关键词： 小麦收割机   无人驾驶   立体视觉相机   深度学习   目标检测  

摘要： 针对小麦收割机在农场无人驾驶作业时无法实现动态障碍的实时避障,无人驾驶技术安全性低等问题,设计一种基于立体视觉与深度学习相结合的无人驾驶立体视觉感知系统。首先使用立体视觉相机采集左右目灰度图像,通过图像中像素位置的视差以及立体视觉成像原理,实现对障碍物的距离计算;再将相机采集的RGB图像通过深度学习进行处理,实现障碍物的检测识别,最终完成对动态障碍物的感知。结果表明,基于立体视觉与深度学习的无人驾驶感知系统在农场无人驾驶作业中动态障碍物的检测速率达到30.1 fps,精确率达到98.24%。该方法能够较好的满足作业中动态障碍物检测的识别要求,显著提升无人驾驶小麦收割机作业时的安全性和可靠性,为智能农机无人驾驶的研制奠定理论与技术基础。

关键词： 图像处理   改进Retinex算法   海底地貌图像   图像纹理细节  

摘要： 为获取更清晰的海底地貌图像,研究基于改进Retinex算法的海底地貌图像增强方法。使用高斯低通滤波器进行低频入射分量的卷积操作,计算图像带色彩恢复输出值;构造一般表现形式,得到像素区域内对数修正的输出值;基于多尺度Retinex算法对色彩对比度进行增强处理;计算亮度值以及图像的入射分量,对海底地貌图像进行光照补偿;改进Retinex算法,实现海底地貌图像增强。由对比处理图像结果可知,所提算法的增强图像亮度更均匀、色彩更饱满且细节纹理更清晰。在客观参数对比中,所提算法对比度、清晰度以及信息熵也高于其他图像,有效提高了图像清晰度。

关键词： 紧固件松动   地铁车底   机器视觉   目标检测   图像分割  

摘要： 提高列车车底检测机器人中检测算法的适应性与准确性,对提升列车的智能化运维能力具有重要意义。针对现有紧固件检测算法中拍摄条件苛刻和防松线标记要求高等问题,提出应用于地铁车底检测机器人的紧固件松动检测算法。首先,在图像内紧固件完整且防松线无明显遮挡的情况下,采用改进的YOLOv5目标检测网络获取图片内每个紧固件目标,并将其分为3类;其次,使用DeepLabv3_plus图分割网络提取防松线图形轮廓,并将其转为二值图片;然后分别计算螺栓、螺母螺杆及金属管道接头这3类紧固件去噪后图片内两防松线的角度差、三防松线质心所接三角形内角极值以及多防松线与其最小外接矩形的面积占比,将对应计算值与拟定阈值对比,进行松动判定。最后,统计检测图片内实际松动情况,制定每类紧固件的二分类混淆矩阵,计算分析评价指标,与其他算法进行对比,并对实际地铁车底紧固件应用算法进行验证。结果显示改进YOLOv5目标检测网络模型MAP@0.5值由0.877提升至0.911,DeepLabv3_plus图像分割网络模型MIoU值高达0.950,松动判定检测所得658个紧固件MCA值分别为0.907、0.959以及0.888,表明算法可有效避免松动紧固件漏检。应用算法检测实际地铁车底各类紧固件,准确率均达90%以上。实验证明了目标检测算法改进的可行性、图像分割网络的适用性和松动判定算法的可靠性,为地铁车底紧固件松动检测智能运维工作提供重要技术支撑。

关键词： 红外目标检测   CenterNet   注意力机制   GSConv  

摘要： 随着机器学习技术的不断发展,对目标检测技术的研究也越来越火热。针对目标检测中精度低、实时性差的问题。本文采用了一种单阶段的目标检测算法CenterNet完成对目标的快速识别,在算法的主干网络ResNet50增加CBAM注意力机制,提升了网络对目标的识别精度;在网络的输出模块,采用一种新的GSConv卷积模块,在不损失精度的情况下提高了检测速度。改进后的算法在红外数据集上验证其检测的准确性,其检测准确率达到82.91%。研究结果表明:改进的CenterNet算法,可准确高效的完成对红外小目标的识别。

关键词： 无人驾驶   目标检测   知识图谱   多传感器融合   深度学习  

摘要： 随无人驾驶汽车智能等级不断提升,对目标检测精度的要求不断提高,有必要系统全面地梳理无人驾驶车辆目标检测领域的研究现状和前沿方向.本文利用知识图谱可视化软件Citespace在CNKI数据库中以“目标检测”&“车辆”为篇名进行文献检索分析,发现无人驾驶车辆目标检测研究热点主要聚焦于:基于人工智能辅助的智能车辆技术,基于深度学习算法的多元数据特征融合技术,基于点云数据目标检测图像深度补全技术,及基于深度学习算法的小目标检测技术.在分析研究热点的基础上通过“突现词”发现提升深度学习算法在复杂环境下低分辨率目标的适应性,及基于深度学习的自动驾驶技术数据轻量化、运算快速化和目标检索准确化是当前研究前沿问题.

