关键词： 隧道   盾构   计算机视觉   深度学习   激光扫描   点云  

摘要： 盾构隧道由预制管片拼装而成,但接头拼装误差会引发管片错台,若达到承载力极限状态将影响结构正常使用。长距离盾构隧道结构存在大量管片接头,目前缺乏有效手段快速测量工程全域。因此,基于三维激光扫描点云,采用计算机视觉技术,提出盾构隧道管片错台自动测量方法。首先,通过三维深度学习技术实现盾构隧道点云智能分割,分割总精度达94.0%。随后,对各管片开展几何性状拟合,实现自动计算管片间的错台量,并应用于实际工程中,通过与现场人工测量结果进行对比,验证所提方法的准确性,实现高精度错台自动测量。

关键词： YOLO模型   目标检测   车辆检测   深度学习   注意力机制  

摘要： 车辆检测与识别是智能交通和自动驾驶领域的一项关键技术,对于道路安全和自动驾驶起着至关重要的作用,一直是备受关注的研究热点。基于深度学习的目标检测模型,使得车辆检测精度得到大幅提高,但在夜间低光照和恶劣天气等不利条件下现有车辆检测技术的精度和可靠性仍然存在极大挑战。针对这一问题,基于YOLOv7模型,提出一种针对夜间黑暗条件下的车辆检测方法MMD-YOLOv7。首先基于坐标注意力(CA)机制构建一种新的多通道坐标注意力(MCCA)模块,显著提升模型在捕捉全局和局部特征信息方面的能力。其次通过构建一个多尺度卷积(MSC)模块实现对扩展高效层聚合网络(ELAN)结构的针对性改进,使得模型更好地适应夜间视觉环境中的噪声干扰,同时提升了特征提取的能力和精度。最后,引入了多分支模块(DBB),进一步增强模型对复杂特征的捕捉能力。为了验证所提出的模型效果,选取了BDD100K数据集中的6000张夜间场景图片进行训练和测试,实验结果表明,该模型在车辆检测精度上相比原始YOLOv7模型提升了5.3百分点,展现出了模型在处理低光照情况下的强大能力。此外,在其他多个公开的车辆检测数据集上也表现出了很好的性能,验证了该模型具备很强的鲁棒性和泛化能力。

关键词： 机器视觉   机器学习   苹果   体积质量测量   图像处理  

摘要： 提出了一种结合机器视觉和机器学习的苹果体积与质量测量系统。通过工业相机采集苹果图像,结合图像处理技术提取苹果直径,并基于多项式回归模型进行体积与质量的预测。该系统通过排水法和称重法进行数据标注,确保了预测模型的精度与可靠性。实验结果表明,体积与质量预测的相对误差均控制在6%以内,满足现代农业对果实精准测量的需求。该系统具有实时、自动化、精确等优点,适用于苹果的自动分级、质量控制等应用场景。

关键词： 目标检测   视觉SLAM   光流法   动态环境   八叉树地图   ORB特征点  

摘要： 针对动态物体影响同时定位与地图构建(SLAM)系统估计相机位姿精度的问题,提出一种基于目标检测和光流法的动态SLAM系统,在ORB-SLAM2框架中加入动态物体检测线程和地图构建线程。首先,利用PWC-Net光流网络得到场景光流信息,并利用YOLOv5s目标检测网络得到环境中潜在动态区域,将两者相结合得到场景动态区域;其次,为防止目标检测网络出现漏检的问题,利用光流信息进行速度约束,对动态特征点进行二次剔除;最后,完成剔除动态目标后的相机位姿估计及八叉树地图构建。使用EVO工具在TUM RGB-D公开数据集上对系统进行评估,实验数据表明,相对于ORBSLAM2、Dynamic-VINS、DS-SLAM系统,文中所提系统在高动态环境下的相机位姿估计精度上升,说明该改进能够有效地提升动态环境下SLAM系统的性能。

关键词： 深度学习   目标检测   PCBA   抓取   机器视觉  

摘要： 针对PCBA部分元件的贴片辅助部件移除任务中程序多导致效率、维护性能低,柔性生产线适配低的问题,结合视觉AI和深度学习,提出一种包含机器视觉、西门子PLC控制和EPSON 4轴机械手的PCBA贴片辅助部件识别定位与抓取系统。首先,利用YOLOv8目标检测算法对PCBA进行识别,识别电子元件的类型;然后,利用OpenCV对电子元件的位置进行校准和定位;最后机械手按计算出的最优路径完成抓取工作。该系统可以实现同一程序适配产线多种类型PCBA产品,已应用于某企业的实际流水线生产,结果表明该系统自动化程度高,运行可靠,提高了柔性生产线的适配性和效率,具有较高的推广应用价值。

