关键词： 安全工程   安全帽   目标检测   YOLOv8n   动态卷积   混合局部通道注意力  

摘要： 进入施工场地未正确佩戴安全帽是导致人员伤亡的主要原因,但现有检测算法存在精确率低、复杂度高等问题。为此,提出了基于混合局部通道注意力和动态卷积改进YOLOv8n的安全帽佩戴检测算法YOLOv8n-DM,设计使用SIoU(Soft Intersection over Union)优化边界框回归损失函数提升预测框准确度和加快收敛速度。试验结果表明,相比原始YOLOv8n算法,该算法复杂度下降了15%,检测精确率提高了5百分点。相比YOLOv5s、YOLOv7-tiny等算法,所提算法的参数量、复杂度和模型尺寸均有显著下降。该算法在自建数据集上的精确率达到了92.4%,处理每张图片用时2.2 ms,兼顾了高检测性能和实时性要求,更适用于实际施工现场的部署与应用。

关键词： 目标检测   道路缺陷   智能无人车   YOLOv8模型   道路养护  

摘要： 随着交通网络的不断扩展,公路里程持续增长,道路养护压力也与日俱增。针对该问题,提出适用于智能无人车的道路缺陷自动检测模型,该模型基于目标检测,采用YOLOv8为基础模型,使用道路缺陷数据对模型进行训练。优先对模型训练参数进行调整,得到在相同训练周期下效果最好的训练参数,对全部数据进行训练,最后模型的mAP值为45.8%,将模型应用在智能无人车,可以准确、快速地识别多种道路缺陷。

关键词： 工件检测   深度学习   Faster-RCNN   图像处理  

摘要： 针对传统机器视觉与图像处理中带孔复杂工件缺陷检测存在分类识别模糊和缺陷定位效率低下的问题,提出了一种改进多尺度Faster-RCNN的带孔工件缺陷检测技术。首先,进行带孔工件图像采集与预处理,改进数据集中数据增强方式保证数据训练集质量;其次,搭建Faster-RCNN网络作为基本框架,以ResNet50为主体特征提取网络改进内部残差结构,加强RPN网络提取多尺度特征图数据;然后,改进原有非极大值抑制算法,使用Soft-NMS算法对密集孔洞与缺陷特征分别进行标定分类;最后,进行对比试验将Faster-RCNN与改进多尺度算法比较。结果表明:改进多尺度Faster-RCNN对于工件孔洞特征与缺陷识别精度达到了92%,平均精确度较原算法提升了4.35%,能够同时鉴别工件孔洞特征与其附近缺陷,神经网络鲁棒适应性高。

关键词： 计算机视觉   图像去模糊   注意力机制   小目标  

摘要： 基于天基平台的远距离运动目标探测和识别面临着波段宽、图像模糊、目标尺寸小的挑战。针对天基平台对去模糊算法高实时性、泛化性和重建质量的要求,提出了一种基于注意力机制的多尺度多阶段卷积神经网络方法。利用优化模块数量的轻量化多尺度多阶段网络作为架构保障实时性,结合基于频域的自注意力机制求解器及前馈神经网络(Fre-quency domain based self-attention solver and discriminative FFN,F-D)和卷积注意力模块(Concolutional Block Attention Module,CBAM)捕捉空域和频域上的关键信息。实验结果表明:去模糊方法的复原速率优于34 frame/s,耗时仅为典型算法的1/3,在红外小目标数据集上的PSNR大于32 dB,SSIM大于0.87;在可见光小目标数据集上的PSNR大于17 dB,SSIM大于0.93。该算法在宽波段具有泛化能力并可有效恢复小目标轮廓和形状信息。

关键词： 蚕茧分选   图像处理   球面斜切分段模型   数学建模   微积分  

摘要： 目的:针对蚕茧顶端直接采集图像存在曲面信息压缩的问题,提出一种斜切分段展开方法,用于获取蚕茧顶端信息。方法:首先,将蚕茧顶端投影图像还原至顶端球面图像,对球面进行切分及斜切分操作,实现顶端投影图像到斜切分段模型的转化;其次,对相应模型建立坐标系,推导出单一斜切分段的投影图像与展开图像间的坐标变换关系;最后,对单一斜切分段展开图像的底边归一化,实现蚕茧完整顶端图像的展开。结果:斜切分段展开在水平方向误差均值为2.714像素,垂直方向误差均值为3.786像素。结论:斜切分段模型能够有效实现蚕茧顶端图像的展开,进而获取顶端疵点信息,为获取蚕茧完整表面疵点提供良好基础。

