关键词： 图像处理   hough变换   掩膜   边缘检测   分割效应  

摘要： 针对当前人工目检在药片缺陷检测中效果不理想的情况,提出了一种在准确率、速率和成本上更优的药片缺陷检测方法。该方法基于机器视觉检测技术,使用图像处理、边缘检测、缺陷识别等算法,包含原始图像中值滤波和均值滤波两种噪声消减预处理、hough变换对药品和基于掩膜的背景消除的定位、分析比较canny, prewitt, sobel, roberts等四种不同边缘检测算子对图像的分割效应、标记缺陷所在的同时对缺陷的类型进行识别。最后实验结果表明,该方法的准确率可高达96.67%,效果较好。

关键词： MVP   高职   数字图像处理   项目化教学  

摘要： 针对高职院校中数字图像处理课程教学难度大的问题,提出一种基于MVP(Machine Vision Platform)平台的数字图像处理课程教学方案,阐述如何组织和重构课程内容,构建以项目为核心的应用型课程框架,以“工件计数”项目为例,介绍基于MVP平台的“三三三”课程教学实施过程,最后通过教学评价说明教学效果。

关键词： 电力巡检   目标检测   联邦学习   激励机制   公平性  

摘要： 基于深度学习的目标检测算法能够高效处理电力巡检图像,及时发现故障隐患。然而,由于数据整合困难及数据隐私保护等原因,单个电力公司或第三方机构可能不足以训练出高性能模型。为解决这一问题并激励更多参与方加入面向电力巡检图像目标检测的联邦学习,该文构建了基于模型公平和基于收益公平的电力巡检图像目标检测联邦激励机制。基于模型公平的激励机制适用于所有参与方都是数据拥有方的情况,通过贡献评估分配不同性能的模型;基于收益公平的激励机制针对同时存在数据拥有方和数据需求方的模式,数据拥有方获得相应的收益,而数据需求方获得高性能模型。实验结果显示,在这两种激励机制中,公平性相关系数分别可达到0.96和1。这表明所提出的激励机制可有效地提升公平性,并能够激励更多的参与方加入到面向电力巡检图像目标检测的联邦学习中。

关键词： 焊缝缺陷   X射线检测   传统检测方法   目标检测   封装过程   可靠性   芯片  

摘要： 芯片的封装过程极其复杂且对精度要求极高,在焊接过程中保证金属焊料填满基板和保护封盖之间的缝隙较为困难,容易出现焊缝缺陷,对芯片的质量产生严重影响,因此,对封装完成的芯片进行焊缝缺陷检测以保证芯片的可靠性极为重要。然而,陶封芯片的焊缝缺陷大小不一、形状多变,导致传统检测方法的精度和效率不高。

关键词： 目标检测   深度学习   玉米雄穗   复杂田间环境  

摘要： 玉米雄穗对于玉米产量以及优良育种有着重要作用,为提升复杂田间环境下对抽雄期玉米雄穗的检测精度和速度,提出一种融合高效多尺度注意力机制的轻量级目标检测模型YOLOv5-EMM。通过嵌入高效多尺度注意力机制(EMA)模块、替换MobileNetV3轻量级骨干网络、优化MPDIoU损失函数及采用BiFPN优化颈部网络改进YOLOv5基础模型。试验结果表明,YOLOv5-EMM网络平均精确度达到97.8%,比改进前提高了2.7%,模型参数量低至3.31M,计算量也降低了51%。改进模型对复杂田间环境玉米雄穗有着较好的检测效果,可为玉米生长状态监测提供技术支持。

关键词： 图像处理   脑肿瘤分割   卷积神经网络   磁共振成像(MRI)   多任务学习  

摘要： 针对脑肿瘤磁共振成像(magnetic resonance imaging,MRI)分割中样本缺少、类不平衡、小区域分割精度低等问题,本文提出了基于3D No-New U-Net的多尺度多任务深度学习算法TDDU-Net。首先,采用了一个编码器和三个不完全相同解码器的结构;其次,采用逆瓶颈结构设计的ConvXt模块作为解码器的前置处理,克服在部分核心区域解码时高层语义未被充分利用的不足;再次,在最底层编码器和解码器连接处增加广义特征处理模块InConvXt,保证全局特征的准确性,增强网络的稳定性;最后,在保证准确率的情况下,使用深度可分离卷积在适当位置减少网络的参数计算量。实验表明,预测分割结果在整体肿瘤区域(whole tumor,WT)、肿瘤核心区域(turmor core,TC)、增强肿瘤区域(enhancing tumor,ET)的Dice相似系数(Dice similarity coefficient,DSC)在BraTS18数据集中分别达到了0.907,0.847,0.807。本文方法较其他方法表现出色,能准确分割出MRI中较小的肿瘤区域。

