关键词： 深度学习   计算机视觉   图像生成   目标检测   烟盒缺陷检测  

摘要： 针对当前面向烟盒缺陷检测的智能算法研究面临的严峻问题:(1)烟盒缺陷检测中数据稀缺性高、品牌多样性、产线背景复杂且动态;(2)传统烟盒缺陷检测任务效率低、误检率高;(3)现有的包装机小盒外观检测系统不够全面,效率低。本文围绕“数据生成扩充-烟盒缺陷检测算法-系统集成”的全链条技术路径展开,提出了一套完整的智能化解决方案,并在理论与工程层面取得以下创新性成果: (1)针对烟盒缺陷检测中数据稀缺性高、品牌多样性复、产线背景复杂且动态的问题,提出基于改进扩散模型的双通道烟盒缺陷数据扩充方法。首先通过手动标注和SAM分割大模型对原始烟盒数据进行预处理,分离局部背景信息与缺陷特征,然后结合注意力残差模块(Att Resblock)与高效多尺度注意力模块(EMA)优化策略,最后根据产线实际情况分别使用带有局部背景信息和不带有局部背景信息的缺陷图像采取不同策略对原始数据集进行扩充。实验表明,其FID分数较主流GAN模型降低15%-20%,细节清晰度显著提升;以1:1比例混合原始数据与生成数据时,主流检测模型等检测模型的各项指标均有提升。 (2)针对烟盒图案复杂,缺陷形状、大小、位置多变导致现有烟盒缺陷检测任务效率低、误检率高的问题,创新性提出了融合频域增强与动态稀疏注意力的烟盒缺陷检测算法。为提升对微小和模糊瑕疵的检测效果,引入频域特征处理模块,WT模块通过小波变换显式提取低频全局特征(如色差、污渍)与高频细节(如边缘破损),使缺陷检测精度提升。针对模型在复杂背景下模型的低表现行为,创新性地引入自适应稀疏注意力模块(ASSA),通过动态特征筛选能够减少冗余信息和噪声干扰,提升模型检测性能。实验表明,所提出的模型在参数量减少15%,FLOPS降低20%的情况下,m AP50达97.6%,优于主流检测模型,满足工业实时性需求。 (3)针对现有的包装机小盒外观检测系统不够全面,效率低等问题,开发实现覆盖烟包六面外观检测的软件系统。通过深度学习与图像处理技术的结合,实现了烟包缺陷的精准检测和自动剔除。该系统在模拟实际生产环境中能够高效运行,显著提升了烟包质量控制能力,成功解决了传统人工检测的局限性和误检问题,为工业智能化生产提供了强有力的支持。同时,算法服务模块的性能对比测试进一步证明了本系统在准确性、效率及稳定性方面的优势。

关键词： 弱光目标检测   YOLOv5n   跨层多尺度融合   YOLOv8n   扩张重参数化残差特征提取  

摘要： 在弱光场景下,目标检测面临诸多挑战,如图像细节信息丢失、噪声干扰加剧、特征提取困难等问题。为应对这些挑战,本文选择合适的YOLO模型展开深入研究,主要工作及贡献如下: 1、针对弱光数据集稀缺的问题,构建Ex Dark扩充数据集。通过对VOC2007数据集进行伽马变换,模拟不同强度的弱光条件生成弱光图像,并与Ex Dark数据集对比分析,选取共有的十个目标类别,通过数据整合与优化,构建了规模更大的Ex Dark扩充数据集。 2、为解决弱光目标检测中漏检和误检问题,提出跨层多尺度融合的弱光目标检测算法YOLOv5n-OMLG。首先,设计ODConv-Mobile Netv2特征提取网络,在减少计算量的同时提升特征挖掘能力;其次,提出轻量化跨层多尺度融合网络Lig GFPN,通过多层次特征融合增强上下文信息感知能力;最后,引入Ghost Conv,简化网络结构并降低计算开销。YOLOv5n-OMLG显著提升了检测精度,但在检测速度上仍有优化空间。 3、为进一步提高精度和速度,设计了轻量化扩张重参数弱光目标检测快速算法YOLOv8n-DLF。首先,提出DRR扩张重参数化残差模块,融合大核卷积与空洞卷积的多分支架构,结合重参数化技术和残差结构,高效提取多尺度特征并提升速度。其次,提出LESD检测头,通过共享卷积降低模型复杂度。最后,采用Focaler-MPDIo U损失函数,动态调整样本权重以增强对弱光场景的关注,引入改进的Io U计算方法,提升了目标定位精度。 4、搭建了一个面向弱光场景的目标检测可视化系统,将YOLOv8n-DLF算法集成至Django后端框架,并利用***构建用户友好的交互检测与管理界面,通过实际部署与测试展示了算法在弱光场景下的有效性和可靠性。