关键词： 计算机视觉   深度神经网络   神经网络可解释性   特征可视化   网络剪枝   热力图  

摘要： 近年来,由于人工智能在各领域的普及,研究神经网络的可解释方法及理解神经网络的运作机理已经成为一个愈发重要的话题。作为神经网络解释性方法的一个分支,网络的路径可解释性受到了越来越多的关注。文中特别探讨了关键数据路由路径(Critical Data Routing Path,CDRP)这一面向网络路径的可解释方法。首先,通过Score-CAM(Score-Class Activation Map)方法分析了CDRP在输入域上的路径可视化归因,指出CDRP方法在语义层面的潜在缺陷。然后,提出了一种语义引导的Score-CDRP方法,从方法机理上提升了CDRP与原始神经网络的语义一致性。最后,通过实验从路径热力图可视化以及相应的预测与定位精度等角度验证了Score-CDRP方法相较于CDRP的合理性、有效性和鲁棒性。

关键词： 计算机视觉技术   农业机械自动化   智能化导航系统   精准农业   农产品处理  

摘要： 随着现代农业向自动化和智能化发展,计算机视觉技术在农业机械中的应用成为提升效率和精度的关键。文章阐述了计算机视觉技术的基础概念、核心功能及其在农业机械中的应用,提出了计算机视觉技术在农业机械中的智能化导航系统、田间作业机械自动化、农产品筛选分级和加工包装等方面的应用。研究结果表明:计算机视觉技术在提高农业作业效率、确保作物质量和促进农业可持续发展方面具有显著作用,为进一步推动农业机械化和智能化提供了条件。

关键词： 水上垃圾检测   轻量化   小目标   损失函数   通道剪枝  

摘要： 针对水上漂浮垃圾检测中微小目标物体数量占比高、检测画面易受到水面波动和岸边环境反光等多重因素的干扰、检测模型庞大的参数量和计算量对终端的部署的设备性能要求高等问题,拟提出一种轻量化、高精度、实时性的检测模型LS-YOLO。首先,该算法利用HS-FPN金字塔网络设计构造YOLOv8的Neck网络结构,构建的网络结构牺牲小部分精度,显著降低了模型的参数数量和计算复杂度。其次,通过引入CAA上下文锚定注意机制改进HS-FPN,捕获远程上下文信息来回升检测精度。然后通过更换损失函数为具有动态聚焦机制的Wise-IoUv3,大幅提升检测效果,增加模型鲁棒性。最后,使用LAMP剪枝技术对模型进行剪枝,减小模型的参数量和计算量。实验结果表明,改进后的LS-YOLO相比基准模型mAP50提升了0.9%,回归率提升了3.2%,参数量降至基准模型的19.83%,计算量降至基线的44.44%,模型大小降至基线的22.22%。经过优化后的检测算法不仅显著提升了检测性能与特征提取的精准度,同时也便于在资源受限的硬件平台上的部署操作。

关键词： 视觉问答   计算机视觉   自然语言   多模态   深度学习   管理  

摘要： 监控系统在施工现场的广泛应用创造大量数据,但受限于有限的分析方法,未能充分体现这些数据的信息价值。自然语言是最直接的表达方式,在施工管理中最便于使用和理解。使用多模态视觉语言模型,对通过施工自然语言问答获取施工现场信息、进行施工智能管理有巨大帮助,然而目前针对施工现场的多模态研究仍然不足。为此,建立施工视觉问答数据集,经过数据增强后,包含超过19000条问答对及对应图像,用于训练适用于施工现场的视觉问答模型。提出基于多头注意力机制及预训练视觉Transformer的施工问答模型,该模型在测试集中取得约79.3%的准确率,表明多模态视觉语言理解在获取施工信息层面具有巨大潜力,可为施工智能管理提供有效的信息基础。

关键词： 非结构构件   损伤现象   目标检测   视频理解   损伤识别  

摘要： 非结构构件是实现建筑使用功能的重要组成部分。非结构构件破坏常常会影响建筑震后正常使用功能,严重时造成震后建筑功能长时间中断,是影响建筑抗震韧性的重要因素。基于健康监测与遥感影像的建筑震后性态评估主要针对结构构件,未有关于非结构构件震损识别的相关研究。针对监控视频中的固定式、悬吊式和浮放式非结构构件地震破坏现象的差异,该研究基于YOLOF目标检测算法的分割检测功能和Slowfast视频理解算法的时间序列建模功能,提出了一种适用于浮放式非结构构件的响应与损伤识别方法。为验证该方法的可行性,通过开展小型振动台试验构建浮放式非结构构件地震响应视频数据库,基于数据库对浮放式非结构构件的运动响应影像进行了损伤识别。结果表明:该研究提出的浮放式非结构构件的运动损伤状态识别方法可行,识别准确度达到83.4%。