关键词： 计算机视觉   病害   道路裂缝检测   道路工程  

摘要： 计算机视觉技术为道路养护提供了科学依据,大幅提高了道路检测效率并降低了人力与物资成本。其中,道路裂缝是道路工程中主要的一种病害。本文以道路裂缝检测为研究对象,介绍了计算机视觉在道路裂缝检测方面的应用,对计算机视觉在道路工程相关领域的应用进行了展望,即将计算机视觉和道路工程深度融合与创新,从而提出更普适的检测方法,加速推动道路工程向绿色化、智能化的方向发展,为构建智慧建造体系奠定技术基础。

关键词： 深度学习   仿真   目标检测  

摘要： 为解决真实工业机器人场景下的YOLOv8目标实时检测效率低、数据分布受限等问题,本文利用CoppeliaSim Edu仿真平台对YOLOv8目标检测算法研究进行仿真测试。在仿真环境平台下通过配置多物块元素生成图像数据集并进行标注,利用YOLOv8目标检测算法来训练模型,并部署应用于仿真平台,结果表明,依靠仿真平台生成的数据进行训练的YOLOv8模型,其平均精度(MAP)达到90%,该结果验证了构建的基于仿真技术的目标检测框架是有效的。进一步分析认为,仿真技术在目标检测领域具有重要优势,可生成大量包含目标的图像,有助于目标检测模型的验证,为探索仿真与实际应用融合的路径奠定了基础。

关键词： 消防安全   视频监控系统   计算机视觉   物联网   图像处理  

摘要： 本文重点探讨了消防安全视频监控系统的设计与实现。视频监控系统在消防安全领域发挥着关键作用,可以实时监测火灾风险、快速响应紧急情况、减少损失等。文章阐述了消防安全视频监控系统的总体架构、硬件和软件组成、图像处理算法、联网技术等关键技术,系统融合了先进的计算机视觉、物联网等技术,具备高效监测、准确识别、实时警报等功能,提高了消防监控的智能化水平。该系统设计合理、运行稳定,可以为消防安全提供有力技术支撑,有助于建立现代化消防安全监控体系。

关键词： 多传感器融合   环境感知   自动驾驶   深度学习   目标检测  

摘要： 自动驾驶环境感知系统需融合雷达与摄像头数据以提升检测精度与鲁棒性。本研究提出一种基于双流网络与跨模态注意力机制的融合算法,通过联合标定与特征对齐解决数据异构问题,并利用多层级特征交互增强复杂场景下的目标识别能力。实验表明,该算法在nuScenes数据集上较传统方法显著提升检测精度,验证了其在遮挡与动态环境中的有效性,为自动驾驶多传感器融合提供了新思路。

关键词： 深度学习   PCB   缺陷检测   YOLOv3算法   目标检测  

摘要： 为了准确快速进行PCB缺陷检测,文中针对常见的PCB缺陷铜面残渣(简称RE-CU)和铜面异物(简称FB-CU),利用YOLOv3模型进行缺陷识别实验。实验结果显示:YOLOv3模型在PCB缺陷识别中有较好的检测效果,在阈值为0.5时,有缺陷图片(简称NG图片)的漏检率低于15%,无缺陷图片(简称OK图片)的误检率只有5%左右。在深入分析检测的结果后,发现对于小缺陷的识别效果较差,于是增加了一个感受野更小的检测头,构建了具有四个检测头的网络结构。利用改进型的YOLOv3算法进行实验,结果表明:改进后的YOLOv3算法具有更好的检测性能,在阈值为0.5时,OK图片的误检率较改进前降低为0.25%,并且在阈值为0.7时更是达到了0%,NG图片的漏检率较改进前也有所降低。

关键词： 智能化图像识别   卷积神经网络   目标检测   图像分割   生成对抗网络  

摘要： 智能化图像识别作为计算机视觉领域的重要分支,近年来取得了显著进展。本文首先回顾了图像识别的基本概念,包括早期的简单特征提取和图像处理路径。其次,重点分析了卷积神经网络(CNN)、目标检测算法、图像分割算法、生成对抗网络(GAN)等关键技术的演变过程及其在智能化技术中的作用。最后,综合分析了计算机智能化图像识别技术在医疗影像诊断分析、智能安防、自动驾驶和农业等多个领域内的应用。尽管计算机智能化图像识别技术取得了显著进展,但仍面临算法复杂性和可解释性等挑战,本文还提出了技术创新方向与未来的发展可能性。

