关键词： 计算机视觉   深度学习   人脸识别   模型优化  

摘要： 本文面向实时大规模视频流的人脸识别需求,基于计算机视觉(CV)深度学习原理与微服务化架构设计,提出了一种模块化软件系统,涵盖数据采集与预处理、人脸检测与对齐、特征提取与匹配及权限与容错管理四大功能微服务。校园门禁系统的实景测试结果表明,所设计系统在平均响应时延、实时帧率、识别准确率、系统吞吐量和高可用性等方面均显著优于传统单体式方案,验证了其在高并发、多场景下的应用价值。

关键词： 机器人视觉   定位技术   目标检测   深度学习   工业自动化  

摘要： 文章研究了电气工程自动化中机器人视觉识别与定位技术的原理与实现方法,分析了视觉识别中的图像处理、特征提取及基于深度学习的目标检测技术,重点探讨YOLO与Faster R-CNN的应用与性能优化。对机器人定位技术,围绕绝对定位与相对定位方法,阐述了三角测量法、SLAM算法及其改进策略,结合多传感器融合与深度学习技术提升定位精度。通过工业自动化应用案例,评估了识别率、定位精度与运行效率,提出应对复杂环境干扰与计算实时性挑战的解决方案。文章为机器人在工业自动化中的精准识别与高效定位提供了理论基础与技术支持。

关键词： 表面缺陷检测   无监督学习   无损检测   图像处理  

摘要： 随着智能制造技术的发展,工业表面缺陷检测需求日益迫切,传统人工目检和基于手工特征的图像处理方法存在效率低、误检率高、通用性差等缺陷。尽管深度学习技术显著提升了检测性能,但监督学习方法仍面临缺陷样本稀缺导致的标注数据不足和类别分布敏感这两大挑战。因此,无监督缺陷检测技术成为研究热点。系统梳理了基于表示和基于重构的2类无监督缺陷检测算法,从算法原理、技术演进和应用效果等维度进行了对比分析,特别针对航空制造等高端工业领域面临的检测难题,探讨了轻量化建模、多尺度特征融合等解决方案的应用前景,为工业质检领域的智能化升级提供了理论参考和技术指导。

关键词： 目标检测   钢材缺陷检测   漏检   误检   感受野   细节信息   损失函数  

摘要： 为解决传统缺陷检测中频繁出现的漏检和误检问题,提出一种基于改进YOLOv9的钢板表面缺陷检测算法。通过DRB-RepNCSPELAN4模块扩展算法的感受野,使用SPD-Adown模块保留更多细节信息,并采用PIoUv2损失函数提高检测框的定位精度(简称DSP-YOLOv9)。在NEU-DET数据集上,DSP-YOLOv9的平均检测精度达到80.9%,较原算法提高了5.4%,处理速度达到79.37帧/秒。实验结果表明,DSP-YOLOv9在保持检测效率的同时,显著提高了检测精度并降低了漏检、误检,表现出优于传统检测算法的性能。

关键词： 开放教育   计算机视觉技术   特殊人群  

摘要： 引言信息技术的快速发展推动了开放教育的普及和创新。虽然开放教育在推广教育公平和普及知识方面取得了显著进展,但特殊人群(如听障、视障人士等)的参与度仍然有限。随着计算机视觉技术的不断发展,手语识别技术逐渐成为国内外研究的热点,目的是将手语转换为文本信息,从而消除沟通障碍^([1])。国内外专家普遍认为,从传统技术到智能识别方法的演变,不仅为手语识别的技术融合提供了新思路,还拓展了特别是面向听障人士的手语识别的应用场景^([2])。

关键词： 复杂战场环境   长期目标跟踪   孪生网络跟踪器   双向特征金字塔   重检测机制  

摘要： 针对未来智能化武器装备面向复杂战场环境下的作战需求,设计了一种鲁棒的长期目标跟踪方法。面对高对抗性、高不确定性、高动态性和强实时性的战场环境,以孪生网络跟踪器为基准跟踪框架,建立目标跟踪正确性判断机制,融合双向特征金字塔框架与重检测机制,构建目标跟踪方法架构,从而实现复杂环境下的长期目标跟踪。实验结果表明,提出的方法相对于基准跟踪方法的平均距离精度提高了6.9%,从而确保作战任务高效、可靠地完成。

