关键词： 机器视觉   电气设备   故障预警   图像处理  

摘要： 随着工业自动化的不断进步,电气设备的安全稳定运行变得非常重要。本文提出了一种基于机器视觉的电气设备故障预警系统,旨在通过图像处理与分析技术,实现对电气设备状态的实时监测和故障预警。系统采用高速摄像头和多类型传感器,结合图像预处理、特征提取和故障识别算法,对设备进行24h不间断监控。实验结果表明,该系统在故障检测准确率、平均检测时间和误报率方面均优于传统人工巡检方法,为电力系统的智能化运维提供了新的解决方案。

关键词： 深度学习   玉米粒识别   两阶段目标检测   图像处理   特征点提取  

摘要： 玉米作为全球重要的粮食作物之一,其品质检测对保障粮食安全具有重要意义。通过基于深度学习的两阶段目标检测算法对完整饱满、完整偏小和霉变或破损的玉米粒进行检测和识别,以AI EdgeBoard计算卡(FZ3B)为主控芯片,设计了一套玉米粒识别系统,利用百度飞桨的EasyData智能数据服务平台对数据集进行标注和预处理,搭建了玉米粒识别模型并进行训练和测试。该系统实现了高效率和高精度的玉米粒识别,可以广泛应用于玉米品质检测等领域。经测试,模型部署到硬件之后,该系统在玉米粒识别任务上的准确率达到了95%以上。

关键词： 无人机   航拍图像   目标检测   深度学习  

摘要： 近年来,随着无人机在农业、商业拍摄领域的广泛应用以及计算机视觉研究的发展,无人机航拍目标检测逐渐成为研究热点。然而,无人机航拍存在目标尺度与视角变化、无人机平台资源限制、图像质量及目标对象遮挡等问题,这些问题使得无人机航拍目标检测区别于普通视角下的目标检测。鉴于此,文章针对现阶段问题,从数据增强、注意力机制、特征融合机制及模型轻量化四个方面阐述无人机航拍目标检测方法,然后对现有不同目标检测方法在VisDrone数据集上进行性能分析。最后,根据无人机航拍目标检测目前仍面临的挑战,对未来研究作出展望。

关键词： 报纸印刷   版式设计   图像处理  

摘要： 报纸版面包含大量图片,图片的视觉效果是影响版面主题表达和审美体验的重要因素。为弥补摄影、印刷等环节对图片质量的影响,需要在版式设计环节对图片进行处理。本文提出彩色图片需根据印刷工艺特点进行层次、色彩调整和锐化处理,并根据报纸印刷特性进行色彩模式转换,这不仅有利于主题表达,还具有良好的印刷适应性。

关键词： 目标检测   注意力机制   特征融合   点采样   多尺度  

摘要： 道路损坏对道路的使用寿命和安全性构成极大威胁,及早发现道路损坏有利于进行维护和修理.传统的道路缺陷检测技术通常依赖于手动视觉检测和车载道路路面监控系统,然而这些方法在很大程度上受道路维护人员经验的影响.随着深度学习的发展,越来越多的研究者将其应用于道路缺陷检测领域,其中最常见的当属YOLO系列目标检测方法及其各种变体.但这类方法大多需要进行后处理操作,这会阻碍模型优化、损害鲁棒性并导致检测器延迟推理.针对这些问题以及道路缺陷检测中存在的多尺度问题,本文提出了改进后的RT-DETR模型,对主干网络的结构进行了微调,并提出了MSaE注意力机制.在编码器部分,使用GhostConv卷积和DySample模块优化了上采样,使用ADown模块优化了下采样.本文在公开数据集SVRDD中进行了对比实验.实验结果表明,本文提出的改进方法在SVRDD数据集中的mAP@50指标达到了72.5%,相较于基准的RT-DETR-R18提高了3.8个百分点,有效提升了道路缺陷检测能力.

