关键词： 点云滤波   立体匹配   激光雷达   图像处理  

摘要： 针对由于激光雷达扫描特性所造成的点云拖尾及遮挡区域的歧义投影问题,提出了一种基于深度滤波的视差图像滤波算法,对非结构化的点云数据进行处理分析。首先,利用迭代几何编码代价体(IGEV)计算出双目深度估计视差图;然后将点云投影到对应的彩色图像得到投影视差图,以双目深度估计视差图作为引导图像,在对应的像素位置上对点云投影图进行一致性比较。由于激光雷达在近距离表现不佳,本文还创造性地提出了区分前景和背景的阈值判断方法。与德国卡尔斯鲁厄理工学院和美国芝加哥丰田理工学院(KITTI)计算机视觉算法评测数据集进行了对比实验,其实验结果表明,与KITTI算法相比,该算法在检测精度上提升了0.72%,验证了本文方法的有效性。

关键词： YOLOv8   茶叶嫩芽识别   深度学习   目标检测  

摘要： 中国茶文化历史悠久。茶带给我们的不仅有底蕴丰厚的茶文化,还有巨大的经济效益。目前我国茶叶的种植面积达257.9万公顷,茶叶的产量达189万吨。这么大种植面积和产量,意味着传统的采集方式不能满足需求,效率低下。随着科技的发展和国家政策对农业的扶持力度加大,我国现代化农业不断提升。茶叶的生产也应该更加科技化,文章就茶叶嫩芽识别,提出一种改进型YOLOv8,后续可通过润和AL Camera开发套件用此模型进行茶叶嫩芽的图像采集识别。改进后的YOLOv8识别准确率大有提升和效率都大有提升,为新型茶叶采集技术中茶叶嫩芽识别部分提供技术参考。

关键词： 目标检测   深度学习   YOLOv8   Transformer   合成孔径雷达  

摘要： 为了提高利用合成孔径雷达图像进行船舶目标检测的精度、准确率和鲁棒性,提出了一种基于YOLOv8的改进算法:CCAT-YOLOv8。在CCAT-YOLOv8算法中,一方面设计了一种坐标通道注意力(coordinate channel attention,CCA)机制模块,用于降低检测受到港口建筑、海岸环境、船舶分布密度和外型大小等因素的影响,提高算法在复杂环境下的检测精度;另一方面基于Transformer网络提出了一种改进Transformer模块用于缓解图像噪点和光污染对检测的干扰,以增强模型对图片深层特征信息的挖掘能力,提升算法目标检测的准确率和可靠性。最后,面向中国资源卫星应用中心提供的船舶数据集对CCAT-YOLOv8算法进行了有效性检测,算法的平均精度为92.57%,准确率达到91.58%,较好地体现了CCAT-YOLOv8算法在船舶目标检测上的内在价值与应用潜力。

关键词： 深度学习   计算机图像处理   系统设计   图像增强   目标检测  

摘要： 研究旨在设计基于深度学习的计算机图像处理系统。通过分析系统需求,本研究确定系统的功能和性能要求,提出系统的架构和模块划分,并选择合适的深度学习模型进行训练,详细设计图像处理模块,包括图像输入输出处理、图像增强与修复以及目标检测与识别。经测试,该系统能够有效地处理图像,提高图像质量和目标检测与识别的准确性。

关键词： 隧道裂缝   目标检测   语义分割   深度学习  

摘要： 恶劣地质环境下的川藏铁路高原隧道存在高地应力、高地温、高水压等复杂干扰因素,为实现高原隧道裂缝病害的高效准确定位与评价,提出了基于深度学习的隧道裂缝智能识别及评价方法。首先,通过Mask算法和CLAHE算法对高原隧道裂缝图像预处理;其次,开展基于改进YOLOv5目标检测算法的裂缝定位识别与基于ATT-Unet语义分割算法的裂缝像素分割;再次,通过提取裂缝形态特征信息,采用优化后的最短距离法定量计算裂缝的宽度与长度;最后,建立和扩容不同破坏程度的多场景隧道裂缝图像数据集,进而构建深度学习模型评价体系。依托实际高原隧道工程进行检测对比试验,该智能识别及评价技术的裂缝查准率可达86%,查全率可达96%,调和平均F1值可达91%,交并比可达84%,验证了在高原复杂因素干扰下技术的有效性与可靠性,满足高原隧道检测实时性和准确性的要求。

