关键词： 机器视觉   多规格   目标检测   无序抓取   深度相机   系统  

摘要： 【目的】机器视觉被广泛应用于工业场景下的物料识别与分拣等生产过程。当前的一些抓取方法存在抓取效率低、规格单一等问题。【方法】本研究提出一种多规格的机器人抓取系统MSGS（Multi-Specification Grasping System），通过优化YOLOv5模型对多种物料进行检测分类，根据不同型号物料的尺寸抓取系统可以自适应控制机械臂末端的伸缩距离，从而适应不同场景下多种尺寸规格的物料分拣任务。【结果】实验表明，检测模型能完成对小特征目标的检测与分类，准确率达到98.3%，mAP为0.993。通过多次进行定位与抓取实验，机械臂末端能根据物料规格伸缩末端距离并完成抓取行为，抓取成功率为100%，平均收缩误差为5 mm。【结论】该抓取系统能够较好的完成多种规格物料的分类、定位与抓取，为工业视觉的发展提供了一定的技术参考。

关键词： 水下目标检测   YOLOv8s   D2F   AFPN   FasterNet  

摘要： 在复杂海洋探测场景中，针对现有目标检测算法因光线散射、悬浮物遮挡等环境干扰导致的检测精度低和误检漏检问题，以及模型参数量大与水下勘探设备有限算力间的部署矛盾，提出基于改进YOLOv8s的轻量级水下目标检测算法；该算法对YOLOv8s的主干网络进行了改进，设计了一种改进的C2f模块D2F，增强了模型对形变目标的表征能力；采用渐进特征金字塔网络AFPN替代原颈部网络，通过跨层直接交互与自适应空间融合操作，促进了多尺度特征有效融合，解决了非邻近层特征融合时的语义差距和信息冲突问题；为提升模型检测速度，引入了FasterNet中的PConv新型卷积方式，构建C2f-Faster模块降低模型复杂度；将融合D2F、AFPN与C2f-Faster模块后的模型命名为DAF-YOLO，经实验测试表明，该模型在URPC2020数据集上的准确率提高了3.9%，参数量和计算量分别减少了10.52%和10.91%，同时以每秒115.6帧的速度实现了高速检测，进一步实现了算法在精度和速度间的平衡。

关键词： 图像处理   视觉传感   深度学习   焊缝特征点提取  

摘要： 针对实际焊接环境中弧光噪声造成焊缝激光条纹分割精度低的问题，提出了一种基于“深度学习+数字图像处理”的焊缝特征点识别与定位方法。首先，设计并开发了一套适用于实际焊接场景下的图像采集系统；其次，基于深度学习训练出目标检测模型，获取焊缝感兴趣区域（region of interest，ROI），实现了激光条纹区域实时粗定位；然后利用数字图像处理方法对焊缝感兴趣区域进行图像处理，求得焊缝特征点的像素坐标，最后再利用三维重建算法求得焊缝特征点的世界坐标并进行试验。结果表明，单幅图像的特征点定位误差在±1 mm以内，平均处理时间小于0.5 s，即使在具有弧光、烟雾噪声等干扰的复杂焊接环境下，该方法仍能快速、准确地检测到焊缝特征点。

关键词： 机器视觉   图像处理   PLC   绿玻珠   尺寸测量  

摘要： 针对绿玻珠尺寸一致性差,对装配质量、装配效率影响大的问题开展了视觉尺寸测量筛选技术研究。为了实现高精度全自动尺寸筛选,采用了视觉传感器加PLC运动控制的总体技术方案,采用打背光方式解决了绿玻珠表面小孔洞对图像处理的影响,基于图像形态学解决了绿玻珠之间外圆边缘粘接问题,通过动态阈值分割与位置坐标排序算法自动定位首位绿玻珠,基于modbus协议串口通信控制方式完成判断结果的下发。设计了一种微小零件尺寸筛选机构,完成了筛选路径规划与PLC运动控制程序编制,基于Halcon开发了图像处理软件。通过测试验证:误判率小于5%,测量误差在0.015 mm以内,筛选效率每小时1500个左右,满足工厂使用要求,已上线使用,具有一定的应用价值。

关键词： 目标检测   持续学习   知识蒸馏   微调  

摘要： 自适应人工智能系统的关键能力在于能够在动态环境中持续学习,包括增量获取、更新与积累知识。文章聚焦于持续目标检测任务,旨在解决动态新增类别场景下的模型适应性问题。方法上,采用基于预训练大模型的框架,利用其强大的泛化能力作为基础,并结合LoRA(Low-Rank Adaptation)对新增任务进行高效微调,以降低计算开销并避免灾难性遗忘。针对增量学习过程中出现的新旧任务标签不一致问题,提出通过旧模型生成伪标签,将其作为知识提供给新模型进行蒸馏,同时实施一致性约束,从而稳定训练过程并提升检测性能。实验结果表明,该方法在保持基础类别识别能力的同时,能够有效适应新增类别,且在性能上显著优于传统增量学习策略。

