关键词： 工艺参数优化   图像处理   解析法预测   神经网络优化  

摘要： 针对目前多层多道焊工艺参数的选择问题,利用遗传算法(genetic algorithm, GA)对BP神经网络(back propagation neural network, BPNN)进行优化,提出多层多道焊成形预测及焊接工艺参数优化方法,旨在为工艺参数选取提供有效指导,提高焊接生产效率及焊接质量.首先通过分析多层多道焊图像,提出采用三次样条插值法与自适应分段法进行特征点识别,然后根据焊接顺序、焊道工艺建立焊接过程各焊道横截面积形状预测模型,运用解析法进行焊接工艺参数预测,进一步结合不同焊道工艺参数优选原则,采用改进神经网络进行焊接工艺参数优化,从而建立具有实时性的焊接工艺参数与焊缝轮廓关系模型.结果表明,该方法对多层多道焊中各焊道焊接工艺参数提供有效预测,试验结果满足实际需求,对提高焊接产品质量、简化焊接工艺参数选取具有实际意义.

关键词： 深度学习   图像处理   预训练语言模型   标准术语检测  

摘要： 标准术语是指特定领域内具有特定含义和用途的字词组合。在使用标准术语时,应确保没有缺字、添字、替换字或字序错乱等情况,特别是在涉及意识形态领域时更应如此。文章回顾了图像处理、预训练语言模型等深度学习技术的发展历程,并探讨了深度学习技术在标准术语检测中的应用;提出了基于深度学习图像特征和基于预训练语言模型的2种方法来实现标准术语的检测,并对自行构建的测试数据进行了验证。实验结果显示,基于预训练语言模型的标准术语检测方法表现更优,平均准确率达到了99.4%。文章采用的方法适用于各个领域,尤其在意识形态领域具有广泛应用价值。

关键词： 早期火灾   复杂场景   图像处理   火焰识别   火焰判定  

摘要： 为了提高复杂场景及不同火灾场景火焰识别的准确性,提出一种基于图像处理的复杂场景火焰识别与火灾判定方法。结合应用高斯低通滤波、基于HSI的分块同态滤波增强与基于Lab的K-means彩色图像分割算法实现火焰识别,并通过计算评估火焰的面积变化率和质心分散来判定是否发生火灾。结果表明,高斯低通滤波避免了“振铃”现象的产生,且峰值信噪比(PSNR)较巴特沃兹和理想低通滤波方法更高;基于HSI的分块同态滤波增强算法抑制了背景光亮度的影响,并与对比度受限的自适应直方图均衡化(CLAHE)和色彩恢复的多尺度视网膜(MSRCR)算法比较,达到了更高的对比度;基于Lab的K-means分割算法降低了光线及设备对分割结果的影响,与Otsu和区域生长方法相比,能够更准确提取不同场景火灾图像的火焰。通过对30张不同场景的火灾图像进行火焰识别测试,其平均识别准确率达96.66%,处理1张图像用时0.96 s。最后,以某餐厅和室内蔓延火灾火焰及蜡烛稳定燃烧火焰为例,判定当火焰面积变化率不低于0.22且质心分散不低于17.02时发生火灾,应及时触发火灾报警器,降低火灾事故的损失。

关键词： 炮孔检测   轻量化模型   目标检测   深度学习  

摘要： 在隧道(巷道)钻爆法施工过程中,智能装药可以取代人工作业,减少装药作业中危险事故的发生。然而,隧道中光线条件差、炮孔目标小和掌子面裂隙等因素会造成智能装药时炮孔的错检和漏检,同时车载计算机有限的算力也是制约炮孔识别大模型使用的难点。MCIW-2深度学习模型,可以解决在隧道掘进作业环境中的高精度炮孔检测和实时性部署问题。模型根据采集到的炮孔图像尺寸特征采取自适应锚框聚类算法优化检测框的长宽比尺寸参数;采用了具有动态非单调聚焦机制的损失函数WIoU(Wise Intersection over Union),通过优化边框回归的损失应对低质量炮孔图片的挑战实现了高精度检测;采用了MobileNetv3-Small网络与CBAM(Convolutional Block Attention Module)注意力机制构建了主干网络结构,减少了模型参数保证了检测准确率,满足车载设备的轻量化部署需求。经实验证明,MCIW-2模型在炮孔识别精确率方面达到了96.18%,检测速度达到了59 fps。与基准YOLO(You Only Look Once)系列目标检测模型文件最小的模型相比,所构建的轻量化炮孔智能检测模型减小了75.86%,模型文件仅为2.80 Mb,优于YOLO系列的基准目标检测模型。使用MCIW-2深度学习模型对工作面现场视频进行测试,实现了快速、精确地检测炮孔,测试结果表明,该模型适用于智能装药工程的轻量化部署需求,具有良好的适应性,在综合性能方面具有显著优势。

