关键词： 目标检测   路面病害   道路养护   管理平台  

摘要： 介绍了1种基于YOLO目标检测模型和元学习训练方法的软硬件系统平台,即道路养护管理平台,用于道路养护。针对我国的路面情况,道路养护管理平台设计了1套路面病害检测分类标准,用于构建道路状况数据库,并在真实路面进行了测试。基于YOLO目标检测模型采用低阶视觉和高阶视觉相结合的方法,将低阶视觉和高阶视觉数据进行融合,提高道路病害分析的鲁棒性。基于元学习的模型训练方法,保证模型可快速适应新的路面病害数据,提高模型泛化能力。实验结果表明,该平台设计的路面病害检测分类标准合理有效,所使用模型在路面病害分析方面具有较高准确性。本文提出的平台可为道路养护和管理提供有效的支持,并为在新技术背景下的国家道路病害标准提供依据。

关键词： DSP数字信号处理器   多DSP并行处理架构模式   CNN卷积神经网络算法   计算机图像处理方法   算法验证  

摘要： 基于DSP架构模式,提出了一种CNN卷积神经网络算法,并将其运用到计算机图像处理中。研究过程中,采用DSP技术进行计算机图像获取、算法处理、算例分析和结果优化,大大提高了计算机图像算法处理质量和效率。经过算法测试验证,结果表明,基于DSP数字信号处理器搭建多DSP并行处理架构模式,采用CNN卷积神经网络算法进行计算机图像处理,能够提高图像处理精度。该算法运行时的性能较高,功能低,CPU占用率不高,且DSP计算机处理系统在多DSP并行处理架构模式下进行算法分析,系统的稳健性和可靠性高,能够适应不同规模级别下的计算机图像处理数据集的处理速度、精度、资源消耗和功率要求,可为计算机图像算法处理提供准确、高效、经济的解决方案,对于计算机图像处理算法设计和优化以及应用具有较好的实用参考价值。

关键词： 超声   兰姆波   无损检测   损伤概率成像   形状因子   图像处理  

摘要： 在超声兰姆波的损伤概率成像算法中,目前对于形状因子的选取是通过测试或根据先验知识得到的,这使得结果不够客观准确。文章提出了一种基于损伤概率点对形状因子优化的损伤概率成像方法。该方法先利用概率成像的原理估计缺陷范围,然后依据该点对部分路径上的形状因子进行重新计算,使得每条路径上的影响区域都尽可能包含缺陷,最后运用概率叠加实现缺陷定位。该方法用在兰姆波钢板缺陷的检测实验中,结果表明能够实现缺陷定位,定位误差在7mm以内,较常数形状因子的算法减小了定位误差。该方法在未有先验知识的前提下能对形状因子进行有效的优化,得到更好的损伤概率成像效果。

关键词： 梁底检测   病害识别   深度学习   语义分割  

摘要： 钢桁架桥梁底部由于长期受到自然环境的侵蚀和交通荷载的影响,容易发生锈蚀等现象,若不及时进行检测和维修,可能会导致结构性能下降,甚至发生安全事故。现依托于北盘江大桥,构建了梁底腐蚀典型病害数据集,并基于标准化的图像预处理技术,通过选取合适的卷积神经网络,实现了病害图像的特征自动提取,同时以机器学习的方式,实现了病害分类,完成了对疑似病害区域的检测。

关键词： 煤矿   推车预警   罐笼   多目标跟踪  

摘要： 煤矿推车预警系统自动化程度低、功能不完善,罐笼人员超载和滞留监测依旧需要人工操作。为此研发了一种煤矿人员多目标跟踪算法。详细介绍了算法总体设计、图像采集、样本标注、模型训练、目标检测和人员跟踪。推车预警系统使用该算法实时检测入罐人数和出罐人数,出现罐笼超载或人员滞留情况联动闭锁停罐。应用结果表明:该算法可以实时检测入罐人数和出罐人数,准确可靠,罐笼内出现超员或人员滞留可联动闭锁,为煤矿安全生产提供了有力保障。

关键词： 轻量化卷积神经网络   无锚框   目标检测   手势分类   嵌入式系统  

摘要： 针对大部分嵌入式平台计算能力较弱、无法实时运行基于神经网络的应用程序的情况,提出了一种基于Anchor-Free轻量化卷积神经网络(CNN)的手势交互方法。该方法缓解了Anchor-Based检测的弊端,通过神经网络实时检测人体手部,并利用动态时间规整(DTW)算法对手势轨迹进行分类。神经网络参数量仅有0.22 M,在自建手部检测数据集上的平均精度均值(mAP)交并比(IoU)=0.50︰0.95可以达到68%。在RK3568嵌入式平台上,每帧推理和后处理时间仅有31 ms,轨迹分类耗时仅有43 ms,CPU使用率仅有34%,满足实时性要求。