关键词： 车辆目标检测   YOLOv11n   注意力机制   小目标检测   多尺度特征融合   特征提取  

摘要： 针对小尺度车辆特征表征不足导致的漏检,以及高密度车流场景中的目标重叠误检与定位偏差难题,提出一种基于YOLOv11n架构的改进检测模型。首先,构建C3k2_EfficientViM_CGLU融合模块,通过EfficientViM模块优化特征提取路径,结合卷积门控线性单元(CGLU)实现特征通道的动态筛选,增强模型对关键信息的捕获能力;其次,结合多尺度感知级联注意力(MPCA)模块,在主干网络末端建立跨尺度特征增强机制,提升小目标车辆的空间定位精度。最后,设计轻量检测头Detect_LSCSBD,通过共享卷积核参数与独立批量归一化层配置,在降低参数量的同时维持多尺度检测性能,实现模型效率与检测精度的平衡优化。实验结果表明,与YOLOv11n模型相比,在针对UA-DETRAC数据集的评估实验中,文中提出的改进YOLOv11n模型在参数量仅增加0.1 MB和计算量仅上浮0.4×109的情况下,其mAP@50显著提升了8.1个百分点,达到71.7%,mAP@50∶95增加了3.3个百分点。表明文中所提出的模型在检测精度和实时性方面相较于其他模型具有明显的优势。

关键词： 计算机视觉   深度学习   目标跟踪   热红外图像   多模态融合  

摘要： 目标跟踪是计算机视觉领域的一项重要任务,其中单目标跟踪是指在给定的视频序列中持续跟踪单个目标。然而可见光图像的成像依赖于光照条件,仅凭可见光信息难以满足低光照、雨雾天气等复杂恶劣环境下的目标跟踪。RGBT(RGB-thermal)目标跟踪是指结合热红外与可见光图像数据,利用双方互补优势共同实现跟踪任务,以提高跟踪的鲁棒性和准确性。随着深度学习的发展,目前RGBT目标跟踪领域研究成果众多,但现有大部分综述缺乏对近几年新兴的多模态融合研究前沿的介绍与总结。介绍了RGBT目标跟踪的概念与面临的挑战,将现有算法分为五大类进行梳理与分析,总结了当前主流的RGBT目标跟踪数据集与评价指标,并提供了各种跟踪算法在主流数据集上的性能对比,供研究人员参考,探讨了RGBT目标跟踪亟待解决的问题和潜在的研究方向,以期推动跟踪领域的进一步发展。

关键词： 测量与计量   光斑检测   图像处理   运动定位机构  

摘要： 为了降低人工作业强度、提高波分复用器件检测速度和检测质量,设计了基于机器视觉的波分复用器件光斑自动检测装置。采用四轴运动平台结合硅胶真空吸嘴实现波分复用器件自动抓取和姿态调整;利用电荷耦合器件相机采集波分复用器件图像,通过灰度化、边缘检测获取器件的轮廓和偏转角度;采用互补金属氧化物半导体相机获取波分复用器件的出射光斑,利用霍夫圆检测确定多路光斑的圆心坐标和数量,通过最小二乘法将多路光斑圆心坐标拟合成直线,并根据直线斜率评价光器件的质量。结果表明,光斑自动检测装置可在37s内完成光器件质量检测,是人工检测速度的3倍,准确率高于97%。该研究可为高速高精度波分复用器件光斑自动化检测装置的研制提供参考。

关键词： 车载雷达   扩展目标跟踪   多普勒速度   变分推断   边缘化粒子滤波  

摘要： 车载毫米波雷达量测由极坐标系下的位置坐标与多普勒速度组成,其与笛卡儿坐标系下建模的扩展目标状态具有复杂的非线性关系。针对以上非线性状态估计问题,提出一种基于变分边缘化粒子滤波的扩展目标跟踪算法。首先,采用椭圆对目标二维平面轮廓建模,显式定义轮廓朝向角,构建参数化的逆伽马分布作为轮廓尺寸的共轭先验分布;其次,引入量测源位置作为辅助变量,建立适用于毫米波雷达的扩展目标量测模型;然后,为了改善复杂机动目标轮廓估计性能,基于边缘化思想,利用粒子滤波算法独立估计轮廓朝向角的后验分布,并在变分贝叶斯推断框架内,迭代求解剩余状态变量(包括目标中心运动状态、轮廓尺寸)后验分布的近似解析表达式。仿真实验结果表明,所提算法相比于已有算法能够获得更高的状态估计精度,在跟踪机动目标时,对轮廓朝向角与尺寸的估计性能优势更加明显。

关键词： 石英坩埚   气泡检测   YOLOv5   轻量化   图像处理  

摘要： 针对现有的石英坩埚气泡检测准确度低和速度慢的问题,提出一种基于YOLOv5n的轻量化气泡检测算法。首先,在主干网络采用C3Ghost模块替换C3模块,然后使用GSConv替换颈部网络的Conv,同时使用VoVGSCSP模块替换颈部网络的C3。实验结果表明,在自建的石英坩埚透明层气泡数据集上,改进后算法mAP为98.55%,计算量为2.7 G,权重大小为2.54 MB,帧率为137 fps,后期方便部署到嵌入式设备。