关键词： STM32   Open MV   PID   图像处理   目标追踪  

摘要： 本文提出了一种基于STM32开发板和OpenMV视觉模块的运动目标控制与自动追踪系统。该系统利用图像处理技术和PID控制算法,实现了对目标的精确识别和稳定追踪。通过OpenMV进行实时图像采集和处理,系统能够有效地从视觉数据中提取关键信息,并传输至STM32主控。进而处理这些信息,生成精确的舵机控制信号,以实现对目标的精确追踪。系统设计考虑了交互功能,提供了直观的物理按键,便于用户进行操作和调参。测试结果显示,系统在复位、追踪精确度和稳定性方面均达到预期目标,证明了其在自动化、控制等领域的应用潜力。

关键词： 无线通信技术   智能安防系统   计算机视觉  

摘要： 基于社会对安全需求的增长和无线通信技术的发展,提出一种基于无线通信技术的新型弱电智能化安防系统。该系统利用ZigBee、Wi-Fi等无线技术实现数据采集与传输,并通过边缘计算和深度学习算法进行实时视频分析与智能图像识别。实验结果表明,相比传统安防系统,所提方案在响应速度、目标识别准确率及误报控制等方面表现出显著优势。

关键词： YOLOv5   FocalEIoU   SPD-Conv   密集卷积网络   航拍图像检测  

摘要： 为解决小目标检测方法检测精度低、误检率高和漏检率高等问题,提出了FSD-YOLOv5算法,在YOLOv5算法的基础上进行了三方面的改进:用FocalEIoU代替了CIoU,提高了模型收敛速度和回归精度;针对CNN架构的缺陷,采用了一种新的CNN构建模块SPD-Conv;针对卷积神经网络降采样导致的特征图中小目标信息减少或丢失的问题,引入了特征重用来增加特征图中小目标的特征信息。仿真结果表明:FSD-YOLOv5的检测准确率为36.3%,比原算法提高了2.4%。

关键词： 计算机视觉   噪声源识别   目标检测  

摘要： 为应对传统噪声源识别系统在噪声源定位与实时跟踪方面的不足,提出一种基于计算机视觉的噪声源识别系统。该系统利用图像处理、目标检测及多目标跟踪技术,实现噪声源的自动定位、分类与持续监测。实验结果显示,在不同工况下系统均能保持较高的检测准确率与分类精度,目标检测准确率最高达94.6%,处理延迟小于80 ms,展现了良好的实用性和抗干扰能力。

关键词： 林区管理   行人检测   YOLOv8   注意力机制   损失函数   改进算法   深度学习   识别  

摘要： 为解决目标检测算法在林区行人检测中容易出现漏检及检测精度不足的问题,提出一种基于改进YOLOv8的林区行人目标检测算法。采用C2f_DWRSeg模块替换C2f模块,扩展初始卷积通道数,使网络能更高效地进行多尺度特征提取;提出一种重构的检测头,训练时增加卷积层的复杂性,推理时使用单分支结构,从而丰富网络的特征表示能力,并保持高效的推理速度;在特征融合前增加了卷积注意力机制模块CGA,减少计算量;使用Focaler-ShapeIoU损失函数代替CIoU损失函数,弥补边界框回归方法的不足,进一步提高检测能力。试验结果表明,与基准模型相比,改进后的算法mAP50提高了2%,mAP50-95提高了2.4%,模型的处理速度(FPS)提高了4.33%,证明改进后的算法能够更好地应用在林区行人检测的任务中。

关键词： 目标跟踪   高光谱视频   孪生网络   特征融合   神经网络  

摘要： 在高光谱视频目标跟踪领域,背景杂波通常会影响跟踪的准确性。为解决这一问题,提出了一种基于光谱分割的孪生融合高光谱目标跟踪算法。通过计算未知像素与目标局部区域的最大、最小光谱曲线的偏差,并根据预设阈值实现目标与背景的精确分割。随后计算目标光谱曲线,将目标光谱曲线与搜素区域像素的光谱曲线进行光谱角距离运算完成降维。将降维后图像分别送入负责提取目标深层语义信息的语义解析网络和负责提取目标浅层特征的外观描述网络,得到两张目标响应图,从多角度增强目标识别效果。最后,根据平均峰值相关能量计算响应图权重,对响应图进行加权融合,最终确定目标位置完成跟踪。为验证文中算法的有效性,选择六种跟踪算法进行对比,并进行消融实验,其中包括四种高光谱目标跟踪算法和两种RGB目标跟踪算法。实验结果表明,文中算法通过结合浅层外观信息和深层语义特征,在背景杂波和光照变化等挑战下,均表现优秀的跟踪性能。尤其在背景杂波挑战下实现了69.98%的成功率,比排名第二的算法高出4.48%,精度为89.66%,比排名第二的算法高出0.59%。此外,在所有测试序列上,文中算法成功率达到63.8%,位居第一。由实验结果表明,该算法在应对背景杂波的高光谱目标跟踪任务中具有较强的鲁棒性和优越的跟踪性能。

