关键词： 无人艇   目标跟踪   YOLOv5   Deep-SORT  

摘要： 无人艇(Unmanned Surface Vessel,USV)是一种可以在海面上自主航行或依靠操作员远程遥控航行的智能载具,可以搭载各种测量、监控设备甚至是武器。无人艇在民用领域和军用领域都有很大用途。但是受海洋环境变化以及检测目标的运动性,传统的目标跟踪方法效果一直不佳。本文提出了一种将YOLOv5与Deep-SORT联合优化算法,能够有效地应对目标跟踪漂移、目标跟踪脱靶和误跟踪等问题,为无人艇领域提供了新思路与技术支持。

关键词： 目标检测   YOLOv8   复杂场景   注意力机制   安全帽  

摘要： 为解决复杂施工场景中安全帽佩戴检测因人员密集、遮挡和目标体积小,导致模型出现漏检和误检的问题,本文提出一种基于改进的YOLOv8的安全帽佩戴检测算法。首先,引入基于大核深度可分离卷积的CMUNeXtBlock模块,通过将深度可分离卷积和反向瓶颈技术相结合,提高网络的全局感知能力;其次,设计C2FICB模块替换主干网络中的C2f,融合不同通道和空间位置之间的语义特征,强化网络对多尺度的泛化性,并在颈部网络设计P2微尺度目标检测层,提高网络捕捉局部特征的能力;最后,提出一种基于感受野注意力卷积的RFAConv head(RFAHead)检测头,优化空间特征的表达,进一步强化模型对全局特征的提取能力。实验结果表明在数据集Safety helmet上,改进后的模型比基线模型mAP@0.5的值提升了5.2%,mAP@0.5-0.95的值提升了3.9%,有效提高安全帽佩戴检测模型的精度。

关键词： 计算机视觉   目标检测   鱼类体长提取   鱼类体高提取  

摘要： 鱼类的体长、体高等性状是判断鱼类生长状况最基本的参数,对养殖、育种、分选、生物量估算等都有重要意义。开发并验证了一种基于YOLO v8深度学习模型的鱼类体长、体高快速准确提取方法,旨在克服传统人工测量方法效率低、易受主观影响以及易对鱼体产生伤害等局限。通过采集的534张鱼类图像并构建数据集,利用YOLO v8算法自动识别并测量鱼类的体长和体高,同时引入棋盘格标定板以实现图像中像素长度与实际物理尺寸之间的精确转换。结果显示:该方法在体长和体高测量上的平均绝对误差分别为0.29cm和0.08cm,平均相对误差分别为1.18%和1.56%,测量精度满足需求。与传统测量方法相比,本方法每尾鱼的平均测量时间仅为0.6s,体现了高效性。

关键词： 深度学习   水下目标检测   YOLOv8   卷积神经网络   注意力机制   结构重参数化   分类回归  

摘要： 针对水下环境可见度低、生物重叠遮挡等干扰水下目标检测的问题,提出一种基于改进YOLOv8的水下目标检测算法。针对图像模糊和目标重叠问题,引入了感受野机制卷积,并对C2f重新设计,使模型根据输入特征动态调节感受野权重,解决检测过程中参数共享的问题;利用重参数化泛化特征金字塔网络对颈部重新设计,增强了特征交互能力,并优化了推理结构;在颈部引入了改善目标遮挡的分离增强注意力机制,增强对遮挡目标的检测能力。实验结果表明,改进后的YOLOv8算法检测精度mAP50达到了84.5%,该结果表明所提模型可以满足水下目标检测需求。

关键词： 弱光条件   电力应急   目标检测   图像增强   注意力机制  

摘要： 电力系统受灾往往伴随着停电、光照条件差,因此在弱光条件下获取电力系统的受灾信息对于电力应急十分重要。然而,现有研究面临以下关键问题亟待解决:1)弱光环境下灾损图像的对比度与细节信息严重缺失,传统增强方法易引入伪影或过度曝光;2)低照度导致的图像噪声与电力设备特征模糊化,使得目标检测算法对关键设施(如输电线路断股、铁塔变形、绝缘子破损)的漏检率显著升高;3)灾损场景中目标尺度差异大(如导线与变电站设备的空间跨度可达数个数量级),现有注意力机制难以自适应地平衡局部细节与全局上下文特征。针对上述问题,本研究聚焦于如何通过弱光增强与目标检测的协同优化提升灾损识别的可靠性,提出一种基于EnlightenGAN和CBAM的弱光图像增强与目标检测方法(FLLEM)。该方法利用图像增强和注意力机制,旨在抑制噪声的同时恢复灾损特征的可区分性,并通过动态权重分配机制强化多尺度电力设备的关联性特征表达。以南方电网数据为基础,应用FLLEM建立了弱光条件下电力系统灾损检测模型。实验结果表明,该方法对较差光照场景下电力状态的预测准确率高,能够准确定位和识别红外图像中的电力设备,且优于SE-Net和CBAM等算法。FLLEM在维护电力系统稳定性和安全性方面表现出良好的应用效果,证明了该方法的有效性,展现了其在特定领域的实际应用潜力。本研究为极端环境下电力应急决策提供了可扩展的技术框架,未来可进一步探索多模态数据(如红外—可见光融合)的灾损评估方法。