关键词： 无人机   目标跟踪   自适应无迹卡尔曼滤波   强跟踪滤波  

摘要： 针对无人机在跟踪地面机动目标时，目标的机动导致无法得到准确的目标状态信息的问题，以无迹卡尔曼滤波(UKF)算法为基础，结合交互多模型(IMM)算法与强跟踪滤波器的思想，提出了一种基于IMM的强跟踪无迹卡尔曼滤波(IMM-STUKF)算法的无人机对地目标状态估计算法。仿真表明，在无人机飞行速度约30 m/s、目标速度约7 m/s、角度与距离量测误差分别为1°和15 m时，相较于IMM-UKF,基于IMM-STUKF的无人机对地机动目标位置估计精度提升了约10%,速度估计误差降低了约50%。

关键词： 带钢表面缺陷检测   目标检测算法   多模块协同优化   动态损失函数  

摘要： 带钢作为钢铁工业的关键产品,其表面质量直接影响下游制品的性能与外观,传统检测手段在面向现代化的高速生产线时,暴露出漏检率高、环境适应性差等问题。针对带钢表面缺陷检测中实时性表现不佳和检测精度尚不理想的两个问题,本文提出基于多模块协同优化的目标检测框架,通过算法改进与系统集成实现检测效能的全面提升。 针对实时性表现不佳这个问题,本研究在YOLOv5框架中创新性地融合卷积块注意力机制(CBAM)与双向加权特征金字塔网络(Bi FPN),通过通道-空间双维度动态特征聚焦策略强化微小缺陷的表征能力,同时设计EIo U与Alpha-Io U复合损失函数,利用几何解耦约束与幂次梯度调节机制优化边界框回归过程,改进后的算法不仅提升了小目标召回率还提高了推理速度。 针对检测精度尚不理想这个问题,本研究在YOLOv8模型中引入全局注意力机制(GAM)与内容感知上采样模块(CARAFE),通过跨维度交互增强复杂纹理缺陷的语义理解能力,结合动态核重组技术实现亚像素级缺陷轮廓恢复,并采用WIo U损失函数构建样本质量评价体系,显著降低低质量标注的干扰,改进后的算法在带钢表面缺陷检测中检测精度大幅提升。 最后,设计并实现基于PyQt5框架的带钢表面缺陷检测系统,该系统集成多源数据输入、实时推理与可视化分析功能,为钢铁行业智能化质检提供了可复用的技术方案。

关键词： 计算机视觉   数据采集与预处理   设备故障检测与预警  

摘要： 阐述基于计算机视觉的配电设备故障智能检测与预警系统的特点，探讨图像数据采集与预处理、特征提取与选择、故障识别与分类、预警与报警机制等系统的设计与实现，以提高系统的运行效率。

关键词： 物联网   图像语音识别  

摘要： 本文研究目的在于如何将计算机图像处理与识别技术融合于机电设施物联网系统中，推动物联网系统的升级。

关键词： 焊接缺陷识别   无损检测   知识蒸馏   目标检测   数字图像处理  

摘要： 随着工业4.0和智能制造的推进,焊接缺陷检测技术逐渐向自动化和智能化方向发展。在制造业中,焊接质量直接影响产品的性能和寿命。通过缺陷检测,可以在生产过程中及时发现问题,减少返工和废品率,从而提高产品质量和生产效率。基于深度学习和机器视觉的检测方法能够实现高精度、高效率的缺陷识别,减少对人工经验的依赖,推动焊接检测技术的进步。本文针对焊接缺陷检测中存在的数据预处理适应性差、图像数据中存在强干扰因素、以及缺陷类别间高相似度等问题,提出创新性解决方案并构建了完整的识别系统,本文主要研究工作如下。 1.焊接缺陷数据集整理及构建。本研究通过与相关企业合作,收集了约10000张原始焊接底片,涵盖七种典型焊接缺陷,包括裂纹、未熔合、未焊透等。通过切分和缩放操作,统一了图像规格,确保数据的一致性和适用性。为提高图像质量,本研究采用了一系列数字图像处理方法,包括高斯滤波和中值滤波去噪,显著提升了缺陷轮廓的清晰度和图像对比度。针对DICOM格式图像,提出了基于直方图匹配的动态窗宽、窗位调节方法,进一步优化了焊接缺陷的对比度和细节表现。最终,本研究构建了一个高质量焊接缺陷数据集,为后续深度学习模型的开发提供了坚实的基础。 2.基于知识蒸馏算法改进的焊接缺陷分类模型。针对焊接缺陷分类中因形态和灰度相似性导致的分类难题,本研究提出了基于可变类别温度的知识蒸馏算法(KD-ACT)。通过实验发现,焊接缺陷数据集的类别间相似性远高于传统的RGB三通道数据集,这一特性显著增加了分类难度。为此,本研究采用了知识蒸馏中的软标签方法,保留类别间的隐式信息,避免了硬标签带来的信息损失。进一步提出的KD-ACT算法通过设置类别温度,采用变换后的Sigmoid函数映射新温度参数,并结合验证集反馈动态调整温度,增强了模型对易混淆类别的辨别能力。实验结果表明,该方法有效缓解了高相似性问题,显著提升了分类准确率。 3.多检测模型协同的焊接缺陷识别系统构建及项目应用。本研究设计并实现了一个高鲁棒性的焊接缺陷识别系统,该系统包含焊接区域检测模型、铅字区域检测模型、焊接缺陷检测模型以及基于知识蒸馏算法改进的焊接缺陷分类模型。整个系统构建分为三部分:模型训练、模型推理和预测结果的后处理。通过协同多个模型的工作流程,为全自动焊接缺陷识别提供了可靠的技术支持。

