关键词： YOLOv8   水稻虫害   目标检测  

摘要： 由于水稻虫害存在一些错检漏检的问题,文章提出了改进的YOLOv8模型BO-YOLOv8来提高水稻虫害识别的准确率。针对YOLOv8模型特征融合时浅层语义信息不足的问题,在Neck部分引入BiFPN网络,通过不同的权重来学习不同输入特征的重要性,提高水稻虫害特征表达能力。针对水稻虫害检测精度不理想的问题,在主干部分将原来的卷积替换为ODConv卷积,提高模型的检测精度。实验表明,BO-YOLOv8模型相较于改进之前mAP50提高了1.4%,精确度和召回率分别提升了2.0%和2.9%。实验结果表明,BO-YOLOv8模型可以有效提升水稻虫害的检测能力。

关键词： 视觉测量   YOLOv8   精确率   召回率   平均精度  

摘要： 针对视觉测量中低照度或复杂背景下圆形合作目标识别精度较低或定位能力较差等问题,提出了一种基于卷积神经网络(Convolutional Neural Networks,CNNs)对YOLOv8算法进行优化设计的模型。该模型共有225层网络、约300万个参数以及8.2G FLOPs计算量。采用不同条件下的圆形合作目标数据集进行模型训练,同时在训练过程中实时监控模型的性能指标和计算效率,对模型进行细致的调整和优化。实验结果表明,本文算法具有99%的准确率、92%的召回率、92%的平均精度。相较于霍夫变换和YOLOv3等传统特征提取方法,本文算法的精确率分别提升了14%和4%,召回率分别提升了17%和2%,平均精度分别提升了10%和2%。该算法可以在低照度环境、复杂背景或目标形状微小变化等多变条件下,显著提高圆形合作目标的识别定位精度。

关键词： 图像处理   高动态范围   多曝光融合   图像块分解   二维熵   图像金字塔  

摘要： 多曝光图像融合针对图像传感器不足以捕获大动态范围场景的问题,将同一场景下多幅曝光程度不同的图像融合,得到一幅包含丰富场景细节的高动态范围图像。针对融合中常出现的图像细节保存不足、边缘光晕等现象,提出一种自适应权重细节保持多曝光图像融合算法。利用图像块分解中的对比度与结构分量提取融合结构度权重,同时利用二维熵选取亮度基准计算曝光度权重,结合饱和度权重使融合后的图像更好地还原场景的亮度与色彩信息。最后利用双金字塔融合在多个尺度上融合源图像序列,能够避免边界处不自然的光晕,得到保留更多细节的高动态范围融合图像。选取3个数据集中的70组多曝光图像进行实验,结果表明,所提算法的平均融合结构相似度达到0.983,平均交叉熵达到2.341,与经典或最新的多曝光融合方法相比能维持场景本身的亮度分布,同时保持更多的图像信息,验证了所提算法的有效性。所提算法融合结果优秀,视觉效果良好。

关键词： 花式纱线   条干检测   相机畸变   标定   机器视觉   图像处理   宽度序列  

摘要： 针对机器视觉的检测系统存在相机畸变、受环境光照影响等问题,提出一种花式纱线条干检测的视觉传感器标定方法。构建了花式纱线条干检测系统样机,对相机内参和畸变系数进行标定。提出图像预处理和图像降维的方法捕获用于表征纱线条干的宽度序列,解决了系统受环境光照影响的问题。实验结果表明,标定后的检测系统能够有效抑制相机畸变的影响,标定后的纱线平均直径测量值比未标定的提高了4.48%,标定后的纱线条干变异系数比未标定的降低了8.92%。该方法可为纱线条干检测的实际应用提供参考。

关键词： 桥梁缺陷   目标检测   Faster RCNN  

摘要： 尽管近年来目标检测技术已取得显著进展,但在复杂环境中的多目标检测仍面临诸多挑战。针对Faster RCNN模型在桥梁检测中遇到的问题,提出三点改进:通过采用ResNet101作为特征提取网络,取代传统的VGG16,以此缓解因网络深度增加而导致的信息传递衰减问题,提高特征学习的效率;通过引入递归特征金字塔结构,更有效地处理不同尺度的目标,从而增强检测性能;通过在模型中嵌入注意力机制,进一步强化模型对关键区域的识别能力并减少背景噪声的影响,使其能够更加聚焦于目标特征。经过改进,模型的准确率提升至92.5%,平均精度达到91.5%。

