关键词： 深度学习   图像分割   工笔画   提示增强   计算机视觉  

摘要： 由于缺乏带有像素级标注的公开工笔画数据集,使得图像分割技术在工笔画领域的发展严重受阻。工笔画具有物象与背景颜色纹理相似、使用晕染渐变导致物象边界模糊等特性,给图像分割带来了挑战,SAM的出现为解决这些挑战带来新的可能性。尽管SAM在自然图像领域里展现出惊人分割能力和零样本泛化能力,但在处理工笔画图像时存在对物象不敏感、前景背景混淆等问题。针对上述问题,首先建立了一个包含403幅图像的花鸟主题工笔画数据集SegTCRP,其中包含5类前景对象。随后,采用LoRA方法对SAM进行微调,使其适应工笔画图像的特点。此外,提出了一种新的SAM边界框提示增强方法BPA-SAM,通过借助U-Net在边界框提示范围内基于一定策略辅助生成额外点提示来改善SAM前景背景混淆的问题。最终,实验验证了BPA-SAM较原始SAM在边界框提示条件下的分割性能提升了7.1%,为SAM在工笔画领域的图像分割应用奠定了基础。

关键词： 电力载波   PLC   地址编码   图像处理   DMX   归零码   LED  

摘要： 本文主要阐述了电力载波通信(Power Line Communication,PLC)在LED灯具中的应用原理,并详细介绍了一种新的编码方式,实现高效的LED灯具重新排序,让杂乱的LED实现有序的组合,实现不规则布局下的灯光控制。

关键词： 开放世界目标检测   自适应特征动态融合   未知类评分优化   注意力机制  

摘要： 开放世界目标检测(open world object detection,OWOD)的主要任务是检测已知类别和识别未知目标。此外,模型在下一个训练阶段中逐步学习已知新类。针对OW-DETR(open-world detection transformer)中未知类召回率偏低、密集目标与小目标漏检等问题,提出了一种UBA-OWDT(UCSO,BiStrip and AFDF of open-world detection transformer)开放世界目标检测网络。针对未知类召回率偏低的问题,对未知类评分优化(unknown class scoring optimization,UCSO),将生成的浅层类激活图与聚合类激活图融合,获取细粒度特征信息,提高未知类的目标评分,进而提升未知类的召回率;针对小目标漏检问题,将双条状注意力(spatial attention based on strip pooling and strip convolution,BiStrip)应用于输入特征图,捕获长程依赖,保留目标精确的位置信息,增强感兴趣目标的表征,以检测小目标;针对密集目标漏检问题,采用自适应特征动态融合(adaptive feature dynamic fusion,AFDF),根据目标大小和形状,获得不同的感受野,动态分配注意力权重,关注目标的重要部分,融合不同层级的特征,以检测密集目标。在OWOD数据集的实验结果表明,未知类召回率增值范围在0.7~1.5个百分点,mAP增值范围在0.6~1.2个百分点,与现有的开放世界目标检测方法相比,在召回率偏低、密集目标与小目标漏检问题上具有一定的优势。

关键词： 锁孔中心定位   集装箱装卸   深度学习   显著性目标分割   EGNet   目标检测  

摘要： 针对起重机吊具定位集装箱锁孔中心难度大、效率低的问题,基于深度学习,提出了一种两步式锁孔中心定位方法:先利用YOLOv4-tiny从集装箱图像中提取锁孔矩形区域,再基于显著性目标分割网络EGNet从锁孔矩形区域中分割出锁孔,从而定位锁孔中心。为提高锁孔分割精度和实时性,对EGNet进行轻量化,并对输入图像采取缩小策略。实验结果表明,在实际集装箱装卸工况中,所提方法定位时间仅消耗42ms,定位精度高达99.5%,与传统的锁孔边缘检测方法和目标检测方法相比,具有更高应用价值。

关键词： 公路隧道   超前地质预报   地质雷达   深度学习   目标检测  

摘要： 在当今隧道工程的建设中,广泛采用了地质雷达超前预报法对掌子面前方地质进行探测预报,就这种技术提出并实现了一种基于自主开发的自动去噪程序与人工智能结合的地质雷达法超前地质预报智能检测方法,在一定程度上解决了目前地质预报主要靠人工解译导致结果不准确及速度较慢的问题。通过自主开发地质雷达数据提取与处理程序,利用深度学习中目标检测(Object Detection)算法,提出一种基于数据自动去噪的针对隧道围岩破碎区域的Faster R-CNN目标检测模型。通过自主开发的程序提取地质雷达数据进行自动一维离散小波变换与低通滤波去噪处理,用以训练Faster R-CNN目标检测模型,以甘肃省马坞西寨段高速公路隧道地质雷达实测数据对模型进行训练、验证和测试。研究结果表明:自主开发的程序可以提高提取数据的兼容性并支持多种不同于传统地质雷达软件的数据处理,有效提高了地质雷达图像质量,且可以绘制处理后的图像;对比目前应用较多的简单分类模型,可以实现对围岩破碎区域的精确定位;采用程序提取处理后的数据准确率比未处理的数据有显著提高,最高平均准确率(mAP)为74.18%,体现出更好的检测能力。