关键词： YOLO   网络结构   损失函数   西藏   文物   小目标  

摘要： 因YOLO模型出色的性能表现而被广泛应用于工业、农业等多个领域。并且YOLO系列基础模型由YOLOv1发展到YOLOv8的过程中不断增强YOLO多尺度融合的能力和优化模型的网络结构,来提升模型性能。而YOLO的其他分支模型则是在YOLO系列的基础模型上,对基础模型的损失函数、主干网络以及多任务等方面进行改进提升。文章主要通过讨论YOLO模型的发展历程,通过研究和探讨YOLO模型对图像中的小目标检测的精准度以及通过对唐卡图像中的缺陷的检测精准度来研究YOLO模型是否能够检测西藏文物。例如YOLO模型是否能够正确识别并分类藏式银器和铜器,由于这两种物体的样式较多,花纹差别较小,因此对模型的性能要求较高。文章对模型的改进重点和策略做了讨论和研究,在学习模式上,YOLO模型可在无监督或弱监督方向寻找改进点。

关键词： 无人机   小目标检测   YOLOv8s   感受野注意力   大型可分离卷积  

摘要： 从无人机视角进行目标检测,面临图像目标小、分布密集、类别不均衡等难点,且由于无人机的硬件条件限制了模型的规模,导致模型的准确率偏低。提出一种融合多种注意力机制的YOLOv8s改进模型,在骨干网络中引入感受野注意力卷积和CBAM(concentration-based attention module)注意力机制改进卷积模块,解决注意力权重参数在感受野特征中共享问题的同时,在通道和空间维度加上注意力权重,增强特征提取能力;通过引入大型可分离卷积注意力思想,改造空间金字塔池化层,增加不同层级特征间的信息交融;优化颈部结构,增加具有丰富小目标语义信息的特征层;使用inner-IoU损失函数的思想改进MPDIoU(minimum point distance based IoU)函数,以innerMPDIoU代替原损失函数,提升对困难样本的学习能力。实验结果表明,改进后的YOLOv8s模型在VisDrone数据集上mAP、P、R分别提升了16.1%、9.3%、14.9%,性能超过YOLOv8m,可以有效应用于无人机平台上的目标检测任务。

关键词： 目标检测   YOLOv5   ShuffleNetV2   轻量化   配电线路   缺陷识别  

摘要： 为对配电组件缺陷进行精确快速的定位和识别,提出一种基于改进YOLOv5-LITE轻量级的配电组件缺陷识别方法。为使模型便于部署至移动设备终端,该方法使用ShuffleNetV2作为骨干网提取特征构建YOLOv5-LITE轻量级神经网络模型,并摘除ShuffleNetV2的1024卷积和5×5池化,采用全局平均池化操作替代,降低网络参数量,提升模型检测速度;通过引入有利于细粒度目标检测的152×152特征层,实现了对大、中、小尺度的缺陷检测;在PANet架构中采用深度可分离卷积代替下采样使得网络更加轻量化。实验结果表明:该方法能够识别电缆脱离垫片、电缆与绝缘子脱落、无环绝缘子3种缺陷,其检测精度分别达到92%、95%、95%,网络参数量约为YOLOv5的1/4,检测速度达到2 ms/张。所提出的方法具有实时性、准确率高、轻量化等特点。

关键词： 物流需求   搬运机器人   全球物流   操作效率   物流仓储   提升效率   目标检测   降低成本  

摘要： 全球物流行业不断演变,货物搬运机器人成为物流仓储中提升效率和降低成本的关键。针对中小型物流仓库的需求,研究开发了一种基于目标检测的六自由度机器臂麦轮机器人。结合目标检测技术与搬运策略,实现了高准确性和实时货物识别,显著提高了操作效率和可靠性,尤其适用于满足中小电商不断增长的物流需求。

关键词： 小目标检测   注意力机制   上下文信息   损失函数  

摘要： 在小目标检测任务中,由于小目标像素值少、特征不丰富和难提取等局限性,容易导致模型漏检、误检以及精度低等问题,提出了一种基于多尺度结构感知和全局上下文信息的小目标检测算法。针对复杂场景设计了多尺度结构感知模块,可以更好地捕获小目标的细节特征,以此增强模型识别不同尺寸物体的检测能力。为了获取更多的全局特征,借助Transformer捕获长距离依赖特征的优势设计了全局上下文信息模块,有效地建立起不同区域像素点之间的联系。针对模型训练时的梯度爆炸现象,设计了一种新的带权重损失函数W-CIoU,使得训练时的收敛速度有明显改善。大量的实验结果表明,提出的方法相较于其他经典的轻量级方法取得了较好的检测效果。与基准模型相比,提出的模型在VisDrone数据集上mAP50和mAP50:95分别提高了6.4和4.6个百分点,同时在TinyPerson数据集上也有着不错的表现。

关键词： 显著性目标检测   注意力机制   多尺度特征融合   特征选择   网格状特征提纯  

摘要： 近年来,显著性目标检测技术取得了巨大进展,其中如何选择并有效集成多尺度特征扮演了重要角色。针对现有特征集成方法可能导致的信息冗余问题,提出了一种基于特征注意力提纯的显著性检测模型。首先,在解码器中采用一个全局特征注意力引导模块(GAGM)对带有语义信息的深层特征进行注意力机制处理,得到全局上下文信息;然后,通过全局引导流将其送入解码器各层进行监督训练;最后,利用多尺度特征融合模块(FAM)对编码器提取出的多尺度特征与全局上下文信息进行有效集成,并在网格状特征提纯模块(MFPM)中进行进一步细化,以生成清晰、完整的显著图。在5个公开数据集上进行实验,结果表明,所提模型优于现有的其他显著性检测方法,并且处理速度快,当处理320×320尺寸的图像时,能以30帧以上的速度运行。