关键词： 机器视觉   耐火度检测   影像式系统   图像处理   智能检测  

摘要： 随着工业自动化和智能化的发展,传统的耐火度检测方法逐渐暴露出效率低、精度差等问题。本文对机器视觉的影像式耐火度检测系统应用的情况进行了分析,介绍了机器视觉技术在耐火度检测中的基本原理,探讨了影像式检测系统的硬件和软件构成,验证了该系统在实际应用中的有效性和可靠性。研究结果表明:基于机器视觉的影像式耐火度检测系统不仅提高了检测效率和精度,还具备良好的稳定性和可扩展性,具有广阔的应用前景。

关键词： 深度学习   智能图像处理   计算机视觉  

摘要： 阐述深度学习技术在智能图像处理中应用的方法,包括智能图像去噪法中对深度学习技术的应用、图像分类计算中深度学习技术的应用、图像增强算法中深度学习技术的应用、智能图像识别过程中深度学习技术的应用。分析智能图像处理技术未来的发展趋势。

关键词： 视觉传感   仰焊位置   熔池形貌   图像处理   工艺试验  

摘要： 为了解决管道熔化极气体保护焊(GMAW)仰焊位置工艺参数调整困难的问题,从熔池形貌分析角度出发,建立了基于视觉传感的熔池监测试验系统,该系统能够采集仰焊位置的熔池图像,并运用图像处理算法提取熔池边缘轮廓,进而定义了熔池的长度、宽度、面积以及尾部后托角等4个特征参数,以形象地表征熔池形貌。通过控制变量试验和正交试验,分析了熔池形貌特征参数与焊接工艺参数之间的关系,研究了焊接电压、送丝速度、焊接速度以及摆宽组合变化时对熔池形貌特征参数的影响程度。试验结果表明:熔池形貌特征参数能够真实反映熔池的动态变化,仰焊位置优化的工艺参数使熔池状态稳定,焊缝成形质量符合工程应用标准。

关键词： 混凝土坝   人-机-环   多要素识别   计算机视觉   YOLOv5-SS  

摘要： 混凝土坝施工空间狭窄、工序转换不断、人员-机械-环境(人-机-环)等要素繁多,而且存在要素遮挡、密集重叠、尺寸和方向各异等情况,导致传统机器视觉目标识别方法难以满足复杂施工现场目标识别要求。因此,本文提出混凝土坝施工场景人-机-环多要素识别的YOLOv5-SS新方法。通过插入CBAM注意力模块,改进目标检测器的性能,增强目标检测器对不同尺寸和位置的人-机-环要素敏感性;同时融入加权双向特征金字塔网络(BiFPN),使得目标检测器聚焦于实时人-机-环要素等关键图像信息。为验证所提方法识别能力,以混凝土拱坝施工现场的图像信息为基础数据集,通过对比YOLOv5-SS、YOLOv5和Faster R-CNN等模型,验证了所提方法能有效提高混凝土坝施工场景中各类目标的效率和精准度。

关键词： 苹果目标检测   YOLOv7   注意力机制   小目标检测   激活函数   Grad-CAM  

摘要： 采摘机器人在不稳定光照、果实多样性和树叶遮挡等复杂自然环境下识别苹果时,检测模型难以捕获关键特征,导致采摘效率和准确性较低.提出基于YOLOv7模型的针对复杂场景下苹果目标检测的改进算法.通过限制对比度自适应直方图均衡化算法增强苹果图像对比度,以减少背景干扰,增强目标轮廓清晰度;提出多尺度混合自适应注意力机制,通过特征解构与重构,协同整合空间和通道维度的注意力导向,优化多层次特征的长短距离建模,增强模型对苹果特征的提取能力与抗背景干扰能力;引入全维度动态卷积,通过精细化的注意力机制优化特征选择过程;增加检测头个数,解决小目标检测问题;采用Meta-ACON激活函数,优化特征提取过程中的关注度分配.结果表明,改进后的YOLOv7模型对苹果的平均检测准确率和召回率分别为85.7%、87.0%,相比于Faster R-CNN、SSD、YOLOv5、YOLOv7,平均检测精度分别提高了15.2、7.5、4.5、2.5个百分比,平均召回率分别提高了13.7、6.5、3.6、1.3个百分比.模型效果表现优异,为苹果生长监测及机械摘果研究提供了坚实的技术支撑.

