关键词： YOLOv3   驾驶员疲劳检测   深度学习   目标检测  

摘要： 该算法设计利用高效的YOLOv3对实时驾驶员疲劳监测系统进行了研究并构建。YOLOv3算法以其快速且精准的物体识别能力,为目标检测领域带来了颠覆性的变革。该系统融合了先进的面部关键点定位技术,可精确捕捉眼部动作,通过监测眨眼频率等指标,对驾驶者的疲劳程度进行精准评估。实验部分在云端平台展开,借助大量数据对模型进行训练,不仅证明了系统的实时响应性和实用价值,更为智能化的提升道路交通安全防范提供了新的思路。

关键词： 半监督目标检测   特征增强   自适应   置信度阈值  

摘要： 传统的半监督目标检测方法在使用固定阈值时存在着一些局限性,如偏差和标签分布不均衡等问题。针对标签分布不平衡问题,提出了一种局部特征增强的自适应方法来捕捉图片的细节特征。首先,在通道注意力模块中加入特征提取模块,对输入特征进行二次特征提取,得到更多的细节特征;其次,引用了自适应标签分布感知置信阈值方法,根据所设置的置信度阈值,自适应地对标签分布进行调整,解决标签预测任务中的标签分布不均衡问题。在COCO(Common Objects in Context)数据集上的实验结果表明,本算法可以解决模型对少数类别图片的预测能力不足的问题,并达到较好的检测性能。

关键词： 目标检测   军用车辆数据集   高分辨率遥感   细粒度   深度学习  

摘要： 目的 细粒度军事目标数据集是实现现代战争目标自动分类的重要支撑数据之一。当前缺乏高质量的细粒度军事目标遥感图像数据集,制约了军事目标自动精准检测的研究。为此,本文收集并标注了一个新的军用车辆细粒度检测遥感图像数据集MVRSD(military vehicle remote sensing dataset),并基于此设计了一种基于YOLOv5s(you only look once)的改进模型来提高军用车辆目标检测性能。方法 该数据集来源于谷歌地球数据,收集了亚洲、北美洲和欧洲范围内40多个军事场景下的3 000幅遥感图像,包含多个国家和地区的军用车辆目标。经高质量人工水平边界框标注,最终形成包含5个类别共计32 626个实例的军用车辆细粒度检测遥感图像数据集。针对遥感图像中军用车辆识别难题,本文提出的基准模型考虑了遥感军用车辆目标较小、形状和外观较为模糊以及类间相似性、类内差异性大的特点,设计了基于目标尺寸的跨尺度检测头和上下文聚合模块,提升细粒度军用车辆目标的检测性能。结果 提出的基准模型在军用车辆细粒度检测遥感图像数据集上的实验表明,对比经典的目标检测模型,新基准模型在平均精度均值(mean average precision,mAP)指标上提高了1.1%。结论 本文构建的军用车辆细粒度检测遥感图像数据集为军事目标自动分类算法的研究提供了参考与支持,有助于更为全面地研究遥感图像中军用车辆目标的特性。数据集及检测基准模型地址为:https://***/baidongls/MVRSD。

关键词： 番茄   YOLOv5   数据增强   目标检测   注意力机制  

摘要： 为提高番茄果实成熟度的识别精度,实现番茄种植环节成熟度在线无损自动检测,本研究提出一种基于改进YOLOv5的番茄成熟度检测方法。针对番茄果实间因藤蔓、叶片的遮挡以及光照干扰而导致的识别误差、图像中小目标番茄检测难等问题,在YOLOv5算法的骨干网络Backbone中增加ECA高效通道注意力模块,将Neck结构中PAFPN替换为具有双向加权融合能力的Bi FPN,在Head结构中添加小目标检测模块,通过消融试验获取最优改进算法YOLOv5-tomatoA。结果表明:相对于YOLOv3-Tiny、SSD300和Faster R-CNN目标检测网络,YOLOv5-tomatoA算法在遮挡和光照不均等复杂场景下,平均精度均值和F1得分分别达到97.4%和95.4%,图像识别仅需14.7ms,能同时满足高精度和快速响应的番茄果实识别需求。改进后的YOLOv5网络结构优化了内存占比和资源消耗,仅占用15.9M,模型更加轻量化,对实现番茄成熟度的在线无损检测具备一定的实用价值,该技术也可用于番茄自动采摘机器人设计中。

关键词： 巡检机器人   单片机   机器视觉   目标检测   卷积神经网络  

摘要： 为了在变电站的日常工作过程中最大程度地减小设备因起火爆炸等事故造成的损失,设计一款能在站使用且高效、智能、自动化的巡检类机器人显得尤为重要。设计了一款基于卷积神经网络的变电站机房巡检系统,其硬件系统包括核心控制单元、摄像头传感模块、舵机云台驱动单元、小车运动电机驱动单元、无线通信单元、图像处理单元和声光报警单元等;其遥控上位机通过无线通信单元与下位机通信,实现系统小车的实时遥控运动与视觉监测,达到精准的网格化管理。该系统能应用于各种场景,适配能力强,检测识别效果显著,对处置变电站突发起火事故及完善未来电网安全保障体系等方面具有重要的意义。