关键词： 机器视觉   缺陷检测   图像处理   特征提取   误检率   人工目检  

摘要： 表面缺陷检测是产品出厂前必不可少的一个环节,新能源汽车电池底座的铝巴缺陷检测以往是依靠人工目检,但该方式效率低下、误检率高,且易受人的主观因素影响。为了促进产线升级,通过Halcon与C#实现混合编程,设计一种基于机器视觉的铝巴表面缺陷检测系统。通过工业相机采集铝巴图像进行相应的阈值分割;采用Halcon算法的图像处理方式,依据正常与缺失铝巴间的差异选择特征向量进行特征提取,进而判断铝巴是否缺失。该系统弥补了以往人工目检方式存在的不足,实现了由传统人工生产向半自动化生产的转变。企业实际应用结果表明:所设计检测系统的误检率为0%,相比于人工目检省时26min,达到了预期效果,能够满足实际需求。

关键词： 水稻   YOLOv8   目标检测   病虫害识别   ADown   注意力机制   检测头   损失函数  

摘要： 针对水稻病害检测精度低、易发生漏检和误检等问题,提出了改进YOLO第8常规版(you only look once version 8 normal,YOLOv8n)水稻叶片病害识别检测方法。以原始YOLOv8n算法为基准,在主干网络中使用下采样操作卷积(a convolutional block for down-sampling,ADown)模块,减少特征信息的丢失,并在主干网络与颈部网络之间引入基于挤压-激励(squeeze-and-excitation,SE)的注意力机制模块,提高网络的特征融合能力;同时,设计出共享参数检测头,增加检测任务的感受野;此外,使用顺序证据加权插值算法的交并比(weighted interpolation of sequential evidence for intersection over union,WIoU)损失函数,进一步提升网络的检测性能。在水稻病害数据集上进行大量实验,结果表明,与原始YOLOv8n算法相比,改进YOLOv8n算法的精确率和平均精确率均值分别提升了6.59%和6.86%;改进YOLOv8n算法能够满足水稻叶片病害识别对速度及检测精度的需求,同时提高了对小目标和密集目标的检测能力,从而减少了漏检和误检的情况。改进YOLOv8n算法与目前主流算法相比在检测速度和精度上具有一定优势,检测速度是YOLO第7版(YOLO version 7,YOLOv7)算法的3.61倍,平均精确率均值提高了8.63%。该研究能够为水稻智能化种植管理提供一定的参考。

关键词： YOLOv8   水下目标检测   大可分离核注意力机制   轻量化   多尺度特征融合  

摘要： 针对复杂水下环境导致水下目标检测时出现误检、漏检以及检测效率低等问题,提出了一种改进YOLOv8模型的轻量化水下目标检测算法。首先,为了改善颈部网络特征融合不足的问题,将YOLOv8的颈部网络融合(Bidirectional Feature Pyramid Network,BiFPN)双向特征金字塔结构,提高小目标层的检测效果;其次,针对网络中卷积模块参数量大和计算复杂度高的问题,设计了一种自适应注意力下采样(Adaptive-Attention Down-Sampling,AADS)模块,将主干网络中的卷积模块替换为AADS模块,降低模型参数量和计算量;最后,引入大可分离核注意力机制(Large Separable Kernel Attention,LSKA),强化特征提取能力,使模型能够更精确地关注重要信息,提高目标检测精度。将改进的网络在水下目标检测数据集中进行实验,改进后的算法与YOLOv8相比,平均检测精度提升了1.4%,模型计算复杂度降低了15.9%,模型参数量减少了43.3%,使检测精度和检测速度之间达到了很好的平衡。

关键词： 岩体   裂隙迹线   图像识别   Hessian矩阵   图像处理  

摘要： 针对以往研究中岩体裂隙图像识别方法的识别结果存在大量伪裂隙问题,提出了一种考虑几何特征的岩体裂隙迹线多尺度图像识别新方法.根据图像中不同像素点黑塞矩阵特征值大小的差异构建滤波响应函数,该函数在对线性裂隙进行增强的同时亦可抑制图像噪声;采用限制对比度的直方图均衡化算法解决了函数响应值不足的问题;基于连通域面积和连通域最小外接矩形长宽比两个参数准确获取了裂隙形态;利用形态学细化、毛刺去除和分段线连接的组合处理方式识别得到裂隙迹线.工程实测结果表明:所提方法裂隙迹线识别结果与手工描绘的参考裂隙极为相符,精度和敏感度的调和平均值D_(ice)达到88%以上.相较于改进Canny方法、暗区曲线结构增强(DRCSE)方法以及混合全局和局部阈值(HGLT)方法,本文方法表现出了更强的稳健性和鲁棒性.