关键词： 裂缝识别   神经网络   目标检测   多病害协同检测  

摘要： 文中旨在系统综述神经网络在建筑物裂缝识别中的应用进展,以解决传统人工检测效率低、主观性强的问题。通过梳理神经网络结构原理及训练方法,重点分析目标检测(如YOLO系列、Faster R-CNN)和图像分割(如Mask R-CNN)及其改进策略(如注意力机制、轻量化设计)。研究结果表明,基于神经网络的裂缝检测在精度(如mAP达96.5%)和效率上显著提升,可有效应对隧道、桥梁等复杂场景。该方法为工程裂缝识别提供了高效精准的解决方案,但低光照适应性、数据稀缺及移动端部署等挑战仍需优化,未来将向多病害协同检测方向发展,为智能检测提供支撑。

关键词： 计算机视觉   卸煤设备   故障监测   实时分析   图像处理  

摘要： 随着煤炭行业自动化水平的提升,卸煤设备的稳定运行对生产效率至关重要。文章探讨了基于计算机视觉技术的卸煤设备故障实时监测方法,通过图像处理和机器学习算法实现对设备运行状态的智能识别与预警。研究结果表明,该方法能够有效检测皮带跑偏、滚筒异常振动等常见故障,为设备维护提供数据支持,降低非计划停机时间。

关键词： 目标检测   深度学习   jetson nano平台  

摘要： 针对数字图像处理课程中存在理解困难、理论模糊不清和应用实践匮乏等问题,基于智能采摘竞赛进行设计标识物检测与识别教学案例,旨在增强学生的学习兴趣并提升教学效果。利用摄像头拍摄照片并存储图像,结合Jetson nano平台和YOLOv5S多目标检测框架,训练智能采摘标识物检测模型。基于已训练模型预测目标,并输出预测结果与物体坐标,从而获得舵机角度并执行抓取功能。实验结果显示,平均检测精度达99.3%,在Jetson nano平台上展现出优异的性能,未来有望借助更多模型检测实现更精准的检测和广泛应用。实验过程中,通过目标检测与抓取效果向学生形象地展示图像目标检测的应用,加深其对数字图像处理的理解,增强学生进行深度学习与图像智能处理的能力。

关键词： 焊接偏差   图像处理   熔池拖尾角度   线性回归   熔化极气体保护焊  

摘要： 在进行全位置管道熔化极气体保护焊焊接过程中,管道不同方位角对熔池形态有不同的影响,而熔池拖尾角度与焊接偏差有密切关系,焊接偏差影响焊接质量,设计基于熔池图像分析的焊接偏差测定方法.首先,经拍摄得到熔池图像后,进行灰度化和图像增强,使用GR显著性监测分割熔池区域,然后利用Otsu阈值提取熔池,检测熔池边缘并分割轮廓,通过平直度提取熔池拖尾采样点,再利用梯度下降法对熔池拖尾轮廓进行线性拟合,最终求得熔池拖尾角度.为研究熔池拖尾角度与焊接偏差的关系,采用线性回归的方法设计试验,得到可预测熔池拖尾角度和焊接偏差的线性回归数学模型.结果表明,预测焊接偏差量与真实焊接偏差量的误差在0.2 mm以内,验证该模型的有效性.提前预知焊接偏差并实时纠偏对于保证焊接质量具有重要的意义.

关键词： 煤矸石   视觉识别   支持向量机   目标检测   粒子群优化  

摘要： 针对煤矸分选系统的煤矸石识别能力不足的问题,提出一种基于粒子群优化支持向量机的煤矸石视觉识别方法。该方法通过采集煤矸石图像,提取图像特征,利用粒子群优化算法(Particle Swarm Optimization Algorithm,PSOA)对支持向量机(Support Vector Machine,SVM)的参数进行优化,提高SVM分类器对煤矸石图像的分类能力,实现了对煤矸石的有效自动识别。结果表明,该方法具有较高的识别精度和鲁棒性,提高了煤矸石识别的自动化程度。