关键词： 目标跟踪   动态感受野   并行注意力   双模板分支   特征交互   嵌入式设备  

摘要： 针对目标跟踪算法在长期跟踪场景下对目标尺度变化缺乏适应性,以及跟踪目标小、遮挡与相似物干扰等问题,提出一种新的具有动态感受野的双模板分支跟踪算法(SDT-Tracker).首先,引入并行注意力机制对ResNet50进行重新设计,构建一种具有动态感受野的特征提取网络进行高效特征提取.其次,设计3种下采样方式进行降采样,通过融合局部特征、原始特征和关键特征,实现多角度特征捕获,减小特征信息的损失.最后,提出一种动静态双模板分支跟踪策略,动态分支持续引入后续帧信息,静态分支提取目标初始信息,在关键帧时刻抑制动态分支引入的无关信息,进而减少相似物干扰和遮挡造成的负面影响.在LaSOT、OTB100数据集上进行算法验证,实验结果体现了算法的有效性和优越性.将算法移植到嵌入式设备Jetson Xavier NX上进行性能测试,运行速度达24帧/秒,相较于经典目标跟踪算法,所提方法在多种复杂场景下具有更高的精度,且能有效解决相似物干扰、遮挡等问题.

关键词： 深度学习   目标检测   YOLOv5   嵌入式系统  

摘要： 基于深度学习的目标检测算法已经在各行各业得到广泛应用,但在嵌入式设备中应用高速且高精度的目标检测算法仍然是一项挑战。针对此难题,研究了一种适用于嵌入式系统的轻量级YOLOv5-SP模型,该模型使用通道分割算子和通道随机重排操作改进C3模块结构,并且将坐标注意力模块嵌入到特征融合网络后,同时引入了EIOU Loss和Distance-IoU Loss改进损失函数。通过使用标准的VOC2007数据集、INRIA行人检测数据集和自定义的数据集在实际应用中的实验,证明了该模型在嵌入式系统中既能保持检测精度和泛化能力,同时又大大降低了模型的计算量,能更加高效地检测目标物体并反馈位置信息。

关键词： 鱼类   计算机视觉   摄食行为   饵料检测   光流法   深度学习   智能投喂  

摘要： 饵料投喂是水产养殖中的主要工作之一,降低饵料投饲成本是水产养殖利润最大化的关键。利用计算机视觉技术对鱼类摄食行为进行监测,量化鱼类摄食欲望强度,可以实现自动按需投饵,减少饵料浪费,提高饵料利用率。综述饵料检测法、光流法、纹理特征法和深度学习这4种基于计算机视觉的鱼类智能投喂方法的研究进展,对各方法的优缺点进行深入分析。饵料检测法简单易实现,但难以准确识别残饵;光流法能有效捕捉鱼群运动信息,但易受环境和光照影响;纹理等特征法使用的特征种类更多,有效信息更丰富,却不适用于高密度养殖;深度学习法识别精度高、鲁棒性强,但计算量大,对设备算力要求高。基于此,提出建立大规模数据集、构建高效轻量级深度模型和“物联网+”智能投喂3个研究方向,为进一步提升智能投喂方法的成熟度和实用性提供参考。

关键词： 煤岩界线识别   YOLO-V5算法   目标检测   综合评价指标   深度学习  

摘要： 文章将煤岩界线作为研究对象,转化为目标检测问题,旨在通过框定煤岩界线来实现煤与岩石的区分。研究采用了前沿的YOLO-V5算法,并结合了多种技术改进,包括使用Mish函数替代Relu函数,CIOU-Loss替代IOU-Loss, DIOU-Nms替代Nms,以及Mosaic数据增强方式和DropBlock方法来防止过拟合。此外,还提出了适用于连续煤岩界线识别的新综合评价指标JX。经过模型识别验证,数据标注框需保持相对较小且一致,中心位于煤岩界线处,且紧密覆盖整条煤岩界线。最终识别结果中,煤岩界线识别框大小相对一致,定位准确,数据量较多。新的综合评价指标JX在1 200张数据集上的表现为85.28%。本研究通过YOLO-V5算法成功应用于连续煤岩界线识别,验证了正确标注方式的重要性,并提出了新的综合评价指标,有效衡量了煤岩界线连续目标识别效果。