关键词： 相似模拟试验   垮落法   数字图像处理技术   顶板破断特征   覆岩移动规律  

摘要： 为了进一步研究垮落法处理采空区的顶板破断特征及覆岩运移规律,采用二维相似模拟实验台设计垮落法,处理采空区相似模拟试验模型,在模拟工作面推进过程中,观测其顶板破断特征及覆岩移动规律,并通过数字图像技术获得覆岩位移云图。研究结果表明:当采用垮落法处理采空区时,工作面推进完毕后,覆岩破断次数为4次,覆岩最大位移为10 mm。工作面上方覆岩裂缝数量及种类多,裂缝宽度大,裂缝贯通程度大,裂隙由工作面煤壁向上延展并贯通,采用垮落法处理采空区时,容易发生顶板的整体切落和大幅度回转变形,最终导致覆岩位移增大。同时可以得出,采用数字图像处理技术可以精准捕捉覆岩位移,且覆岩位移云图与工作面实际推进情况基本吻合,因此,该技术也可以用于大面积的相似模拟试验。

关键词： 矿石输送带   钢筋异物   目标检测   YOLOv5   卷积神经网络  

摘要： 以矿石输送带钢筋异物检测为研究对象,通过采集和增强矿石异物数据集,研究了改进的YOLOv5算法对于检测性能的提升。通过引入CBAM注意力机制,构建了高质量的矿石与钢筋混合数据集,并基于CBAM-YOLOv5模型在检测精度上实现了2.38个百分点的提升。结果表明,YOLOv5算法以其高效的实时检测能力和优化的推理速度,在工业检测中表现出色,能够迅速准确地识别晶圆表面的缺陷。

关键词： 相机标定   手眼标定   非线性模型   机器视觉   图像处理  

摘要： 在高精度工业自动化应用领域,精确的相机标定是关键技术。本文阐述了相机标定的基本原理,分析了常用的线性与非线性标定模型,并提出了一种基于卷积的非线性手眼标定改进方法。研究结果表明,与传统九点标定法相比,在更广泛的标定范围内,新方法的精度和稳定性更高,在处理边缘区域的畸变的过程中性能更高。采用本文所提方法,不仅提高了标定的准确性,还为复杂工业环境下的视觉系统提供了技术支持。

关键词： 瓷砖表面缺陷检测   目标检测   YOLOv9   深度学习   特征融合  

摘要： 针对瓷砖表面缺陷检测中存在的小目标检测精度低、参数量大,以及误检和漏检问题,提出了一种改进的瓷砖表面缺陷检测算法YOLOv9s-SEFN。首先,本研究设计了SPNet多尺度特征融合模块通过增强网络对多尺度特征的捕捉与融合能力,有效提升模型对瓷砖表面小缺陷检测的特征表达;其次,设计ECG轻量融合模块减少计算量和参数量以实现轻量化;然后,引入频率自适应扩张卷积(FADC)通过自适应调整膨胀率和频率选择,提升瓷砖小缺陷检测精度;最后,设计新的损失函数NWD-EIOU通过结合EIOU和NWD,提高小目标定位的精度。实验结果表明,与原YOLOv9s检测算法相比,改进后的YOLOv9s-SEFN算法在自建实验数据集上表现更佳,模型mAP@0.5提升至93.2%,提高了3.5%;召回率提升了4.96%;参数量减少了2.3%;浮点运算量降低了4.0%,能够满足瓷砖表面缺陷检测的需求。

关键词： YOLO   目标检测   网络结构   多尺度特征融合  

摘要： 全面分析了YOLOv1到YOLOv10的发展历程,探讨了每个版本的关键创新与贡献。首先,介绍了目标检测的标准度量和后处理方法;其次,详细讨论了各代YOLO在网络架构和训练技巧上的改进,研究涵盖了从最初的单阶段检测器到引入更复杂的网络结构、多尺度特征融合及高效的激活函数等变化;最后,探讨了YOLO在实时目标检测等领域的广泛应用,并对未来的研究方向提出了展望,旨在进一步提升实时目标检测系统的性能。

关键词： 深度学习   目标检测   YOLOv2   YOLOv4  

摘要： 近年来,计算机视觉技术与深度学习方法相结合的车辆目标检测算法逐渐成为国内外学者的研究热点。针对车辆目标检测的任务,本文对车辆目标检测的国内外研究现状和发展进行综述,并结合可见光影像数据对目前现有的两种主流车辆目标检测算法YOLOv2算法和YOLOv4算法进行总结对比,进行实景实验完成对算法有效性的研究。

