含5×5、9×9像素大小最大池化的STM(Small Target Maxpool)模块,抑制背景特征对小尺度目标特征的干扰;最后,提出融合1×1与3×3基本卷积操作的全局特征提取(Global Feature Extracion,GFE)模块,并与STM模块组成双路特征融合(Dual Path Feature Fuasion,DPFF)模块,提高全局特征和局部特征的融合能力。实验结果表明,新算法取得了良好的实验效果。

关键词： 深度学习   智能表面   检测   协作式机器人   图像处理  

摘要： 在汽车智能表面自动化检测中,传统机器视觉方法因易受光源、环境光影响,导致物体缺陷特征参数提取困难,检测准确性不高,本文采用协作式机器人作为运动控制,用压力检测单元、电流采集单元和图像检测单元组成检测系统,建立基于深度学习的汽车智能表面缺陷检测方法。结果表明,缺陷识别和缺陷分类的准确率达到95%,比传统方法高10%以上。该系统提高了表面检测的自动化程度,减少了人力成本,降低了人为操作的失误率,实现了汽车智能表面的高精度、高鲁棒性自动化检测。

关键词： 目标检测技术   小目标检测   无跨步卷积   上下文信息   轻量化  

摘要： 针对目标检测过程中小目标检测更容易出现漏检、错检等问题,提出了一种改进型的轻量化小目标检测算法NSCOT-YOLO。首先,设计了一种特征提取模块NSC-MFFM,使用无跨步卷积进行特征提取并通过多支路进行特征融合,以有效地避免小目标重要特征信息被忽略,提高模型的检测精度,并设计实验来确定放置模块的最佳位置;然后,添加一个更浅层的检测分支及检测层,同时去掉最深层的检测分支,使用含有丰富上下文信息和共享权重的C-Cot模块替代YOLOv8s的检测层,更好地分离小尺度目标和噪声背景;最后,引入轻量高效的GhostConv模块,在不显著降低模型准确度的前提下,让模型参数量大幅下降。在公开的VisDrone2019-DET数据集上评估了所提算法的有效性。实验结果表明:NSCOT-YOLO算法的mAP@0.5和mAP@0.5∶0.95分别为38.3%和22.0%,与YOLOv8s算法相比分别提高了5.5和3.2个百分点,模型参数量为6.8×10^(6),与YOLOv8s相比减少了39%。可见,提出的NSCOT-YOLO算法在保证模型轻量化的同时,大幅提高了对小目标物体的检测精度。

关键词： 缺陷检测   图像处理   生成对抗网络   支持向量机  

摘要： 带钢在生产过程中受到工艺或设备等因素的影响,在表面产生了压伤、滴焦油等缺陷。提出了一种只需要少量的缺陷样本来训练生成对抗网络模型。模型通过学习大量的无缺陷图像数据分布特征,再引入少部分的缺陷图像来进行对比,模型可以学习和掌握无缺陷图像和有缺陷图像的分布情况,更有利于缺陷检测。为了使模型稳定,在损失函数中添加抽离项和多样性比因子,并加入优化特征的范数来稀疏模型,从而减少无用特征的干扰。提出的方法对带钢表面缺陷检测的精度达到了95%。

关键词： 激光熔覆   图像处理   熔池监测   闭环控制  

摘要： 激光熔覆是一种通过粉末熔化沉积来制造或修复金属零件的增材制造技术,是零件修复的重要手段之一。对熔池形貌进行实时监测与闭环控制是当下的研究热点之一。对熔池形貌的实时监测与闭环控制现状进行总结,对熔池图像的处理和熔池信息的提取进行回顾分析,并提出了熔池形貌监测进一步的发展趋势。

关键词： 图像处理   中子CT重建   域适应迁移学习   稀疏层析  

摘要： 由于缺少高质量成对数据集,深度学习在中子层析(CT)重建中的应用与发展受到了严重阻碍。虽然中子层析和光子层析成像原理都基于Radon变换,但二者在粒子输运过程中的成像特征不同,所以光子层析图像训练的网络无法直接用于解决中子层析成像的重建问题。为此,本文提出了一种可以解决光子和中子层析成像迁移过程中概率分布差异问题的无监督域适应网络。该方法通过引入最大均值差异计算以减小光子与中子层析图像特征之间的分布差异,并通过小波变换与卷积神经网络相结合的方式增强重建的有效特征。与其他算法的对比验证表明,该方法能够从低投影通量下的中子层析结果中重建出高质量的中子层析图像,有效缓解了低投影通量下中子层析成像退化的问题。

关键词： 多任务卷积神经网络   目标检测语义分割  

摘要： 针对单任务网络理解海上场景所需要提供的视觉信息的维度局限性和计算负担的问题,提出了一种基于YOLOv5的海上目标检测和区域分割的多任务算法。首先将空洞卷积及混合注意力引入ASPP模块,扩大感受野,增强模型对船舶的定位能力和区分背景与前景的能力;采用改进的PAN+模块,提升模型对不同语义信息的融合能力;引入边缘增强模块,在不损伤检测速度的情况下,提升水面岸体的分割精度。实验结果表明,上述方法相较于YOLOv5s船舶检测精度提升了5.2个百分点,相较于YOLOP分割精度提升了3.2个百分点,能够在较小计算量的情况下很好地平衡检测和分割精度与实时性。

关键词： 肺结节   目标检测   残差反馈   注意力机制   CIoU  

摘要： 肺结节作为肺癌早期的表现形式,且肺结节大小不一,将其快速准确地检测出来不仅对预防及治疗肺癌有重大意义而且是一项艰巨的任务。为此,提出一种改进YOLOv3的方法。针对肺结节大小不一的问题,改进多尺度特征融合结构,由3尺度预测增加至4尺度来获取更多小尺度结节特征信息;添加注意力机制提高对有效信息的提取能力,并改进回环残差结构增强有效信息加快网络的收敛速度;选用CIoU为边界框损失函数。实验分析表明,改进后的算法mAP相较于原算法提升了0.063,FPS提升了4.8帧/s,对肺结节检测效果有所提升,与其他算法相比具有更好的准确性和实时性。

关键词： 目标检测   Shufflenetv2   采摘机器人   ECA注意力机制  

摘要： 为了使目标检测算法更好地嵌入到番茄采摘机器人中,使其可以在温室环境中快速准确地识别检测成熟的番茄,提出一种基于Shufflenetv2-YOLOv5的番茄采摘机器人目标检测方法。该方法以YOLOv5为基础,以轻量级网络Shufflenetv2为主干网络,减少参数量和计算量,加入ECA注意力机制,并用FReLU激活函数替换原来网络结构中的激活函数,实现像素级的空间建模能力,进一步提高检测精度,增加该模型的鲁棒性。试验结果表明,改进后模型的算法精确率P、召回率R和平均精度均值mAP分别提升了2.2%、1.9%、3.2%,参数量降低约54%,计算量降低约62.6%,模型大小减少约53.1%,FPS也有了一定的提升,能够满足高速度、高精度检测的要求。