关键词： 图像处理   煤矿井下   煤炭自燃监测   多尺度Retinex算法   大津算法  

摘要： 煤矿井下环境复杂,通风、巷道结构、风流速度影响烟雾漂移,燃烧强度、通风条件、巷道尺寸决定烟雾面积,自燃过程中烟雾形状随燃烧强度和通风变化,导致周长面积比变化,增加了监测难度。为了提高矿井施工的安全性,提出一种基于图像处理的煤矿井下煤炭自燃监测方法。采用多尺度Retinex算法对煤矿井下监控视频中的每一帧图像进行增强处理,以增强图像细节并提升对比度。利用大津算法对煤矿井下图像中的运动区域展开识别,并将运动区域作为疑似煤炭自燃区域。提取各疑似自燃区域的形心位置、周长面积比,以及相邻帧图像间疑似区域面积的差异值,将提取结果输入到加权特征分类器中,以实现煤炭自燃区域的智能化监测。实验结果表明,上述方法对煤矿井下图像的处理效果较好,煤炭自燃监测的准确性较高。

关键词： 计算机视觉技术   烟花识别   传感器融合   烟花表演   智能烟花  

摘要： 作为文化含义的寄托物,烟花在各项庆典和文艺演出场合起到关键的推动作用,受到人们的关注和喜爱。传统的目视估量观测方法效率不高且易受主观因素干扰,因此很难确保观测得到的数据的准确性。利用计算机视觉技术通过图像获取、目标识别、即时跟踪等功能单元的应用,能够有效捕捉烟花燃放过程,并进行相应的动态解析,有助于提高安全监管的水平,完善艺术效果评定体系。基于此,阐述计算机视觉技术在烟花识别与动态分析中的应用优势,提出一些应用策略,并对计算机视觉在烟花识别与动态分析中的应用进行展望。

关键词： 火灾探测   目标检测   深度学习   小目标   火焰图像检测  

摘要： 机场航站楼、体育场馆等大跨度空间场所,由于其特殊的建筑结构和内部空间布局,常规火灾探测技术已经无法在响应时间和灵敏度上满足此类场所火灾早期预警的需求。而现有图像型火灾探测器最远探测距离为100 m,许多大跨度空间建筑的横向跨越距离超过200 m,这对图像型火灾探测器的探测距离和灵敏度提出了更高的要求,远距离大范围空间内火灾早期探测需要提升探测算法对于小目标火的准确识别能力。针对该问题,设计了一种改进YOLOv8的小目标火焰图像检测算法。在模型准确率提升方面,增加了融入坐标注意力和动态残差调节CA-Res模块;在模型复杂度控制方面,改进了模型中BottleneckCSP模块;在提高模型多尺度检测能力方面,在模型的输出端Head部分增加小目标火灾检测层。对比测试表明,针对YOLOv8的三方面改进,极大地提高了模型火焰图像检测准确率,且对于小目标火焰图像具有较好的检测准确性和实时性,为解决图像火灾探测技术远距离大范围探测难题,实现机场航站楼、体育场馆等大跨度空间场所火灾早期预警提供了有效技术方案。

关键词： 合成孔径雷达   视觉转换器   单头自注意力机制   多源融合目标检测  

摘要： 针对目标样本标签数据稀缺的条件下合成孔径雷达(synthetic aperture radar,SAR)图像与光学图像的融合检测问题,提出一种基于视觉转换器(vision transformer,ViT)的域自适应(domain adaptation,DA)SAR图像多源融合目标检测算法。首先通过基于对比学习的非配对图像到图像转换(contrastive learning for unpaired image-to-image translation,CUT)交叉生成SAR和光学的伪图像,构建了SAR-光学数据集;然后选择半监督域自适应YOLO(semi-supervised domain adaptive YOLO,SSDA-YOLO)模型作为目标检测基线模型,设计了基于单头自注意力机制(single-head self-attention,SHSA)的特征提取模块和特征聚合-扩散金字塔网络(focusing-diffusion pyramid network,FDPN)对基线模型进行改进,提高了模型的检测能力;最后基于改进后的目标检测模型对构建的SAR-光学数据集进行了消融实验,并对实验结果进行了分析,验证了所提算法的有效性。实验结果表明:所提算法在增加少量参数量的前提下,相较于基线模型实现了检测性能的提升。所提算法在多源融合领域具有广泛的应用前景。

关键词： 苹果   YOLOv7   目标检测   注意力机制  

摘要： 针对自然场景下苹果果实检测模型适应性不足和高计算复杂度的问题,在YOLOv7基础上进行改进,提出了一种兼顾精度与推理速度的ESS-YOLO模型。首先,使用改进的SPPFCSPC模块替换传统YOLOv7中的SPPCSPC模块,降低模型的计算量以及参数量;其次,引入ECA注意力机制模块,增强模型的鲁棒性和泛化能力;最后,使用SIoU损失函数,加快模型的收敛速度。实验结果表明,ESS-YOLO精确率、召回率和平均精度分别达到92.3%、93.9%和99.4%,较于基准模型YOLOv7,精确率提高了1.1%,召回率提高了0.8%,平均精度提高了1.8%,其参数量和浮点计算量分别降低了0.12 M和2.3 G,推理速度提升了18%。ESS-YOLO模型展现出优异的适应性与鲁棒性,可为促进苹果智能采摘应用提供技术参考。