关键词： 深度学习   分类和分割网络   目标检测   脑胶质瘤诊断   核磁共振成像  

摘要： 脑胶质瘤是一种致死率极高的原发性颅内恶性肿瘤,实现术前无创诊断对脑胶质瘤的治疗和预后具有重要意义。本文提出一种目标检测技术辅助的脑胶质瘤分割分类网络,基于多模态三维MRI实现对脑胶质瘤区域的分割和WHO分级(Ⅱ/Ⅲ/Ⅳ)、IDH突变状态分类以及1p19q缺失状态分类。本文引入目标检测技术获取肿瘤区域的定位信息用于辅助分割和分类,同时还引入SPP、FPN等模块提升模型性能。模型在EGD数据集中的664个脑胶质瘤病例进行训练,最终在测试集上,胶质瘤分割的Dice系数达到0.88,WHO分级、IDH突变状态以及1p19q缺失状态分类准确率分别达到:0.80、0.72、0.90。与PSNet、ResNet50、Unet+ResNet50模型进行对比实验,验证了本文模型的有效性。同时,针对目标检测模块、SPP模块和FPN模块进行消融实验,验证了引入模块的作用。实验结果表明,本文提出模型可有效进行脑胶质瘤术前多任务诊断,对脑胶质瘤的治疗和预后有帮助作用。

关键词： 机器视觉   水下目标检测   轻量级网络   特征冗余   深度可分离卷积   多尺度特征提取   优化器  

摘要： 针对一般机器视觉检测算法在复杂海洋环境场景下难以识别等问题,提出一种适用于水下目标检测的轻量级网络YOLOv8-GD。设计C2fGhostv2将C2f中的残差模块替换为轻量级网络模块GhostNetv2,借此精简网络参数并减少通道中的特征冗余;设计深度可分离卷积多尺度特征提取模块,联合多尺度特征信息,增强模型的特征提取能力;用Lion优化器协助模型训练,提升模型训练性能。在RUOD数据集上验证YOLOv8-GD的检测性能,实验结果表明,该模型的F1-score达81.3%,mAP@0.5达84.1%,满足实时水下目标检测要求。

关键词： 图像复原增强   视觉大模型   多模态大模型(LMM)   视觉Transformer(ViT)   扩散模型   X-anything   计算机视觉  

摘要： 图像在拍摄、传输和存储过程中常会出现退化情况,影响视觉感知和信息理解。图像复原增强旨在将降质图像恢复为干净图像,以提升视觉感知体验,并提高如语义分割和目标检测等计算机视觉任务的精度,在自动驾驶和智能医疗等数据敏感的应用场景有重要作用。视觉及多模态大模型在多个领域取得重要进展,并在图像复原增强任务中展现出巨大潜力。对此,本文系统总结并分析近年国内外图像复原增强领域应用视觉(大)模型和多模态大模型的重要研究进展。1)总结介绍基于ViT(vision Transformer)的图像复原增强方法,探讨ViT在处理图像退化和增强方面具有的长距离依赖潜力;2)阐述基于扩散模型的图像复原增强方法,讨论其在处理复杂图像退化和恢复细节方面的优势;3)分析X-anything模型在图像复原增强任务上的潜力,尤其是SAM(segment anything model)等视觉大模型在退化样本上提供的鲁棒零样本预测先验信息能力;4)介绍多模态大模型,如CLIP(contrastive language image pre-training)和GPT-4V在图像复原增强任务中的应用,展示这些预训练模型在图像复原过程中所提供的语义信息指导能力;5)分析当前图像复原增强技术面临的挑战,如数据获取困难、计算资源需求高和模型稳定性不足等,同时展望图像复原增强技术的发展方向,为未来的研究和应用提供新的思路和参考。

关键词： 动态特征   运动估计   目标检测   目标跟踪   ByteTrack  

摘要： 利用可见光图像对海上弹着点水柱进行有效检测与跟踪,是实现海上自动检靶的核心。由于相机的运动、焦距的调节以及水柱的变化,现有的检测与跟踪算法依然存在较高的误报率和身份切换次数(Identity Switch Times, IDs)。为解决上述问题,提出一种基于动态特征的海上弹着点水柱检测跟踪算法。利用YOLOv8目标检测器对静态水柱进行检测,通过在浅层特征图上增加小目标检测头,增强模型对小水柱的检测能力;利用改进的ByteTrack跟踪器对水柱进行跟踪,将相机运动和卡尔曼滤波相结合,补偿由相机运动引起的跟踪偏移;结合水柱形成阶段的时空特征,采用支持向量机进行综合决策,实现对水柱的判断。实验结果表明,与传统的检测跟踪算法相比,新算法在多目标跟踪准确度、识别平均数比率和多目标跟踪精确度这3个关键性能指标上分别提升了7.8%、5.1%和0.9%;误报数减少了112次,IDs数和误检数均降至0,表明新算法不仅能够精确地检测和跟踪水柱,还能够有效地排除其他干扰因素,在整体性能上实现显著的增强。