关键词： 机器视觉   目标检测   深度学习   可编程逻辑控制器(PLC)  

摘要： 采用低成本硬件结合Python软件与可编程逻辑控制器(PLC)通信动态采集图片,使用深度学习算法来训练模型,实现装配孔的智能化检测;对装配孔下方的胶条,利用计算机视觉来检测与装配孔之间的距离,从而判断门槛胶是否粘连或堵塞装配孔。该检测系统具有算法简单、检测性能优越、硬件要求低等特点,对门槛胶状态自动检测和生产制造数字化工作有一定促进作用。

关键词： 车辆检测   YOLOv5   目标检测   深度可分离卷积   注意力机制  

摘要： 为了促进自动驾驶技术的发展,针对现有车辆检测算法对小尺寸目标的检测效果差、精度较低的现状,提出一种基于改进YOLOv5的车辆检测算法QF-YOLOv5。在YOLOv5结构上,增加一层小尺寸特征融合检测层,提高小目标的检测能力。引入注意力机制,使网络聚焦有效特征,抑制干扰特征,提高了算法检测能力,并采用深度可分离卷积来降低网络计算量。使用了Mini Batch K-Means聚类算法,加快网络收敛。利用Quality Focal loss损失函数,使网络对连续数值有监督能力。实验结果表明:该算法在检测准确性和实时性上,都有一定程度的提高。

关键词： 昆虫识别   图像处理   五大连池   小样本学习   匹配网络   不平衡学习   随机欠采样  

摘要： 为解决由于五大连池地区昆虫样本量少、类别分布不均导致昆虫识别准确性低的问题,提出一种基于注意力卷积增强特征的匹配网络(feature-enhanced matching network,FEMNet)。采用随机欠采样对数据集进行平衡处理;通过提出特征上下文嵌入模块,增强昆虫全局和局部特征的提取能力;基于匹配网络实现样本间特征的灵活匹配,提高小样本下昆虫图像识别精度。实验结果表明,对于小样本昆虫数据集,FEMNet方法比次优方法MatchingNet准确率提升4.5%、召回率提升4.8%、精确率提升6.1%、F1值提升5.3%,说明该方法能够准确自动识别昆虫,可为后续昆虫学研究提供技术支持。

关键词： 农业机械   玉米   株间除草   摆动型   目标检测  

摘要： 针对苗期玉米株间除草装置除草率低、伤苗率高等问题,该研究设计了一种摆动型正弦转轭式玉米株间除草装置。装置首先利用改进的CA-YOLOv5s模型对玉米苗进行视觉检测与定位,通过电机控制一对正弦转轭机构精确旋转,带动除草铲往复摆动实现避苗除草。对避苗除草过程进行理论分析和预试验,确定了影响作业效果的主要因素及其取值范围,以装置前进速度、作物保护区直径、除草铲入土深度为试验因素,以除草率、伤苗率和作业单体功耗为评价指标,设计了二次回归组合试验,并进行田间验证试验。试验结果表明,装置前进速度和除草铲入土深度对除草率和作业单体功耗的影响最显著(P<0.01),装置前进速度和作物保护区直径对伤苗率的影响最显著(P<0.01)。采用响应曲面分析法,建立评价指标的回归模型,以低伤苗率为首要考虑指标,得到最优作业参数为:前进速度0.42 m/s、作物保护区直径74 mm、除草铲入土深度18 mm,田间试验结果表明,装置的平均除草率达到92.75%,平均伤苗率为2.91%,平均功耗为129.7 W,满足玉米田间管理期间株间除草的要求。研究结果可为玉米田间除草机械装备的研究提供参考。

关键词： 太阳电池   光伏阵列   目标检测   图像分割   红外图像   可见光图像  

摘要： 为保证光伏发电稳定、高效和安全运行,需及时检测光伏阵列的运行状况并发现存在的缺陷。提出融合可见光与红外图像的光伏阵列缺陷检测方法,采用CenterNet进行可见光图像光伏组件中太阳电池检测,采用U-Net对红外图像高温区域进行分割,提出区域匹配模块对可见光与红外图像进行匹配,提出关键点(PoI)聚集模块和二次分类器实现关键点处特征向量的聚集以及太阳电池缺陷分类,最后结合可见光图像异物遮挡及红外图像温度异常识别缺陷太阳电池位置及类型。选择不同网络进行测试,提出的算法在较为轻量的CenterNet和U-Net网络上太阳电池检测的AP50-95值达到84.4%,异常温度区域分割的IoU达到89.7%,且单张检测时间约为38 ms,能以较快的速度完成异常太阳电池的检测。