关键词： 露天煤矿   无人机   多模态感知   爆破智能监管   目标检测  

摘要： 爆破作业作为露天矿最危险、劳动力最密集的生产工序,是露天开采的首要环节。生产规模的粗放式扩张使得传统人工巡检模式在穿爆环节面临严峻挑战。传统人工巡检模式在穿爆环节不仅面临炮孔定位偏大(大于27.4%)、充填质量监测效率低、爆破块度合格率检测差(60%~72%)等问题,还面临爆区三维地质信息的不透明、设备协同管控效率低、频繁爆破作业引发的台阶结构面拉裂损伤,以及火灾、滑坡等安全隐患难预警等衍生风险。面向低空经济新业态发展与露天煤矿智能化转型需求,提出了基于无人机辅助的协同动态监管系统技术研发,研究构建了“空−地−端−环”实时联控框架:空中依托多旋翼无人机搭载高分辨多光谱摄影仪、红外热成像仪、气体监测装置等可高效完成170个炮孔的爆破面高精度三维实景建模;地面层部署多参数传感网络,构建深度达10 m的爆破振动监测网络;终端层开发了双模态目标检测模型与改进YOLOv8 m-MSFA视觉算法,通过引入多尺度特征注意力机制(MSFA),将目标识别准确度提升至96%以上,并建立了数据驱动的爆破效果动态评价体系。应用结果表明:该技术体系显著缩短了传统人工经验主导的参数迭代周期,从6~8 h压缩至2 h以内,迭代效率提升56.7%~63.8%,作业效率提升30%~40%,非法入侵预警准确率达96.4%,有效解决了传统经验驱动型爆破作业存在的安全隐患大、资源浪费严重等问题。

关键词： 深度学习   图像处理   遮挡检测   可变形卷积v2   Soft-NMS   Alpha-CIOU损失函数  

摘要： 为了解决生产环境中烟丝检测因粘连、遮挡现象而引发的检测精度不足等问题,提出一种基于改进YOLOv5s的遮挡烟丝检测方法;利用DCN v2C3模块替换YOLOv5s网络颈部的C3模块,提取烟丝深层次的特征信息,提升网络模型的空间变换能力及其泛化到不同形状目标的能力;引入Soft-NMS算法,平滑抑制冗余的边界框,增强对遮挡烟丝的识别能力;采用Alpha-CIOU损失函数,以优化模型的边界框定位精度;实验结果表明,与原始方法相比,改进方法的检测精度提高了2.7%。该方法在提高了检测精度的同时减少了计算量。

关键词： 自动驾驶   行人目标检测   3D目标检测   语义引导   多尺度特征聚合  

摘要： 针对自动驾驶场景中激光雷达点云数据稀疏性、无序性及非均匀分布特性导致的特征提取瓶颈,以及现有基于点的检测算法在行人目标检测和建模方面的不足,本文改进了基于点的单阶段3D目标检测算法IA-SSD,提出了一种基于语义引导的行人目标检测算法:SGP-SSD。该算法在下采样过程中引入语义引导的下采样算法,综合考虑点的语义信息和距离信息,同时进行了模型的结构优化,添加了反向MLP模块以反向瓶颈结构和可分离的MLPs丰富特征提取,并提出了多尺度特征聚合模块,使投票得到的质心可以同时聚合小半径和大半径的特征信息以及针对小目标检测优化的投票loss机制。通过对比和消融实验以及可视化验证,相对于IA-SSD算法,本文算法在KITTI验证集行人类别中,简单/中等/困难难度级别的检测精度分别提升4.81、3.43、3.56;骑行者类别提升了3.50、2.35、0.31。在Waymo验证集上,行人目标的Level1/Level2难度AP/APH指标提升2.01/3.17和3.43/1.97,骑行者目标Level1/Level2的AP/APH指标提升2.05/2.66和1.78/2.11。

关键词： 棉田昆虫   目标检测   深度学习   轻量化   注意力机制  

摘要： 为在自然环境下使用移动设备准确地检测棉田昆虫,构建棉田昆虫图像数据集并提出轻量化棉田昆虫检测模型。为提高在复杂背景下小目标检测的准确性及易于移动端部署,提出一种轻量化模型YOLOv5—SCE,其有效加强复杂背景下小目标主要特征提取能力以及减少参数和计算量。通过引入轻量化EfficientFormerV2结构替换原有模型主干,得到轻量化后的模型。为保持检测精度,引入CBAM注意力机制并对边界框损失函数进行调整。在自建的棉田昆虫数据集上测试表明,YOLOv5—SCE模型在测试集上平均精度均值mAP为94.5%,模型参数为4.15 M,计算量为8.2 G。与原始YOLOv5模型相比,该模型计算量减少为原始模型的51.5%,参数量减少为原始模型的58.8%,mAP提升1.2%。