关键词： 机器视觉   动态检测   目标跟踪   Mean Shift  

摘要： 针对实际生产中机器人对移动目标检测与跟踪问题,该文提出一种基于机器视觉的解决方案。首先,采用改进的两帧差分法和混合高斯背景建模方法,从目标视屏中识别动态目标,通过对动态目标定位算法进行进一步改进和优化,完成动态目标的检测和定位,为移动机器人准确跟踪动态目标提供一定的几何参数。接着,利用基于Mean Shift优化算法解决动态目标跟踪问题,使得对应的函数值收敛于概率密度函数的极大值,优化的跟踪算法可以有效地提高滤波器的约束性和目标追踪的稳定性,解决动态目标跟踪过程中存在的问题。最后,通过试验和结果分析,表明该方法在实际应用中能够有效地跟踪和检测动态目标,并能为后续进一步应用提供借鉴和参考。

关键词： 目标检测   模型轻量化   YOLOv7   PConv   PolyLoss   SIoU  

摘要： 针对红外图像信噪比低、分辨率不佳、噪声与杂波多等检测难点。提出一种基于YOLOv7的轻量化红外图像目标检测算法ITD-YOLO。首先,ITD-YOLO算法重设计网络结构,对特征提取网络与特征融合网络架构重新调整。裁剪掉原网络中深层对应的大感受野,依据重构后网络特征图输出,对模型预设锚框进行调节。改变多尺度特征融合中的深层特征与浅层特征的关系,提高浅层网络提取的细节信息在融合中所占的权重,提高对较小目标的检测性能;然后,在ELAN模块中引入PConv替换掉常规卷积,进一步降低模型计算量。其次,将模型损失函数调整为PolyLoss以加速模型收敛,进一步加强对目标的检测性能;最后,使用SIoU作为边框损失函数,增强对目标的定位精度。实验结果表明,ITB-YOLO能够有效改善检测效果,在FLIR与OSU数据集上,相较于YOLOv7s的平均精度均值分别提高2.27%与7.29%。改进后得到的模型体积仅为17.7 MB,计算量下降37.11%。与主流算法进行对比,ITD-YOLO在各项指标均得到了一定程度的提高,能够满足红外目标实时检测任务。

关键词： 道路场景   目标检测   计算机视觉   YOLOv5  

摘要： 在人工智能技术与全球经济飞速发展的背景下,自驾出行将逐步取代传统的出行方式,成为人们首推的代步工具。截至2023年9月,全国90个城市的汽车保有量超过百万辆。私家车数量的急剧增加直接导致城市交通压力增大,交通问题由高峰时段拥堵转向全天候、常态化拥堵。本文提出了一种基于YOLOv5视觉识别算法的道路目标检测系统,该系统依据交通摄像头拍摄的实时视频识别出道路拥堵情况,从而缓解交通压力;同时,该系统相对传统的道路人力巡检的方式,极大地提高了道路巡检效率。

关键词： 智慧安防   目标检测   视频融合   YOLO-FastestV2   AI智能分析   声振探测器  

摘要： 近年来,房屋周围的人车目标检测算法作为智慧安防领域中的重要部分,备受研究人员的关注。智慧安防中涉及的目标检测任务需要具备隐蔽性、实时性、持续性、丰富性等特点。根据这些特点,针对人车目标在白天与夜晚的不同特征,设计了一种基于红外与微光视频融合的人车目标检测算法,该算法采用改进的YOLO-FastestV2目标检测算法,解决了基于红外与微光视频融合下人车目标的快速检测难题,可以较隐蔽地持续捕获行人与车辆目标。在智能分析处理模块利用声振探测器与AI智能分析联合判断,能够有效应对周围环境的干扰。经验证,该算法抗干扰能力强,准确性高,具有较好的应用价值。

关键词： 血细胞检测   目标检测   外周血细胞   深度学习网络模型   消融实验   YOLO   单次多框检测器(SSD)  

摘要： 目的为了解决目前常用血细胞检测仪器检测耗时长、检测细胞种类少及人工镜检方式耗时耗力的问题。方法为了更快捷地对血细胞进行检测,提供准确的检测报告,减少医生工作量,本研究结合区域卷积神经网络、YOLO、单次多框检测器(Single Shot MultiBox Detector,SSD)等深度学习方法进行血细胞检测,并在实验中选择外周血细胞数据集,应用SSD模型和YOLO系列中的YOLOv5、YOLOX、YOLOv6、YOLOv7共5种网络模型进行训练,对比评估指标并讨论各网络模型的优劣势。结果本研究搭建了精准度更高、运行速度更快的新模型,精准度可达99.3%,单张检测时间为10.3 ms,并且所占内存仅为71.2 MB,超过其他网络模型;本文的消融实验验证了新添加的全连接层模块与泛化模块的实用性。结论该模型能够出色且准确地检测血细胞,且检测速度快、准确率高,同时模型较小,方便使用和维护。