关键词： 遥感影像   迁移学习   目标检测   Faster-RCNN   深度学习  

摘要： 为了提高遥感影像飞机目标检测的准确性和泛化能力,需要解决背景复杂、尺度多变、目标密集、飞机朝向不确定和特征不明显等问题。但现阶段训练数据量有限,初始训练需要消耗大量算力和时间,容易出现过拟合现象。因此,需要优化模型结构和训练过程。针对上述问题,首先引入一种迁移学习的策略,在Faster-RCNN模型训练之前,加载MS COCO数据集预先训练好的权重,使模型快速收敛,节约了大量的训练时间。然后以ResNet50替代原Faster-RCNN的VGG16特征提取网络,更好地利用深层次的语义信息,在此基础上结合FPN网络,并对原Faster-RCNN的9种锚框增加为15种锚框,通过融合多尺度特征图以获得更丰富的特征表示,从而提高网络检测和定位目标的能力。以RSOD-Dataset数据集为例进行飞机目标检测实验,同时比较不同检测算法的性能;再以NWPU VHR-10数据集验证模型的泛化性和稳定性,实验结果表明:改进的Faster-RCNN在RSOD-Dataset数据集上的精确率为97.54%;在NWPU VHR-10数据集上的精确率为98.27%。通过迁移学习和改进Faster-RCNN的网络结构,可以实现在数据量较少的情况下高精度目标检测,且泛化能力较强,所提方法可以利用于其他目标检测和识别,具有较好的推广意义。

关键词： 纸张   缺陷   图像处理   缺陷分类   识别系统  

摘要： 随着造纸工业自动化技术的快速发展,传统依赖人工视觉的纸张缺陷检测方式已显不足,机器视觉检测技术因此应运而生。针对纸张表面缺陷检测问题,提出一套先进的处理方案,包括图像预处理(噪声滤波、筛选、分割等步骤)及基于计算机视觉的缺陷识别体系架构设计。系统设计细节覆盖了软硬件选择及智能化图像处理算法的实现,特别是在缺陷特征提取方面,采用了形状特征与不变矩特征相结合的方法。此外,引入了遗传算法优化的支持向量机模型以提高分类精确度。实验证明,经过参数优化的分类器在缺陷检测上能达到96.83%的高准确率,证明了该方法的有效性与实用性。

关键词： 深度学习   视频监控   目标检测   目标跟踪  

摘要： 为提高作业现场视频监控水平,提出一种基于深度学习的视频监控与追踪方法。该方法通过采用Res2SENet网络作为SECOND网络的卷积模块,并使用可变形卷积替代SECOND网络的标准卷积,以实现SECOND网络的改进。首先,基于改进的SECOND网络对目标进行检测,实现作业现场视频监控目标检测;然后,通过采用空洞卷积替代MobileNet V2网络的普通卷积,并使用改进后的MobileNet V2网络作为目标追踪算法,实现作业现场视频监控目标检测与跟踪;最后,在典型的包含大量激光点云图像的KITTI数据集上进行测试。结果表明,该方法利用改进SECOND网络对作业现场视频监控三维目标检测的平均精度和检测时间分别为81.62%和0.048 s,相较于标准SECOND网络、特征金字塔网络(Feature Pyramid Network,FPN)、F-PointNet网络,改进SECOND网络具有明显优势;利用改进的Mo-bileNet V2网络对作业现场视频监控三维目标跟踪的准确度、精确度和跟踪数分别为81.62%、80.55%和57.30%,丢失数和跟踪轨迹中行人ID瞬间转换次数分别为11.08%和22%,具有较快的运行速度,为39 f/s,相较于MobileNet V2网络、马尔可夫决策过程(Markov Decision Process,MDP)网络、平滑支持向量机(Smooth Support Vector Machine,SSVM)网络,改进的MobileNet V2网络在各项指标上均具有一定优势,可以满足作业现场视频监控目标的检测与实时跟踪需求。

关键词： 焊缝跟踪   机器视觉   图像处理  

摘要： 在现代制造工业中,焊接是一项重要技术。传统的人工焊接方式受操作工人技能水平、环境因素、设备参数等影响较大,不能保证焊接质量与速度。本文研究设计了一种高性能的焊缝智能跟踪系统,通过相机得到焊缝的图像并对其进行图像处理从而得到焊缝的特征信息,控制电机调整焊枪的位置,实现自动识别和跟踪的功能。实验证明,本系统工作可靠、精度较高,满足工程现场要求,为智能焊接生产打下了基础。

关键词： YOLOv5   Effi cient RepGFPN   DBB   注意力机制   安全帽检测   小目标检测  

摘要： 针对复杂施工场景下安全帽检测算法存在小目标漏检问题,提出一种基于YOLOv5s的安全帽改进算法。首先,为提升多尺度特征融合效果和小目标信息利用率,在Effi cient RepGFPN基础上引入浅层分支及转置卷积替换PAFPN,补充浅层小目标特征,减少上采样中小目标丢失的边缘信息。其次,采用DBBNet结构替换主干网络C3瓶颈层中的残差结构,通过多分支结构将小目标与周围信息相关联,增强主干网络的小目标提取能力,同时使用空洞卷积及通道注意力改进SPP结构,保留更多小目标信息,为Effi cient RepGFPN网络提供更优质特征图。最后,在自建施工场景安全帽数据集与最新的目标检测算法进行比较。实验结果表明,改进YOLOv5算法召回率为84.9%,平均精度达90.1%;比原始YOLOv5s算法召回率提升4.9%、平均精度提升4.4%;对比最新的YOLOv6s 3.0、YOLOv7-tiny、YOLOv8s算法平均精度分别提升2.4%、3.1%和1.8%,在施工场景下对小安全帽具有较强的检测性能。