关键词： 图像处理   病虫害   目标检测   番茄叶片   YOLOv7-tiny   分布偏移卷积   注意力机制  

摘要： 为解决自然环境中番茄叶片病虫害检测场景复杂、检测精度较低,计算复杂度高等问题,该研究提出一种SLPYOLOv7-tiny的深度学习算法。首先,将主干特征提取网络中部分3×3的卷积Conv2D(2D convolution)改为分布偏移卷积DSConv2D(2D Depthwise Separable Convolution),以减少网络的计算量,并且使计算速度更快,占用内存更少;其次,将无参数注意力机制(parameter-free attention module,SimAM)融合到骨干特征提取网络中,加强模型对病虫害特征的有效提取能力和特征整合能力;最后,将原始YOLOv7-tiny的CIOU损失函数,更替为Focal-EIOU损失函数,加快模型收敛并降低损失值。试验结果表明,SLP-YOLOv7-tiny模型整体识别精准度、召回率、平均精度均值mAP_(0.5)(IOU阈值为0.5时的平均精度)、mAP_(0.5~0.95)(IOU阈值从0.5到0.95之间的平均精度)分别为95.9%、94.6%、98.0%、91.4%,与改进前YOLOv7-tiny相比,分别提升14.7、29.2、20.2、30个百分点,同时,计算量降低了62.6%。与YOLOv5n、YOLOv5s、YOLOv5m、YOLOv7、YOLOv7-tiny、Faster-RCNN、SSD目标检测模型相比,mAP_(0.5)分别提升了2.0、1.6、2.0、2.2、20.2、6.1和5.3个百分点,而计算量大小仅为YOLOv5s、YOLOv5m、YOLOv7、Faster-RCNN、SSD的31.5%、10.6%、4.9%、4.3%、3.8%。结果表明SLP-YOLOv7-tiny可以准确快速地实现番茄叶片病虫害的检测,且模型较小,可为番茄叶片病虫害的快速精准检测的发展提供一定的技术支持。

关键词： 三维目标检测   点云   边卷积   瓶颈注意力模块   VoteNet   SUN RGB-D数据集   ScanNetV2数据集  

摘要： 点云数据的高度稀疏特性使当前大部分基于点云的三维目标检测算法对点云的局部特征学习不足,且点云数据包含的部分无效信息会干扰目标检测。针对以上问题,提出了一种基于边卷积与瓶颈注意力的三维目标检测模型。首先,构建多层边卷积(Edge Convolution,EdgeConv),针对点云中的每个点,通过寻找特征空间上与其最接近的K个点,以构建K-近邻图结构,并学习点云的多尺度局部特征;其次,设计适用于三维点云数据的瓶颈注意力模块(Bottleneck Attention Module,BAM),每个BAM包括一个通道注意力模块和一个空间注意力模块,用于增强对目标检测有价值的点云信息,提升网络模型的表征能力。网络以VoteNet为基线,多层边卷积和BAM模块依次加入PointNet++网络和投票模块之间。模型在SUN RGB-D和ScanNetV2公共数据集上进行实验,并与13个当前先进的三维目标检测算法进行对比。实验结果表明,对于SUN RGB-D数据集,所提模型在交并比(Intersection over Union,IoU)为0.5时的平均精确率mAP@0.5达到了最高,并在床、椅子、办公桌等6个对象类别(共10个类别)达到最优准确率(AP@0.25);对于ScanNetV2数据集,模型的mAP@0.25和mAP@0.5均达到最优,并在椅子、沙发、照片等10个对象类别(共18个类别)达到了最优准确率(AP@0.25)。与基线VoteNet相比,所提模型在两个数据集上的mAP@0.25分别提升了6.5%和12.9%,消融实验证明了所加入的边卷积模块和瓶颈注意力模块的有效性。

关键词： 机器人   目标检测技术   机器视觉引导技术   精密装配   多轴孔装配  

摘要： 针对工业装配生产线进行多轴孔并行装配时,需要依靠人工辅助,存在装配效率低、误差大、装配质量不高的问题,本文基于机器视觉引导技术和目标检测技术,构建了一套基于机器视觉的准确抓取与精密装配系统。通过应用目标检测法实现了零件的迅速、精准抓取,利用多轴孔并行装配策略提升装配的成功率,有效提高了装配质量,并减少了对人工的依赖。该系统能够获取良好的装配效果,具有定位装备精度高、速度快等优势,满足装配作业的实时性和高精度的要求。

关键词： 数据结构   C语言   图像处理   数据分析  

摘要： 数据结构是一种关键的编程工具,可用于处理、分析和修改图像数据。文章将介绍各种数据结构在图像处理中的应用,包括图像的存储、处理和分析。此外,文章还将探讨不同数据结构在性能和效率方面的优缺点,以及它们如何影响图像处理的质量和速度。

关键词： 目标识别   去噪处理   视觉定位  

摘要： 本文主要研究防振锤复位机器人的目标识别算法。首先,介绍了防振锤螺栓的图像采集过程;其次对图像的感兴趣区域进行识别,确定目标的近似位置,并进行图像捕获,对图像进行预处理、去噪、增强、优化,完成对目标物体的识别与定位,从而实现防振锤复位机器人抓锤机械手操作结束时视觉导航的研究与应用。