关键词： 轮胎断面   高效建模   计算机视觉   AutoCAD软件二次开发技术  

摘要： 提出综合计算机视觉(CV)技术和基于Python语言的AutoCAD软件二次开发技术的轮胎断面高效建模方法(简称CV-CAD-Python方法),搭建了轮胎断面拍摄平台,建立了轮胎断面自动化建模规范流程:首先通过图像采集系统获取轮胎断面图像,采用图像预处理和图像增强技术突出边缘特征;然后选用Canny算子获取轮胎断面边缘特征的像素点坐标;最后采用基于Python语言的AutoCAD软件二次开发技术,每间隔3个像素点进行样条曲线连线,实现了复杂轮胎断面自动化高效建模。本方法可以将轮胎断面建模时间由数小时缩短至1 min,可推广应用于多个领域。

关键词： 谷穗   目标检测   深度学习   YOLOv8   注意力机制   产量预测  

摘要： 在预估谷子产量的过程中,谷穗数是重要的指标之一,对谷穗进行准确检测在谷子测产中有重要的指导作用,因此,提出一种改进YOLOv8算法来实现对谷穗的识别。首先,将YOLOv8网络Backbone部分的传统卷积神经网络替换为占用体积更小的GhostConv卷积模块,以此来减少网络参数量。其次,考虑到谷穗目标较小的情况,使用全维度动态卷积ODConv专注小目标检测以此提高精度。最后,在Neck网络中引入CBAM注意力机制模块使网络模型更加聚焦谷穗的形态特征,提高对重叠目标的识别准确率。试验表明,改进后的模型与原模型相比,精确率、召回率、mAP@0.5和mAP@0.5∶0.95分别提升1.5%、0.4%、2.9%和1.0%,模型大小为5.87 MB,检测时间为44 ms。改进后的模型可以准确且快速识别出复杂背景环境下的谷穗,为谷子产量预估提供技术支撑。

关键词： 目标检测   神经网络   全局场景   鸟瞰视图   自动引导运输车   导航控制   路径规划  

摘要： 针对目前生产车间场景中AGV导航控制技术柔性差、部署成本高等问题,提出一种基于BEV的AGV导航控制技术。引入将多个相机视图转换为全局视图的方法,解决了单相机涵盖场景信息不全的问题;引入YOLO神经网络,对场景中的AGV标识码进行识别定位,确定了全局场景中AGV的位置和姿态;引入改进A*路径规划算法和模糊自适应PID控制器,实现了AGV的路径规划和避障控制。实验结果表明,AGV的定位控制精度能够达到4 mm以内,方向误差达到3°以内,改进后的路径规划算法遍历的节点数量减少了48.65%,运行时间减少了65.81%,实现了高柔性、高精度、高效率的AGV导航控制。

关键词： 智能化矿山   视频增强   目标检测   复杂光照学习   端到端学习  

摘要： 煤矿井下复杂光照环境(如低照度、强阴影、粉尘干扰)严重制约视频监控系统的目标检测精度。该文提出一种融合自适应视频增强与改进YOLOv7-tiny的端到端联合优化算法。首先,构建多尺度Retinex分解模型,通过UNet预测光照分量并采用动态Gamma校正实现局部亮度均衡化,结合非局部均值滤波抑制粉尘噪声;其次,在YOLOv7-tiny中引入跨阶段特征融合(CSFF)模块与光照感知注意力(LAA)机制,强化低照区域的语义特征表达。实验基于自建煤矿井下数据集CMVID-50,结果表明,该文算法在目标检测平均精度(mAP)达到89.7%,较基线模型提升12.3%,增强后图像的峰值信噪比(PSNR)与结构相似性指数(SSIM)分别为28.6 dB和0.91,推理速度达41 FPS,满足井下实时监控需求。

关键词： 机器视觉   手机盖板   图像处理   最大类间方差法   Canny算法   PLC  

摘要： 随着智能手机市场需求的持续增长,手机盖板作为智能手机的重要组成部分,其需求量与日俱增。手机盖板制造过程涉及落料、倒边、抛光、镀膜和丝印等工艺环节,制造过程中易导致产品表面出现划痕、凹痕、污垢等缺陷。鉴于此,从行业的痛点和需求出发,基于手机玻璃盖板制造流程和缺陷检测标准,设计了一款缺陷检测与分拣系统。首先,针对手机盖板表面缺陷的特点及检测要求,采用高斯滤波、开运算等预处理方法,提高手机盖板图像质量;其次,比较Sobel、Canny、Roberts、Log算子的运行时间及准确率,确定采用Canny算子作为本系统的边缘检测方法;最后,利用最小外接矩形提取手机盖板缺陷区域。采用MATLAB作为系统软件开发平台,通过编程实现上位机与工业视觉相机间的通信,以光耦继电器为中间介质连接相机与PLC完成信号传递。实验结果表明,该检测分拣系统可以快速地检测和筛选出手机盖板表面缺陷,检测准确率在95.33%以上,对推动手机盖板检测行业的智能化与信息化变革具有重要意义。