关键词： 低光照   多级特征   YOLOX   注意力机制  

摘要： 自然环境下普遍存在着低光照场景,导致目标检测任务精度降低。提出了一种低光照目标检测算法MLFEYOLOX。引入轻量级图像增强算法IAT,还原低照度图像更多的细节。设计了一种多级特征提取的CSP-M模块,加强模型在低光照条件下图像的特征提取能力。引入卷积注意力机制CBAM,自适应测量目标位置与背景信息的相关程度,降低背景信息带来的干扰。设计了多级特征融合模块CSP-MC,增强模型融合多级特征和发掘并融合静态和动态上下文信息的能力。采用ExDark、UFDD数据集进行实验验证,实验结果表明,该方法有效克服了光照不足带来的影响,与主流算法相比检测精度明显提升。

关键词： 施工质量检测   钢筋尺寸测量   图像拼接   计算机视觉   轻量化语义分割模型  

摘要： 为了解决加工检测过程中钢筋尺寸过大、单相机视场难以覆盖的问题,以计算机视觉技术为基础,提出一种靶标辅助图像拼接的测量方法,实现钢筋几何形状(长度及转角)的快速测量,构建一种分区相机测量系统,利用分区相机同时采集图像并基于二进制编码ArUco靶标拼接全景图。针对计算的实时性需求,采用轻量化语义分割网络ghost-Unet,可兼顾钢筋轮廓识别的效率和精度。针对计算的准确性问题,运用鲁棒的直线检验算法,对钢筋轮廓进行分段拟合。实验室与工程量测结果表明:在实验室测量立式钢筋时,相机光轴垂直于待测平面,长度测量误差均值为2.92 mm,测量卧式钢筋时,相机光轴与待测平面夹角远小于90°,正视图校正环节存在钢筋变粗问题,长度测量误差均值为4.27 mm;工程实测长度误差均值为3.08 mm,角度误差在0.7°以内。

关键词： 芸豆   盐碱胁迫   图像处理   特征计算   检测模型  

摘要： 为解决传统的芸豆盐碱胁迫检测方法存在仪器设备繁多、操作复杂和化学试剂对植物有损害等问题,研究建立了基于图像处理技术的芸豆盐碱胁迫的快速无损检测方法。通过人工培育不同盐碱胁迫度的芸豆样本,采集其冠层彩色图像和热红外图像,并提取出图像中的冠层区域,利用图像处理技术计算彩色图像、热红外图像的纹理特征和频谱特征,以获取芸豆冠层异构图像的70维度特征为基础,构建RBF模型的网络结构为70-22-6型,实现芸豆盐碱胁迫度分类检测的平均准确率和仿真时间为86.5%和0.71 s。该模型是一种具有高效准确性,易推广的芸豆盐碱胁迫检测的新方法,能够为快速无损地检测豆类作物的盐碱胁迫程度提供技术支撑。

关键词： 损失函数   深度学习   图像处理   焊点检测   YOLO  

摘要： 白车身焊点检测是汽车制造过程中重要的质量控制环节之一,检测结果直接影响汽车质量和安全。传统焊点检测依赖于人工视觉检查,效率低下且易出现漏检和误检等问题。因此,本研究结合计算机视觉和深度学习技术,提出一种改进的YOLOv9e模型,对白车身焊点进行检测。采集车间数据集图像并对数据进行增强处理,使用Labelimg软件对焊点进行标注,再配置相关参数并对训练集进行训练,获取最优参数配置文件,建立基于归一化Wasserstein距离和YOLOv9e的焊点检测模型。实验结果表明,相较于其他YOLO模型,改进的YOLOv9e模型识别速度快、准确率高、适用性强。

关键词： SSD   目标检测   特征融合   注意力机制   数据增强  

摘要： 死鱼对于水域生态和饮水安全存在巨大威胁,由于水面环境复杂,导致现有目标检测算法在死鱼检测任务中存在漏检、误检等情况。为此,以单次多边框检测(single shot multibox detector,SSD)为基础提出一种基于多尺度特征融合和注意力机制的水面死鱼检测方法FFA-SSD(SSD with feature fusion and attention)。首先,采用计算量和参数量更少且特征提取能力更强的残差网络ResNet50替换VGG16主干网络;其次,设计了多尺度特征融合模块,增强浅层特征和高层语义信息的融合;然后,引入通道注意力机制,抑制特征融合带来的冗余信息干扰,提升网络对目标的关注度;最后,设计了一种适用于小目标检测的数据增强算法,扩充训练数据中的小目标数量,丰富训练背景。实验结果表明,同现有目标检测算法相比,FFA-SSD算法可以更好地识别水面死鱼,检测精度达到93.5%。