关键词： 桥梁工程   计算机视觉   车辆荷载   目标检测   目标跟踪  

摘要： 掌握真实的车辆荷载情况对桥梁设计及智能管养具有重要意义。为此,基于计算机视觉技术和深度学习,建立了一种用于桥梁上多车检测和跟踪的算法。首先,收集交通监控视频建立了多种类型车辆的外观特征数据库。其次,建立了多车检测算法,并在所搭建的数据库上对其进行训练和测试。随后,将性能最佳的检测算法与跟踪算法相结合,进而完成桥梁上多车目标的连续跟踪。最后,依托某跨海大桥的交通监控视频对所提方法进行了验证,并评估了算法的可靠性和准确性。实验结果表明:提出的多车检测和跟踪算法的检测准确率较高,跟踪效果较好,在视频序列中稳定性较好,可成功完成桥梁上多车的连续跟踪任务。研究成果可为后续桥梁设计及智能化管养提供数据参考。

关键词： 计算机视觉   农业病害检测   注意力机制   葡萄病害  

摘要： 随着深度学习技术的快速发展,计算机视觉在农业病害检测中展现了巨大的潜力。针对葡萄病害检测问题,提出了一种集成注意力机制和加权双向特征金字塔网络的YOLO-EZ模型。YOLO-EZ模型基于轻量化的MobileViTv3主干网络,通过SCConv注意力卷积增强特征提取,同时应用BiFPN优化特征融合过程,显著提高了对葡萄病害特征的识别精度。在葡萄病害数据集上进行的广泛实验表明,YOLO-EZ在精确率达到92.8%,召回率达到89.9%,mAP50为93.6%,mAP50-95为73.3%,大多优于对比的多个先进模型。同时,YOLO-EZ在保持高性能的同时,实现了模型参数的减少,参数量仅为5.8 MB,有利于在移动端和边缘计算设备上部署,显示了其在实际应用中的可行性和效率。

关键词： 交通标志识别   目标检测   注意力机制  

摘要： 针对无人驾驶时识别不同道路环境下小型交通标志准确率低、检测速度慢的问题,提出一种基于改进YOLOv5的目标识别算法。为了减小模型体积,提高模型推理速度,该算法用Ghost模块替换原有的网络架构,在特征融合阶段结合通道注意力机制,以帮助模型更好地聚焦于图像中的关键信息。为了增强对小目标的特征提取能力,对原C3模块进行改进,引入滑动窗口模块(Swin Transformer Block,STB),并采用中国交通标志数据集TT100K进行对比验证。结果表明:文中提出的方法识别准确率为92.6%,比原始YOLOv5算法提升了0.7%;平均准确率均值达到93.5%,比YOLOv5算法提高了2.5%。

关键词： 计算机视觉   仪表盘图像预处理   特征信息提取   指针式仪表读数  

摘要： 阐述指针式仪表读数流程及常用算法,包括仪表盘图像预处理、仪表盘特征中的表盘区域提取、仪表盘内关键信息提取,提出基于计算机视觉的指针式仪表读数方法与优化策略。

关键词： 人机交互   手势识别   多模态深度学习   计算机视觉   卷积神经网络  

摘要： 人机交互系统中,计算机视觉技术和深度学习算法常用来实现手势分割、特征提取和分类识别等。系统由本地终端和云端服务器组成,本地终端采集常用手势图像,利用亮度信息和方向梯度直方图(Histogram of Oriented Gradients,HOG)等多模态特征建立训练数据集;云端服务器基于Nvidia Jetson Nano B01 AI平台以迁移学习方式进行卷积神经网络(Convolutional Neural Network,CNN)训练;利用边缘计算技术将手势图像预处理和特征提取等任务放在本地完成,降低对服务器算力依赖。测试结果表明,系统平均处理和延时在2 s左右,满足普通的实时交互需求;CNN模型对45种手势的整体预测精确率为0.99;手势识别结果在本地实现图像-文本-语音转换,增强了交互的便利性和效率;用户数据在本地存储既保证了安全,也拓展了系统的应用场景。