关键词： 水下抛石   施工质量管控   探测技术   计算机视觉  

摘要： 水下抛石是长江中下游河道整治工程中广泛应用的护岸结构型式,但其施工质量管控至今仍是一大难题。在总结当前护岸工程水下抛石施工质量管控技术现状的基础上,分析了水下抛石质量管控的重难点,探讨了基于结果和基于过程的质量管控技术发展方向,指出基于计算机视觉技术的施工过程自动化、智能化管控是对现有管控手段的全面革新,是提高水下抛石施工质量的有力手段。

关键词： 实木地板检测   机器视觉   自动控制系统   图像处理   颜色色差  

摘要： 实木地板具有自然生长的色彩和纹理,是室内装饰的优良材料,为了满足特定的室内装饰要求的艺术效果,实木地板的尺寸需要精确、颜色需要协调,因此在生产过程中需要对实木地板的几何尺寸进行测量并对颜色进行分类,以满足客户的个性化需求。然而,传统人工分选的方法受劳动强度、工作效率、检测客观度等因素的制约,难以满足日益增长的产业自动化与智能化发展需求。本文基于机器视觉技术,对实木地板的几何尺寸和颜色采集系统进行设计,对实木地板外观尺寸测量和色差识别算法进行优化。在几何轮廓尺寸测量中,更多地考虑生产过程中木地板随机姿态对测量精度的影响,通过ArUco(Augmented Reality University of Cordoba)码实时感知木地板的三维姿态并进行矫正,提高尺寸测量的精度;在色差识别中,通过梯度自相关算子对木纹进行识别和去除,并以Lab颜色空间表征色差。经实验验证,本文的方法可根据基准板对加工缺失、多余轮廓进行识别,尺寸检测相对精度约0.8%,木地板的色差得到较好地表征和识别。

关键词： 芦笋   目标检测   图像识别   智能分级   YOLOv11  

摘要： [目的/意义]针对采后芦笋在销售前人工分级成本高、效率低的问题,提出了一种基于改进YOLOv11模型的采后芦笋分级方法,旨在研究一种轻量化的采后芦笋的精准分级模型。[方法]首先,在主干网络的第12层引入高效通道注意力(Efficient Channel Attention,ECA)机制,ECA机制通过动态调整卷积神经网络中通道的权重,以增强对芦笋茎粗特征的提取能力;其次,在颈部网络同时引入slim-neck模块和双向特征金字塔(Bi-directional Feature Pyramid Network,BiFPN)模块,slim-neck将传统卷积替换为GSConv(Global Sparse Convolution)并将C3k2模块替换为轻量级跨阶段部分网络(Voice of Voter-group Shuffle Cross Stage Partial Network,VoVGSCSP)模块,减少运算量与模型大小并提高模型的识别精度,BiFPN模块改变原有的特征融合方式,能够自动强化芦笋的关键特征并减少冗余的计算;最后,将YOLOv11中原始的检测头替换为EfficientDet Head,与BiFPN联合训练,能够充分利用多尺度特征,有效提高模型性能。[结果与讨论]改进后的YOLOv11的精确率为96.8%、召回率为96.9%、平均精度均值(Mean Average Precision,mAP)为92.5%、浮点运算量为4.6 G、参数量为1.67×10^(6)、模型大小为3.6 MB,与原始YOLOv11模型相比,改进后的YOLOv11模型的精确率、召回率、mAP分别提升了2.6、1.4、2.2个百分点,同时,浮点运算量、参数量、模型大小也显著降低;与其他深度学习模型SSD、YOLOv5s、YOLOv8n、YOLOv11、YOLOv12相比,改进后的YOLOv11模型综合性能最佳。[结论]改进的YOLOv11模型在芦笋分级任务中展现出了更好的识别效果、更少的参数量和浮点运算量和更小的模型大小,能够为采后芦笋智能化分级提供理论基础。

关键词： 目标检测   YOLOv8n   上采样算子   注意力机制   特征融合  

摘要： 针对无人机在复杂环境下对目标检测精度低、泛化力弱等问题,提出了一种基于改进YOLOv8n的无人机目标检测算法。首先,在原YOLOv8n的C2f模块中引入了可以优化网络效率的ESP模块来改进Bottleneck结构,降低了原模型的参数量和计算量;其次,添加一个小目标检测层以提高无人机对目标的监测能力;最后,在颈部模块相继引入轻量级上采样算子与注意力机制,增强了上采样特征融合,提高了无人机的目标检测精度。实验结果表明,改进后的算法与原算法相比,在无人机目标检测应用上降低了模型参数量,在VisDrone2019数据集上,mAP@0.5和mAP@0.5:0.95分别高达85%和75%,比原算法分别提高了2%和1.5%。高精度检测结果和降低的模型参数量充分证明了改进后算法的有效性和实用性。

关键词： 仿生机器海豚   水下目标识别   YOLOv5n检测网络   目标跟踪  

摘要： 针对仿生机器海豚水下识别与跟踪任务要求低延迟与高实时性等特点,提出一种基于改进YOLOv5n的仿生海豚目标识别与跟踪方法。该方法使用轻量化网络GhostNet替代原YOLOv5n的主干网络,从而减少算法网络结构的浮点运算次数,提升仿生海豚水下目标检测与识别的实时性与可靠性,并最终与DeepSORT跟踪算法融合,完成对识别目标的跟踪任务。仿真与实验结果表明:改进后的算法更加轻量化,且识别效率高,跟踪误差小,验证了算法在仿生海豚水下目标识别与跟踪任务中的可行性与高效性。