关键词： 计算机视觉技术   工业质检   深度学习   数据增强  

摘要： 计算机视觉技术已成为工业质检中不可或缺的一部分,其应用范围涵盖自动缺陷检测、光学字符识别(Optical Character Recognition,OCR)和尺寸测量。文章着重探讨了计算机视觉技术在工业质检中的关键应用,并总结了一些有效的优化策略,包括深度学习技术、数据增强和硬件加速。通过评估计算机视觉技术的应用价值,进一步增强质检流程,制造商可以更好地保证产品质量,促进现代工业的可持续发展。

关键词： 激光点云   建筑物轮廓提取   图像处理   线要素简化   RANSAC  

摘要： 本文针对基于地面点云数据的建筑物轮廓自动提取,设计了一种由粗到精的提取方法。首先,将点云降维,在图像中进行轮廓优化和粗提取;然后,将欧式距离聚类和全局最小二乘方法与RANSAC方法结合,对提取出的粗轮廓进行更精细地拟合,得到原始的线要素;最后,采用平面几何拓扑约束和经验模型的方法,对得到的线要素进行简化和连接,完成轮廓的提取。试验结果表明,本文方法能够有效提取出建筑物轮廓,与传统方法实测相比,轮廓顶点处的位置精度总体小于5 cm,能够满足大多数城市测量应用场景。

关键词： 目标检测   深度学习   YOLOv5   水稻虫害识别  

摘要： 为了保证水稻的高产和稳产、提高水稻虫害检测的识别率,提出一种高效快速的检测算法——YOLO-Rice。首先,在传统YOLOv5s模型的基础上融合CA机制;其次,更换PANet为BiFPN结构;随后,使用更加轻量的CARAFE结构来代替原始的上采样模块;最后,替换损失函数来提高收敛速度,以便更好地进行定位。结果表明,与Faster R-CNN、SSD、YOLOv3等模型相比,YOLO-Rice的检测精确率提高了2.4%~40.8%,召回率提高了6.9%~31.4%,平均精度均值提高了7%~37.2%。由此可说明,改进后的模型在多个方面都优于原模型,具有更强的鲁棒性和更高的准确率,实现了对水稻虫害的准确、高效识别。

关键词： 目标检测   关键点检测   计算机视觉   深度学习   油气作业   仪表自动读数  

摘要： 油气作业现场的仪表设备繁多,通常需要巡检员定期进行人工读数以判断设备是否存在异常。然而,这种巡检工作繁重且容易受到人为因素的影响。为了解决这一问题,可以利用计算机视觉技术进行仪表图像分析和处理,实现自动识别和测量读数。传统的检测方法存在准确度低、实时性差和适应性差等方面的问题。利用基于深度学习的目标检测和关键点检测技术,能够进一步提高仪表自动化检测及读数的准确性和效率,有效替代人工巡检,缩减成本。

关键词： 高光谱   目标跟踪   Transformer   图像预处理  

摘要： 在高光谱目标跟踪领域,由于目标尺度的不断变化,跟踪目标在连续帧之间呈现多样化的尺度,从而引发跟踪精度下降的问题。为解决跟踪目标尺度变化的问题,提出一种基于Transformer的尺度自适应高光谱目标跟踪器,旨在显著提升高光谱目标跟踪在尺度变化方面的准确性。首先,对高光谱图像进行主成分分析降维操作得到3波段图,然后对搜索图像进行SwinBlock-Crop25的预处理,再将模板图像和预处理后的搜索图像输入到D-swin特征提取模块中,实现多块多层深度特征的提取。随后,对获得的特征进行拼接操作,并应用自注意力机制,以更好地捕捉目标在不同尺度下的关键信息。最终,通过一个多层感知机,将经过自注意力处理的搜索图像特征映射为最终的目标边界框,从而完成目标的跟踪过程。实验结果表明,与现有多个先进的跟踪器进行对比,所提跟踪器具备更高的成功率和准确率,在保持实时性的同时,比现有公认最先进目标跟踪算法MixFormer在应对目标尺度变化挑战上成功率高0.9个百分点。