关键词： 深度学习   建筑施工安全   计算机视觉   数据融合   实时监控  

摘要： 深度学习在建筑施工安全监控中的应用,正逐渐成为提高施工现场安全管理效率和效果的关键技术.传统监控方法因人为和技术限制面临着多重挑战,尤其在复杂和动态的施工环境中.在监控系统中利用深度学习技术,通过结合计算机视觉和传感器数据,能够实时、自动识别潜在的安全隐患.本文介绍了基于深度学习的多维数据融合技术和实时监控的应用案例,展示了在线模型更新和自适应学习的实际效果.本文还进一步探讨了深度学习技术在未来施工安全监控领域的发展潜力及关键技术的突破,尤其强调了边缘计算、物联网和云计算平台的集成应用.本文旨在探讨深度学习在建筑施工安全监控中的应用,分析其技术框架、实际应用及未来发展潜力,以期为施工安全监控系统的优化提供科学依据和技术支持.

关键词： 图像处理与机器视觉   项目案例   教学  

摘要： 为了提升学生的应用能力、分析和解决问题的能力,文章学生能力提升为目的,阐述了图像处理与机器视觉课程“讲-做-评”的教学模式。首先学生讲解项目案例的知识点和算法细节,然后学生在课余时间自主完成方案的设计和算法的编程,最后通过答辩的形式进行评价考核。通过此模式的教学,学生对知识的掌握进一步加深,同时应用能力、分析和解决问题的能力得到了更好地提升。

关键词： 机器视觉   大坝表面变形   视准线原理   图像处理   误差分析  

摘要： 针对大坝表面变形自动化监测中GNSS系统垂直位移监测精度低、费用昂贵和静力水准仪布设难度大、维修成本高等问题,利用机器视觉技术对大坝表面变形进行监测。室内试验结果表明,相机与标靶距离在100 m范围内,机器视觉的测量精度可达到亚毫米级,且水平和垂直变形位移精度相近。由误差分析可知,标靶与相机的距离与测量精度有明显的相关性,而环境因素是影响远距离监测精度的重要因素,并利用大坝视准线原理优化了机器视觉监测系统。最后以浙江省大力塘水库为试点,对大坝表面变形进行实时监测,结果表明,机器视觉技术完全可满足实际工程需求,且优化后的机器视觉测量技术可明显提高监测数据的精度和稳定性。

关键词： 自动驾驶汽车   三维目标检测   注意力机制   稀疏卷积  

摘要： 为了精确地识别出交通场景下的目标障碍物,考虑到真实道路场景的复杂性和道路安全的重要性,以稀疏嵌入卷积检测(sparsely embedded convolutional detection,SECOND)模型作为基础模型,通过采取自注意力机制获得全局语义信息来增强点云表征能力,采用感兴趣区域(region of interest,RoI)检测头对候选区域生成的三维建议框进行优化,提升其检测精度方法,提出了一种基于自注意力机制的两阶段三维目标检测方法SAR-SECOND检测模型。结果表明:与现有的先进三维目标检测方法相比,SAR-SECOND在KITTI数据集上的检测精度与之不相上下,汽车整体检测精度为82.28%;行人整体精度为51.45%,骑行者整体精度为72.41%。检测结果验证了该方法的有效性。

关键词： 目标检测   茶叶嫩芽   分级识别   YOLOv7  

摘要： 茶叶嫩芽分选鉴定是实现茶叶自动分级的重要环节,为实现对优质茶叶嫩芽的准确识别,提出了一种基于改进目标检测算法YOLOv7的茶叶嫩芽分级识别方法。首先,在主干网络融入CBAM注意力机制,构建CBAM-ELAN模块,在通道和空间注意模块的协同作用下,降低背景部分的权重,增强对嫩芽特征的提取能力;然后,在Neck侧引入感受野增强(RFE)模块和显式视觉中心(EVC)模块,生成新的感受野关系,提升层内特征的调节能力,增强对嫩芽特征的提取能力。改进YOLOv7算法对于单芽等级茶叶的检测精度均值为89.3%,一芽一叶检测精度均值为88.9%,一芽二叶检测精度均值为95.7%,与原始YOLOv7算法相比,检测精度均值分别提高了1.3、1.3和1.5个百分点。该方法在兼顾准确率的前提下,实现了端到端的目标检测和对优质茶苗不同姿态的识别,可为茶叶嫩芽的分级和识别提供理论基础。