关键词： 目标检测   汽车轮毂   YOLOv8   缺陷检测   多头自注意力  

摘要： 为解决以往算法对轮毂内部缺陷进行检测时效率低、精度较低和识别能力差等问题,提出一种基于YOLOv8算法优化的铝合金轮毂缺陷检测方法。首先,通过在主干中添加Focus层进行切片操作,增加通道防止信息丢失,提高全局感受野。其次,将空间金字塔池化部分替换为SimSPPF,减小计算量。最后,在Backbone部分加入BoTNet模块,通过融合多头自注意力层进一步改善检测效果并减小参数。通过实验证明,改进后的算法可以准确定位并识别出气孔、缩孔、缩松和裂纹4类缺陷,平均检测精度(mAP)可以达到98.80%,平均检测速度为75.53帧/s,满足工业检测的实时性要求。

关键词： 薄膜厚度均匀性   机器视觉   图像处理   伺服电机   XY移动平台  

摘要： 针对薄膜生产吹塑过程中均匀性不稳定、需经常进行人工调整等问题,提出了一种基于机器视觉的多自由度薄膜厚度均匀性控制系统;视觉模块通过摄像头对成型轮廓的进行检测,提取塑料薄膜外形轮廓的图像信息,经过图像处理后输出不对称度信息,用作控制部分的控制参数;控制模块依据视觉检测结果及控制模型,对装有两轴伺服电机的XY移动平台上的膜口间隙调节机构进行实时控制与反馈;实验测试结果表明,所设计的系统偏离度识别误差0.485°,控制误差0.098 mm,满足设计要求及质量要求。

关键词： 无人机   深度学习   目标检测模型   图像缩放攻击   后门攻击  

摘要： 随着低空经济和无人机(Unmanned Aerial Vehicle,UAV)技术的蓬勃发展,基于深度学习的目标检测模型在无人机领域得到了广泛应用。然而,该模型在实际部署中却面临潜在的安全威胁。区别于传统的图像分类,目标检测模型在识别目标的基础上,还会额外生成和返回一组带有标签的目标边界。利用这一特性,提出了一种面向目标检测模型的隐蔽后门攻击框架。与仅在图像中嵌入特定触发特征的传统后门攻击方法不同,提出的新框架首先对图像的目标类别与边界框标注进行精准匹配,再基于匹配结果利用图像缩放原理对数据和标签进行选择性毒化,实现了后门植入的高隐蔽性。最后,在真实数据集上的实验结果证明了提出的后门攻击方法具有较高的攻击成功率。

关键词： 铁路施工   目标检测   RT-DETR   轻量化网络模型  

摘要： 针对铁路施工环境较复杂,安全穿戴目标较小难以检测,边缘计算设备资源有限的问题,提出一种基于改进RT-DETR的铁路施工场景下人员安全穿戴检测模型。首先,引用轻量级EfficientViT作为特征提取网络,通过级联分组注意力,解决多头自注意力计算冗余问题,提高注意力头的多样性。其次,采用HWD-ADown下采样模块,应用Haar小波变换保留更多细节信息来改善错检问题,通过将特征图切分再进行卷积的方式减少卷积操作的参数量,进一步降低模型复杂度,精度维持原来相近水平。最后,设计一种新的损失函数Inner-DIoU,在加速边界框回归速度的同时提高模型检测的泛化能力。实验结果表明,改进模型精确率为92.6%,召回率为84.4%,平均精度均值为90%,与基准模型相比分别提高2.7%、2.1%和3%;模型大小为19.9 MB,参数量为985.6万个,GFLOPs为25.5,与基准模型相比分别降低48.4%、50.4%和55.4%;FPS为94.3,提高了34.7%。提出的模型能够满足铁路施工场景下对检测精度和轻量化的需求。