关键词： 多相机组网   多旋翼无人机目标跟踪   YOLO11   ByteTrack  

摘要： 随着多旋翼无人机应用场景的不断拓展,“黑飞”现象也随之频发,对无人机安全监管体系提出了更高要求。基于光电视觉技术的无人机检测与跟踪系统凭借成本低、部署便捷等优势,已成为雷达等传统技术的重要补充,发挥着越来越重要的作用。然而,受限于无人机的高机动性、广域运动特性以及复杂的遮挡场景,现有的单相机视觉跟踪方法存在精度低、跟踪身份切换频繁、视野受限等问题。针对这些问题,本文开展了基于多相机组网的多旋翼无人机检测与跟踪技术研究。 首先,针对YOLO11模型在多旋翼无人机检测任务中存在检测框定位精度不足、小目标检测效果欠佳等问题,本文设计了一个三重优化模型。该模型首先使用RepViT-CSPNet融合模块和结构重参数化技术重构C3K2模块,增强了特征处理能力并降低了计算量;然后设计了基于特征加权融合的轻量化MAFPN,通过深浅双层融合机制提升对多尺度特征的表达能力;最后在定位损失中引入Inner-WIo U复合损失函数,通过动态聚焦机制提升定位精度。实验表明,优化后的模型在DUT Anti-UAV数据集和自建数据集的AP50、AP50:95和小目标检测指标上分别提升了2.8、5.2、2和3.6、5.7、3.7个百分点,参数量和计算量下降了34.8%和8.0%。 其次,在单相机多目标跟踪场景下,针对ByteTrack模型在跟踪多旋翼无人机时存在频繁身份切换的问题,本文提出了一种优化方法。该方法首先使用扩展边界框来丰富低置信度目标的检测框信息;然后新增了基于最小包围框的关联阶段,解决因无人机运动状态突变导致普通IOU关联失效的问题;最后引入了边界判别的轨迹保留机制,避免因长期遮挡导致目标轨迹被移除的问题。实验表明,优化后的模型在无人机数量范围为1～52架的场景下,平均处理速度保持在78+FPS,跟踪精度MOTA提升了0.85个百分点,身份切换次数减少了87%。 最后,针对单相机跟踪系统存在跟踪范围受限的问题,本文提出了一种基于ByteTrack的多相机组网的目标跟踪方法。该方法搭建了一个轻量级特征提取网络来获取无人机的外观特征,并结合面积比对不同视域的目标进行相似性度量;随后进行了多相机组网,引入了一种基于邻域优先级的拓扑搜索的目标关联方案,减少了关联过程的耗时,并解决了高、低空不同目标的跨视域关联问题。实验表明,优化后的模型具有较强的同源目标判别能力,跟踪精度MOTA达85.65%,处理跨视域关联的耗时缩短了68%,单个节点的FPS达59以上。

关键词： 主动学习   目标检测   流数据   概念漂移   不确定性度量   样本代表性  

摘要： 餐厨垃圾分拣现场的高动态性和复杂性给目标检测算法的精度带来了巨大挑战。针对复杂背景下目标检测算法标注成本高、流数据中存在的类别不平衡和概念漂移问题，提出了一种基于流数据混合采样的主动学习餐厨垃圾检测方法 OSRPC。首先，利用少量标注样本训练UMAP降维模型和对抗网络判别器以获得低维特征和图像标注置信度，用于后续漂移检测和标注判断；其次，提出在线主动学习可变阈值样本代表性与效用加权预测一致性混合策略进行样本选择与标注；然后，将选择并标注好的样本加入模型训练以提升模型性能。最后，在餐厨垃圾目标检测数据集ODKW上进行实验，结果表明在相同标注量下所提方法OSRPC对模型性能的提升效果优于其他方法。