关键词： 图像处理   语义分割   水稻叶瘟   UNet   病害程度分级  

摘要： 高效、精确地评估叶瘟病害程度对水稻的早期防治、精准施药、产量损失预测至关重要。针对传统病害分级方法效率低、主观性强的问题,该研究提出了一种基于改进UNet(vgg16 coordinate dropout focal-dice mixed loss UNet,VCDM-UNet)的叶瘟分割模型。首先,针对病斑形状不规则、不易分辨问题,将VGG16作为UNet的主干网络,增强模型提取叶片、病斑特征的能力。其次,为了提升模型对叶片、病斑像素的关注度,增强模型的泛化能力,在上采样模块中引入CA(coordinate attention)注意力机制和Dropout机制。然后针对叶片、病斑占比过小问题,采用焦点-骰子混合损失改进模型的损失函数,以优化样本的不平衡性,缓解背景像素占比过大对模型学习带来的影响。基于田间收集的三叶期水稻叶片图像进行了验证,并与UNet、PSPNet、DeepLabV3+进行比较。结果表明,VCDM-UNet的平均交并比、平均像素精度、宏平均F1分数分别为82.93%、88.87%、89.96%,均优于3种对比模型,能够满足叶片和病斑的分割任务。最后,基于分割结果,计算病斑占叶面积的比例对病害程度进行分级,VCDM-UNet的平均分级准确率为83.95%,经验证,该模型可为叶瘟病害程度分级提供技术支持。

关键词： 光纤通信   网络安防   服务质量(QoS)   目标检测   智能分析  

摘要： 随着信息化社会的发展,网络安防系统的重要性日益凸显。旨在优化基于光纤通信的网络安防系统,提高其传输效率与智能分析能力。通过采用高性能的物理层组件、引入万兆以太网和基于差分服务(DiffServ)的服务质量(Quality of Service,QoS)机制、部署改进的YOLOv4算法,系统在传输时延、目标检测精度及实时跟踪成功率方面均有显著提升。

关键词： 目标检测   航拍图像   深度学习   小目标  

摘要： 为解决航拍图像中部分小且密集的目标检测精度低下的问题并提高检测精度,基于Oriented R-CNN目标检测网络的基本结构,提出了一种新的网络—定向Rotated-SwinNet。定向Rotated-SwinNet使用Swin Trans⁃former作为主干网络并加以改进,以提升网络的整体检测精度。除此之外,为了提升网络对于小目标的特征提取能力,在定向RPN头中添加了新的卷积。为了提升目标框的回归精度,在检测头中引入了KFIoU损失函数。实验结果表明,定向Rotated-SwinNet在经过优化的DOTA1.0数据集上mAP0.5达到了85.9%,与原网络相比,检测精度有2.4%的提升。网络对于小目标的检测精度有明显提高,模型参数量并没有显著增加且检测速度并没有下降。

关键词： 缺陷识别   裂纹筛选   图像处理  

摘要： 磁粉检测是碳钢原件表面和近表面最有效的无损检测手段之一,但在复杂工况下存在缺陷识别率低、出现误报等情况。本研究基于磁粉检测自动化技术,开展裂纹缺陷筛选及识别技术研究,使用Otsu自适应阈值算法对裂纹缺陷图像进行分割,提取目标缺陷图像,分析噪声、伪缺陷和裂纹图像的特征参数,通过特征筛选,保留真实裂纹信息,并对裂纹图像进行标记处理,完成裂纹数量和长度的识别。

关键词： 计算机视觉   索力测量   亚像素模板匹配   斜拉桥拉索   相位运动放大   振动频率  

摘要： 针对传统桥梁索力测量成本高,传感器布置困难等缺点,以及在环境激励下一般的目标跟踪算法难以准确测量拉索微小振动的问题,提出一种基于相位运动放大算法和菱形搜索的亚像素模板匹配算法的索力测量方法。首先,利用智能手机采集拉索振动视频,经过相位运动放大算法处理;其次,通过菱形搜索和曲面拟合的亚像素模板匹配算法提取拉索位移时程;最后,通过傅里叶变换获取拉索的振动频率,再利用索力-频率的关系计算拉索索力。通过实验室斜拉桥模型和户外人行天桥测试验证该方法的可行性。结果表明:测得拉索的一阶、二阶振动频率与加速度响应对比误差分别在2.4%和2.7%以内。实验室拉索模型试验索力计算结果与张拉力相比表明:随着张拉力提升,抗弯刚度影响再减小,理论计算值与实际值偏差逐渐减小,该方法可以成为索力测量的一种新手段。