关键词： 饲料   休止角   图像处理   颗粒粒径   表面能  

摘要： 颗粒饲料休止角对饲料储料箱设计、自动化饲喂站、投料装置设计等工程实践有重要指导意义。为实现休止角的快速准确测量,探究颗粒饲料休止角与粒径、表面能之间的关系,利用物理试验与离散元仿真相结合的方法对颗粒饲料堆进行基于MatLab图像处理的休止角测定。由于传统休止角的测量存在系统误差和测量精度低的问题,本文提出一种基于MatLab图像处理方法的休止角测定,利用傅里叶级数对堆积图像进行轮廓拟合,利用拟合曲线的单边斜率求出休止角大小,操作便捷,可提高测量精度。基于这种方法,对颗粒饲料堆进行分析,探究了颗粒粒径对休止角的影响并进行仿真试验,利用EDEM以物理试验得到的休止角为目标值进行仿真试验,以休止角作为参照,标定接触模型JKR表面能。试验结果表明:6.5mm颗粒饲料实际休止角为34.992°,仿真休止角为34.9535°;5mm颗粒饲料实际休止角为36.9797°,仿真休止角为35.2603°;3.2mm颗粒饲料实际休止角为37.9186°,仿真休止角为36.092°。休止角仿真结果与实际试验结果较为接近,两者的绝对误差分别为:6.5mm对应0.11%,5mm对应4.65%,3.2mm对应4.82%,表明颗粒饲料的休止角随着粒径的增大而减小,根据颗粒饲料参数建立的离散元模型,3种粒径的颗粒饲料其对应表面能分别为:3.2mm对应0.15J/m^(2),5mm对应0.22J/m^(2),6.5mm对应0.22J/m^(2)。

关键词： 锂电池   缺陷检测   机器视觉   图像处理   深度学习   性能评价指标  

摘要： 锂电池作为新能源汽车的核心组件之一,其复杂的制造工艺流程不可避免地引入各种缺陷,严重影响产品的质量,缺陷检测已成为锂电池制造流程中的重要环节,而兼顾了精度与速度优势的机器视觉方法受到高度关注。本文综述了近15年来基于机器视觉的锂电池缺陷检测方法的研究进展。首先简介锂电池表面常见的缺陷类型,阐明视觉缺陷检测的主要流程。然后重点阐述了基于传统图像处理的锂电池缺陷检测方法,对检测流程中的图像预处理、图像分割、特征提取、分类识别4大步骤进行了详细的解释说明,并对比每个步骤中各类方法的优缺点。接着按分类网络、检测网络、分割网络这3类综述了基于深度学习的锂电池缺陷检测方法。随后整理了10个锂电池自建数据集和缺陷检测性能评价指标。最后指出针对锂电池缺陷检测目前面临着诸多方面的技术挑战,并对未来的工作进行了展望。

关键词： YOLOv3   日用陶瓷   检测   目标检测  

摘要： 为解决日用陶瓷产品缺陷检测难题,本文以陶瓷盘为研究对象,基于YOLOv3目标检测算法实现对陶瓷盘表面裂纹、破损、落渣、斑点这四种缺陷进行检测和识别。实验结果表明,模型在陶瓷盘表面缺陷识别上的平均精确率为89.2%,展示了该方法的有效性和潜在的工业应用价值。

关键词： 目标检测   注意力机制   深度可分离卷积(DSC)   SSD算法  

摘要： 针对在小目标检测过程中因浅层特征语义信息不丰富,导致漏检问题,提出一种多层特征融合改进SSD(single shot multi-box detector)方法。首先在浅层网络中加入深度可分离卷积(depthwise separable convolution,DSC),使用逐通道卷积和逐点卷积强化浅层语义信息;然后将深层网络和浅层网络通过反卷积和空洞卷积的方式细化特征;最后在深层网络中加入注意力机制,增强深层网络对小目标的检测能力。在VOC2007和VOC2012数据集上进行验证,平均检测精度相较于基准算法提高了5.56%,相较于其他先进算法提升了4.25%。实验结果表明,提出的细化语义和强化感知方法可以达到提高小目标检测精度的目的。