关键词： 视频监控   目标检测   烟雾检测   区域全卷积网络   变电站   安全监控   异常行为监测   智能监控体系  

摘要： 【目的】变电站作为电力传输和分配的核心枢纽,其安全稳定运行是保障电力系统高效、可靠供电的关键。然而,传统的变电站监控方式存在自动监控能力有限、目标监测精度欠佳等问题,难以满足当下电力系统日益增长的安全需求。本研究致力于开发一种基于区域全卷积网络(R-FCN)的变电站目标识别与安全监控技术,旨在攻克传统监控方式的短板,大幅提升变电站安全保障的整体水平,为电力系统的稳健运行筑牢根基。【方法】方法融合了区域提取和全卷积网络的独特优势,构建起一套高效智能的监控体系。在数据采集环节,部署高清视频监控摄像头,从多个角度全方位、不间断地实时捕捉变电站内的图像数据,为后续的深度分析提供海量且精准的原始素材。针对采集到的图像,运用先进的R-FCN模型进行目标检测。R-FCN凭借其全卷积特性在处理不同尺寸的图像时能够巧妙地维持特征图的高分辨率,避免了传统方法在降采样过程中容易出现的信息丢失问题,极大地提高了目标监测的精度。同时,精心设计并引入区域提取模块,该模块犹如智能导航系统,能够在错综复杂的变电站背景中,精准定位各类关键设施,确保对设备的运行状态进行实时、精准的监测。对于异常行为,如人员未经授权闯入危险区域、设备突发冒烟起火等,也能及时察觉,为后续的应急处置争取宝贵时间。【结果】通过大量的模拟实验以及在实际变电站监控场景中的测试验证,本系统展现出了卓越的性能表现。在与传统目标监测方法的对比实验中,本系统的目标监测准确率相较于传统方法有了显著提升,有效提高了监控的可靠性,避免了不必要的人力、物力。【结论】基于R-FCN的变电站目标识别与安全监控技术,兼具高效的实时处理能力和精准的目标定位能力。在面对海量监控数据时,能够迅速做出响应,快速准确地识别各类目标和异常情况,为电力系统的安全稳定运行提供了强有力的技术支撑,对提升变电站整体监控水平、保障电力系统的可靠供电具有深远意义。

关键词： 智能除草   计算机视觉   深度学习   路径规划   农业机器人  

摘要： 传统的农业耕作方式,尤其是除草作业,已难以满足现代农业对高效、低成本和可持续发展的需求。本文结合了计算机视觉、深度学习和路径规划技术,提出一种基于人工智能(AI)加持的智能除草视觉导航方法,利用摄像头捕捉农田图像,通过图像处理和目标检测算法识别杂草与作物的差异,进而精准定位杂草的位置。基于识别结果,算法能够计算出最优除草路径,在不同环境下的识别准确率达到96%,机器人能够在每小时完成约200 m~2的除草任务,系统的避障成功率达到98%。在实际试验中,机器人能够成功避开作物、石块、路面起伏,同时能够根据实时反馈动态调整路径,在复杂地形下高效导航。研究结果可为智能农业领域的除草技术提供新的思路和解决方案,为推动农业智能化、精细化管理提供技术支持。

关键词： 无线电引信   目标检测   特征增强   多尺度  

摘要： 在打击地面目标时,无线电引信易受复杂战场环境中稀疏丛林和土墩回波信号的干扰将其误判为目标。为应对此挑战,基于DBS成像方法构建了稀疏丛林与土墩数据集,并提出一种基于DBS图像的智能目标检测网络VE-YOLO。针对无线电成像引信在中远距离探测时目标在DBS图像上呈现尺寸小、特征弱的特点,该网络引入VSF模块以学习更深层次、更丰富的特征表示。为有效融合上下文信息,在主干网络及检测头中引入Encoder模块,显著增强了全局特征提取能力,进而提升检测鲁棒性。此外,该网络还整合了CA模块和Detect模块,进一步增强在复杂环境下的鲁棒性与检测效率。在DBS测试集上的实验表明,所提网络VE-YOLO实现了96.17%的精确率、94.15%的召回率以及97.36%的mAP,能够快速准确地识别复杂地面背景。

关键词： 深度学习   多目标跟踪   计算机视觉   Transformer  

摘要： 多目标跟踪是计算机视觉领域的一个重要分支,得益于当前计算机硬件以及深度学习技术的飞速发展,基于深度学习的多目标跟踪算法取得了显著进展和亮眼成绩。为了推动视觉多目标跟踪算的研究发展,通过汇总近年来本领域创新成果,对当前研究进展进行综合论述。在介绍了多目标跟踪的背景和应用场景的基础上,分别从基于检测的多目标跟踪算法、联合检测与跟踪的多目标跟踪算法、基于Transformer的多目标跟踪算法和融合语义指引的多目标跟踪算法4个方面阐述了当前的研究进展;汇总常用基准数据集和多跟踪算法的评价指标,并将本文算法在常用基准数据上进行对比分析;最后对基于深度学习的视觉多目标跟踪算法的未来发展进行展望。

关键词： 目标检测   轻量化模型   边缘计算   YOLO  

摘要： 为了提升边缘设备中目标检测系统的部署效率与实时响应性能,构建基于轻量化YOLO架构的实时检测系统,设计采用Mobile Net V3与Ghost模块作为主干网络,融合BiFPN特征融合结构与α-IoU损失函数以增强检测精度与效率,同时结合剪枝与INT8量化策略优化模型体积与推理速度。系统部署于Jetson Xavier NX平台,构建端到端高效推理链,实现图像预处理、模型推理与结果后处理全流程优化。分析认为,该设计在COCO与VisDrone数据集上实现mAP@0.5为32.7%、FPS达到61.3帧/s,模型压缩率超过68%,具备良好的边缘计算适应性与工程实用价值。