关键词： 水下目标检测   YOLOv8   可变大核卷积   特征金字塔   自适应  

摘要： 水下目标检测常面临复杂环境干扰、检测系统不稳定以及检测精度低等问题。为此,本文提出了一种基于自适应特征提取与跨尺度特征融合策略的轻量化目标检测算法WAD-YOLOv8。首先,在主干网络中引入基于上下文信息的残差特征提取模块(CCRF),增强模型对全局和局部信息的综合能力。其次,采用可变大核卷积注意力机制引导的轻量化模块(ADFE),使网络在下采样阶段能够自适应调整采样特征,提高目标特征提取的精准性。最后,重构颈部网络特征融合策略,增加新的跨尺度特征融合连接,增强模型的抗干扰能力和多尺度目标检测性能。试验结果表明,WAD-YOLOv8在模型参数量和计算量均低于基准模型的情况下,检测精度提升了3.0%,平均检测精度mAP50提高了2.6%,推理速度达到64 FPS。与经典算法相比,WAD-YOLOv8在复杂水下场景中表现出更优的检测效果和更高的稳定性,为水下移动检测平台提供了一种高效、轻量化的目标检测解决方案。

关键词： 开放世界目标检测   反向传播梯度   图分割算法   特征范数   卷积神经网络  

摘要： 开放世界目标检测(OWOD)将目标检测任务拓展至真实多变的环境中,要求模型能准确识别已知和未知对象,并逐步学习新知识。针对现有OWOD网络模型中未知类的召回率偏低和误识别的问题,提出一种梯度区分与特征范数驱动的开放世界目标检测(GDFN-OWOD)网络模型。针对未知类召回率偏低的问题,提出梯度区分性表征模块(GDRM),即利用反向传播的梯度差异区分未知类别和背景,以提高未知类召回率;此外,引入基于图分割的框聚类(GSBC)算法将物体边界框的确定建模为图分解问题,从而减少冗余的边界框,进而降低模型的计算量;针对未知类误识别的问题,采用基于特征范数的分类器(FN-BC)选择性能最优的卷积层识别已知和未知类别,以达到更高的识别准确率。在M-OWODB数据集上的实验结果表明,与最优对比模型相比在T1、T2、T3任务中GDFN-OWOD的未知类召回率分别提升了1.1、2.1、0.9个百分点,而绝对开集误差(A-OSE)分别降低了35.1%、28.7%和12.2%。可见,与现有的OWOD网络模型相比,所提网络模型有效缓解了未知类的召回率偏低和误识别的问题。

关键词： 目标检测   金属表面缺陷   深度学习   损失函数   注意力机制  

摘要： 金属表面缺陷在飞机和航天器制造等领域易致结构失效,带来巨大的事故风险;针对传统YOLOv5s算法检测金属表面冲孔、丝状斑点、月牙形缺口等性能差的问题,现提出一种改进的YOLOv5s算法;该算法将Ghost网络加入到Backbone部分;在Neck网络中增加了MHSA注意力机制;将原损失函数替换为DIOU;经实验验证,改进后的网络与原网络相比,mAP@0.5提升了3.2%;提高了模型的检测精度并且误检、漏检率较低,证实了该方法在金属表面缺陷检测上的有效性。

关键词： STM32   健康饮食   OpenMV   图像处理   语音提醒  

摘要： 在快节奏的时代背景下,健康生活日益成为人们关注的重点。为了解决日常生活中的商品管理和健康饮食规划问题,文中开发了“无忧生活助手”这款基于机器视觉与生成式人工智能的智能设备。通过先进的摄像头来扫描食品条码或直接识别商品本身,从而收集其详细信息。该设备结合用户的健康数据,如过敏信息、营养需求和饮食目标,通过云端的AI模型来分析这些数据,并提供科学的食材搭配和饮食计划,助力用户实现健康饮食。此外,该设备还能够根据保质期提前给出消费建议,有效减少资源浪费。

关键词： 智慧港口   自动驾驶   目标检测   YOLOX-S算法   大核注意力机制   ACE-IOU损失   深度可分离卷积  

摘要： 针对单目摄像头在港口场景下面临目标检测算法识别不稳定的问题,提出一种改进YOLOX-S目标检测算法。引入大核注意力机制改进主干提取网络的特征输出与BottleNeck模块,提高算法特征提取的能力;引入中心点余弦距离损失改进目标框损失函数,解决训练损失虽收敛但目标框仍抖动的问题;引入深度可分离卷积模块优化检测头模块,提高检测精度同时减少模型大小;实车录制智慧港口不同场景20 906张图片进行实验,其结果表明,改进算法与YOLOX-S相比,mAP@0.5:0.95提高5.1%,模型权重大小降低8.8%,TensorRT部署检测帧率为25.0 FPS。改进方法与实验结果可为智慧港口场景下的视觉感知算法开发提供参考。