关键词： 图像处理   调制传递函数   线扩散函数   倾斜狭缝法   最小二乘法  

摘要： 随着光学镜头在工业自动化检测领域中的广泛应用,快速且准确地评价镜头的成像质量具有重要意义。为满足这一需求,调制传递函数(Modulation Transfer Function,MTF)测量仪已经得到研发并投入使用。其测量方法主要有垂直狭缝法和倾斜刃边法,但垂直狭缝法需保证狭缝与传感器严格对齐,在实际操作难以实现。而倾斜刃边法在测量过程中由于其微分过程导致噪声放大且无法避免,从而影响测量结果。为了应对这些挑战,提出了一种改进的倾斜狭缝法。该方法解决了倾斜刃边法中的噪声放大问题,同时适用于倾斜狭缝的情况,从而实现精确的MTF测量。该方法在去噪方面采用多帧图像像素平均的方法去除随机噪声得到狭缝图;截取图像部分纯背景区域求像素均值作为背景噪声的值,用该图减去该值去除背景噪声。此外,针对此狭缝图引入了一种新的求质心方法。首先以图像的一行或一列的线扩散函数(Line Spread Function,LSF)中最高像素值为中心,遍历其左右像素以确定有效狭缝区域,对此区域数据应用三次样条插值算法,得到亚像素级的质心位置。以当前行或列获得的质心位置为中心,以相机像元尺寸的0.25倍亚像素间距对各像素位置进行离散采样并归档,将沿着狭缝方向对落入同档位的像素值进行均值计算,从而得到4倍超采样的亚像素级线扩散函数。倾斜狭缝法不仅能精确计算狭缝的倾斜角度,而且能精确测量镜头的MTF。对实验中影响MTF测试精度的因素进行了详细分析,结果表明,与国外先进仪器的对比中,该方法在超采样前的奈奎斯特频率以内,MTF值的测量误差小于1%;超采样后,在2.6倍奈奎斯特频率以内,测量误差小于1.3%。实验结果验证了该方法的有效实用性,表明其能够满足工业生产的需求。这一方法的应用可以有效解决购买国外先进MTF测试仪昂贵和难以自主控制的问题。

关键词： 电阻点焊   机器视觉   图像处理   缺陷识别   EfficientNetV2  

摘要： 针对目前焊点外观质量检测过程中存在的人的疲劳和经验欠缺等问题,提出了一种基于机器视觉的焊点外观质量检测的方法,采用工业相机进行图像采集,并通过图像处理算法对焊点的内外轮廓直径进行测量;提出基于EfficientNetV2模型对焊点进行分类识别,引入ReLu激活函数和StackedLinearClsHead分类头,提高了焊点分类的准确率和模型的鲁棒性。试验表明,共检测232张完好和有缺陷的焊点图像,mAP值为98.42%,并且将尺寸测量和分类结果相结合,更加便于分析焊点特性。

关键词： 目标跟踪   特征融合   结构张量   高光谱视频  

摘要： 为解决现有高光谱视频跟踪算法在光照变化情况下跟踪效果不佳的问题,提出一种基于深度谱三元级联特征的高光谱目标跟踪算法。首先,设置阈值,利用目标局部光谱曲线将目标与背景分割,利用波段匹配获得目标光谱曲线,计算结构张量获得目标光谱权重曲线。然后,利用目标光谱曲线与高光谱图像进行光谱角距离操作完成高光谱图像降维,并提取目标深度特征。提取目标图像的尺度不变局部三值模式(SILTP)特征,并分配相应的光谱权重,融入光谱信息,得到谱三元级联(STC)特征。将降维后的目标深度特征与STC特征按通道卷积,得到更具判别性和鲁棒性的深度谱三元级联(DSTC)融合特征。最后,将DSTC融合特征送入双相关滤波器(DCF)。实验结果表明,与已有的先进算法相比,所提出的跟踪算法在光照变化挑战下具有更好的跟踪性能。

关键词： YOLOv8n   目标检测   安全帽佩戴检测   轻量化  

摘要： 【目的】正确佩戴安全帽可以显著降低煤矿工人高空坠落时头部受伤的风险。针对现有煤矿工人有无佩戴安全帽检测算法存在各种场景下小目标检测精度低、计算资源消耗大等问题，提出了一种基于YOLOv8设计的安全帽佩戴轻量化检测算法，命名为YOLOv8n-ESCD。【方法】首先，利用SCConv（Spatial and Channel Revolution）重新设计卷积模块，提出更轻量级的C2f-ScConv卷积模块来取代YOLOv8主干中的C2f模块，从而限制特征冗余并增强特征表示能力；其次，提出了一种基于高效多尺度注意力模块（Efficient Multi-Scale Attention， EMA）的ResNet-EMA模块。该模块有效捕捉跨维交互，建立维度间的依赖关系，从而增强算法的特征提取能力；此外，在算法的颈部网络中引入细颈结构（Slim-Neck Structure），以更好地融合目标的多尺度特征和背景信息，在保持精度的同时降低了模型复杂性；最后为避免动态卷积和额外的子网络生成动态内核，引入轻量级上采样算子Dysample(Dynamic Sample)显著减少了计算工作量。【结果】仿真结果表明：与原始的YOLOv8n算法相比，YOLOv8n-ESCD算法在精确度、召回率、mAP50和mAP50-95等关键性能指标上分别实现了0.8%、3.9%、2.0%和3.7%的提升。同时，YOLOv8n-ESCD还显著减少了模型的参数量（降低了21.3%）、模型大小（降低了17.7%）和计算负载（降低了25.6%），确保了实时性和准确性。【结论】通过与其他主流目标检测算法的对比测试，YOLOv8n-ESCD证明了其在安全帽检测任务中的有效性和优越性。

关键词： 轻量级神经网络   计算机视觉   卷积核   空间信息  

摘要： 传统的1×1卷积在进行升维和降维操作时，没有对空间信息进行处理，从而带来较多的计算冗余并造成性能下降。针对该问题，本文提出一种将空间信息优化与轻量网络相融合的网络架构Lite-EfficientNet，该架构将轻量化网络ShuffleNet中的Shuffle块嵌入EfficientNet网络，并引入一种自适应空间信息卷积（ASC）单元，通过学习一组与输入数据相关的偏移量自适应地调整1×1卷积的位置，从而有效恢复1×1卷积丢失的空间信息，实现了计算效率和性能的优化。实验结果表明ASC单元在减少计算复杂度的同时，显著提高了模型对空间信息的捕捉和整合能力，验证了其在高效网络设计中的潜力。与现有的轻量级模型相比，Lite-EfficientNet在ImageNet1k数据集上的分类准确率和推理速度均有所提升，在目标检测和实例分割任务中也具有广泛的适用性。