关键词： 煤炭颗粒图像分割   目标检测   YOLOv11   自适应边界框校正   图像分割   SAM2  

摘要： 在实际生产场景中,煤炭颗粒不规则的几何形态和复杂的空间分布不仅影响分割精度,也使得人工标注分割掩码极为不便,难以适用于大规模工业场景。针对该问题,提出了一种针对煤炭颗粒图像的双阶段自适应分割框架DASeg。该框架由DS−YOLO目标检测模型、自适应边界框校正(ABR)模块和SAM2图像分割模型组成。DS−YOLO模型在YOLOv11颈部网络中引入动态上采样模块DySample和空间与通道协同注意力(SCSA)模块,有效提高了目标检测精度。针对DS−YOLO生成的检测框难以贴合实际煤粒边界的问题,设计了ABR模块,ABR模块根据加权系数对原始检测框与掩码外接框进行加权融合,生成更准确的提示框。将修正后的坐标信息作为SAM2模型的提示输入,利用SAM2提取全局与局部特征,并融合提示区域信息生成目标掩膜,实现煤粒分割。实验结果表明,DASeg分割框架在煤炭颗粒图像分割任务中表现优异,其中像素准确率(PA)达到93.1%,平均交并比(mIoU)为88.4%,平均Dice系数(mDice)为93.4%。

关键词： 无人机航拍图像   小目标检测   特征提取   多尺度变化   YOLOv8   上下文信息   感受野   损失函数  

摘要： 针对无人机航拍图像中存在小目标、目标遮挡、背景复杂的问题,提出一种基于高效特征提取和大感受野的目标检测网络(efficient feature and large receptive field network,EFLF-Net)。通过优化检测层架构降低小目标漏检率;在主干网络融合新的构建模块以提升特征提取效率;引入内容感知特征重组模块和大型选择性核网络,增强颈部网络对遮挡目标的上下文感知能力;采用Wise-IoU损失函数优化边界框回归稳定性。在VisDrone2019数据集上的实验结果表明,EFLF-Net较基准模型在平均精度上提高了5.2%。与已有代表性的目标检测算法相比,该方法对存在小目标、目标相互遮挡和复杂背景的无人机航拍图像有更好的检测效果。

关键词： 缺陷检测   改进后的YOLOv8模型(CP-YOLOv8)   CA注意力机制   CSPPC模块   WIoUv3   目标检测   轻量化设计  

摘要： 针对胶合板单板表面缺陷的复杂多样性和特征提取困难,且基于深度学习的缺陷检测算法参数量和计算成本较大,难以在算力较低的设备上得到有效应用等问题,构建一种基于改进YOLOv8的单板表面缺陷(活节、死节、孔洞、裂缝和缺口)检测模型。为提升模型的检测精度和轻量化性能,对胶合板单板表面缺陷检测模型进行改进。首先,采用新的高效注意力机制(coordinate attention,CA),该机制能够增强特征提取的精度和网络的空间信息感知能力,避免过多的计算负担;其次,提出一种基于部分卷积(PConv)的全新结构——CSPPC(CSP(cross stage partial)pyramid convolution),提升计算效率和多尺度特征的融合能力;最后,引入改进的加权交并比损失函数——WIoUv3,提升模型的定位精度和鲁棒性。试验结果表明,改进后的YOLOv8模型(CP-YOLOv8)在胶合板单板表面缺陷检测任务中表现出色,模型的平均精度均值(mAP)达到93.8%,在原模型的基础上提升0.9%,改进模型浮点运算次数(GFLOPs)和参数量降低至7.2 G和2.58 M,分别降低0.9 G与0.42 M,能够充分满足实际应用需求,为胶合板单板质量检测提供一种高效、精准且轻量化的解决方案。

关键词： 机器视觉   胶囊检测   图像处理   缺陷识别  

摘要： 为提升胶囊药品工业制造过程中的检测效率和质量管理水平,本研究构建并实施了一套基于机器视觉的胶囊缺损检测系统。该系统由图像采集、预处理、缺陷识别及结果输出模块构成,利用高分辨率工业相机、远心镜头和多源组合光照获取高质量图像。针对裂纹、破损、变形、色差及污染等缺陷类型,本研究建立了几何特征分析、色彩空间对比及深度学习融合的识别方法,并引入评估指标对系统性能进行量化测试。实验结果表明,该系统对不同缺陷类型均表现出较高的识别精度和响应速度,适应多种产线环境,具备稳定性和工业应用可行性。在实际生产线部署应用中,系统在72 h内累计检测620万粒胶囊,漏检率低于1.1%,单粒检测时间控制在16 ms以内,满足高速、智能化检测的需求。

关键词： 目标跟踪   对抗攻击   对抗检测   频域分解   性能差异  

摘要： 针对跟踪模型存在被对抗攻击的风险且当前缺少相关的对抗检测方法,利用频域手段解决这一问题.结合扰动噪声视觉不可见的特点,首先理论证明了扰动噪声主要存在于图像的中高频段.然后定量地分析出视频序列的低频分量对跟踪性能的贡献最大且受对抗攻击的影响最小.最后根据上述理论证明和定量分析,提出了基于频段跟踪性能差异的检测框架,其中的频域分解模块用于提取视频序列的低频段分量;目标跟踪器及其同构同参的镜像跟踪器分别以视频序列的全频段和低频段分量为输入;判别模块通过对比2个跟踪器的输出差异,判定当前视频序列是否为对抗输入.该检测框架以跟踪器为载体,无需对抗训练,仅通过对比不同频段跟踪性能的差异性,即可实现对抗检测.大量的实验结果表明提出的检测框架不仅能够有效地检测当前主流的对抗攻击,如CSA,TTP,Spark,检测精度高达97.55%,而且对跟踪器的原始跟踪性能影响较小.此外,检测框架具有泛化性,能够灵活地集成到多个跟踪器,如SiamRPNpp,SiamMask,SiamCAR,SiamBAN.