关键词： 深度学习   畜禽养殖   母羊   发情   目标跟踪  

摘要： 随着畜牧养殖数字智能化监控技术的产业化应用,如何运用深度机器学习技术对畜牧养殖监控视频数据进行发挖掘应用,从现有粗糙的低精度识别提升到更精准的高精度分析,从直观的浅层特征深入到复杂关联的深层特征,已成为当前畜禽环境监控系统亟待解决的关键技术难题。目前,母羊发情行为检测主要是依靠人工观察和专用的可穿戴设备,存在误差大、容易引起母羊应激反应和成本高等问题。本文针对母羊发情所呈现的行走频繁和食欲减退的鲜明特征,选取山东省泰安市小兰沃村某羊场为实验场所,依据数字畜牧监控系统录制的实时视频数据。首先采用Yolov5目标检测模型,检测和识别发情母羊目标;然后采用DeepSORT目标跟踪算法,获取发情母羊在圈养食饲活动中的实时位置,通过提取目标的位置坐标数据,计算出其在目标羊圈活动的移动轨迹并计算其移动距离。最后,设计了基于行走距离检测模型和基于食饲期间行走主轨迹痕迹检测模型,实现发情母羊的实时精准检测。本文工作将为集约化圈养下的小群体母羊合理分栏,精细高效养殖管理,提供了进一步的理论探索和可行性应用方案。

关键词： 图像处理   编程语言   Python   智能控制  

摘要： 为解决传统自动化系统融入图像处理难题,需借助高级编程语言进行开发。在自动化系统中一般控制器PLC的容量都很小,且逻辑控制及编程语言具有局限性,无法满足大量的数据或图片处理,而智能工厂建设需要整合大量的设备数据进行处理。在高级语言中其Python数据结构丰富,内置各种领域的第三方库函数,能够分析生产过程中的图像属性,弥补自动化中PLC的控制缺陷。运用Python语言将图像处理应用在自动化控制系统中,并进一步提出发展自动化智能控制的解决对策。

关键词： 变压器铁心   横剪片料   在线测量   图像处理  

摘要： 在电力系统中,变压器铁心的质量和精度对变压器的性能至关重要。传统的铁心片料检测方法效率低下,无法满足现代生产的需求。本文提出了一种变压器铁心横剪片料外观在线测量方法,该方法利用超大分辨率数据采集技术、超长条形物体分割等技术,实现了铁心片料的在线检测,提高了生产效率并保证了测量精度。

关键词： 计算机视觉   深度学习   太阳电池   YOLOv5   光伏缺陷  

摘要： 针对以往光伏缺陷检测中可识别缺陷的种类少、无法对缺陷进行定位、模型参数多体积大以及检测速度慢的局限性,改进传统的YOLOv5网络对光伏组件面板图像中常见的裂纹、断栅、黑芯、粗线和热斑5类主要缺陷进行检测和分类。使用3种不同的注意力机制模块:CA注意力机制模块、ECA注意力机制模块、CBAM注意力机制模块,分别融入YOLOv5网络中进行对比分析实验,发现CA注意力机制更加适合光伏缺陷图像检测。随后对融入CA注意力机制模块的YOLOv5算法再次加入双向特征金字塔网络结构,进一步加强网络的特征融合能力。实验结果表明,该模型可对5类常见的缺陷进行有效的识别和定位,与YOLOv5算法相比平均精准度(mAP)值提升3.7%,模型体积减小15%,图片的检测平均速度提升9.7%。结论表明该方法可有效增强YOLOv5算法在光伏缺陷检测中的能力,同时可降低深度学习算法在光伏检测中误检和漏检的情况。

关键词： 织物疵点检测   深度学习   目标检测   疵点分类   图像分割   织物质量控制  

摘要： 为提高深度学习技术在疵点检测中的应用效率,推动纺织行业质量控制自动化与智能化发展。首先,对现有公开的疵点数据集进行整理,剖析织物疵点数据的现状及困境。其次,从监督学习、半监督学习和无监督学习三方面梳理了面向织物疵点检测的深度学习技术原理,对比各自的优缺点及适用场景。此外,对疵点检测领域常用的速度和精度评价指标进行了总结。最后,基于背景、检测方法及评价指标等多个维度,对深度学习各类网络在疵点检测任务中的实验结果进行了对比分析。结果表明,数据集质量是影响算法性能的关键因素。认为未来研究重点将是生成有织物纹理特性的高质量疵点,可自动标注的监督学习算法,以及提升无监督和半监督学习算法的检测性能。