关键词： 药品名称   目标检测   注意力机制   特征融合层  

摘要： 针对当前药品名称检测存在检测精度低、算法参数量大和现有公开数据集在小目标检测上存在限制等问题,并基于YOLOv8算法,提出了一种结合Slim-Neck替换特征融合层、GAM注意力机制的检测精度高、硬件要求低的新模型YOLOv8-SNG。使用Drug Name Detection Dataset数据集验证算法的有效性。实验结果表明,与YOLOv8相比,在Drug Name Detection Dataset数据集上FPS少量上涨的情况下,mAP@0.5提高了11.9%,mAP@0.5:0.95提高了6.43%;改进后的算法具有更强的泛化性能,能够更好的适用于药品名称检测任务。

关键词： YOLOv5   图像识别   坑洼   计算机视觉  

摘要： 路面坑洼作为路面结构的重要缺陷之一,对于保障自动驾驶车辆的行驶安全或移动机器人运行具有重大意义。在处理路面坑洼检测时,面临着挑战性的计算机视觉任务,要求在不同的工况下对多样化的数据样本进行处理。诸如雾、雨、雪等天气因素会对道路图像的质量和可见性产生负面影响,进而增加了数据预处理和特征提取的难度。传统的目标检测算法通常难以有效适应这些场景变化,导致训练数据集无法充分反映道路坑洼的多样性和复杂性,从而降低了目标检测模型的泛化能力和准确性。在实际应用中,这些方法容易导致漏检和误检的错误,对道路状况识别和评估的效率和质量造成影响。本文提出了一种基于YOLOv5的改进的路面坑洼检测算法,通过引入一个概念简单、功能强大但非常新颖的注意力机制(BiFPN),并替换适合的激活函数与损失函数,提升了模型的检测精度以及查全率,同时降低计算参数,简化检测模型。经实验验证,本文改进的算法与原模型相比准确率(Precision)提升了7.2%,召回率(Recall)提高了5.5%,平均准确率(mAP)达到了80.8%,较原YOLOv5s模型提升了2.1%。综上,与常用的一类传统算法相比,本文的改进算法能在几乎不牺牲运行速度的情况下较为明显地提高检测精度,降低漏检率,且不影响检测时的帧率,具有较好的移动端部署价值与对相应研究的参考价值。

关键词： 路面裂缝   裂缝检测   裂缝图像   裂缝识别   深度学习  

摘要： 路面裂缝检测与识别是实现道路养护自动化和智能化的重要技术手段,可以为公路养护决策制定及养护工程实施提供准确全面的信息支撑,对实现路面裂缝的及时高效修复具有非常重要的意义。文章综述了路面裂缝检测与识别技术的研究进展,从图像预处理、图像分割、图像后处理等传统图像处理方法以及基于深度学习的图像分类、目标检测和语义分割等方面详细分析了路面裂缝图像的处理技术,概述了路面裂缝数据集以及构建路面裂缝数据集的方法,并对路面裂缝检测与识别技术的发展趋势进行了展望,可为相关研究人员提供参考。为了进一步提高路面裂缝检测的准确率、稳定性及效率,应构建更大规模的高质量数据集,并结合多尺度、多源数据融合技术全面客观地评估检测算法性能,实现更高效、更准确的智能路面管理。

关键词： 红外图像量化   目标检测   人工智能   教研协同  

摘要： 为了研究不同红外图像量化方法对目标检测网络性能影响的差异,将红外图像量化对深度学习目标检测网络性能影响的研究和分析设计成教学实验。实验内容涉及图像处理、模式识别、计算机视觉等多个专业课程。实验过程包括红外图像量化、网络模型训练、测试分析等多个环节,贯穿基于深度学习的高层视觉任务开发全流程。该实验紧跟学科前沿,促进学生科研能力和综合素质的培养。

关键词： 机器视觉   缺陷检测   目标检测   轴承   研究现状   人工神经网络   主成分分析   支持向量机  

摘要： 机器视觉是一种用机器替代人眼进行测量和检测的技术,这种技术应用于缺陷检测具有效率高、速度快、成本低等优点,许多学者将其应用在不同领域(农业、航空航天等),并取得了较好的成果,目前轴承领域也逐渐采用该检测方法。因此,需对应用于不同轴承缺陷及机器学习、深度学习下的轴承缺陷检测算法进行综述,并对其缺陷检测算法的性能进行分析归纳及对比。首先,探讨分析了轴承缺陷形成的磨损机理,并详细介绍了轴承常见磨损形式(腐蚀磨损、疲劳磨损、黏着磨损、滚道磨损等);然后,分别介绍了基于机器学习和深度学习的检测算法的区别及特点;其次,列举了机器学习的算法及深度学习的算法用于轴承缺陷检测的研究应用与分析,主要包括机器学习的人工神经网络、主成分分析、支持向量机等,及深度学习的单阶段和双阶段目标检测算法的应用;最后,为了促进深度学习算法用于轴承缺陷的诊断,针对具体问题提出了轴承缺陷检测的挑战和未来研究方向并给出了详细的建议,对机器视觉在轴承缺陷检测中的研究现状提出了总结与展望。