关键词： 螺栓连接   旋转角度   图像处理   视觉检测  

摘要： 螺栓松动检测对于机械设备或机械结构的正常安全工作十分重要,现有的螺栓松动视觉检测方法存在效率低实用性差等缺点,且对于螺栓分布复杂的机械系统的检测存在一定的局限性。基于此,提出了一种多方位螺栓松动量视觉检测方法。对于螺栓正面可见方位,首先对相机进行参数标定,接着对相机采集的图像进行滤波降噪等预处理操作后转换到HSV色彩空间,调节特定通道的阈值来获取ROI区域,最后通过最小二乘法将矩形ROI区域拟合成直线,将直线斜率转换为螺栓松动角度,可实现0°~180°范围松动角检测,最大绝对误差为0.98°。对于螺栓侧面可见方位,对图像进行处理后获取ROI区域,接着通过旋转卡壳法获取ROI区域的最小外接矩形,然后检测最小外接矩形的宽度,将像素宽度值转换成标记带的实际宽度值后代入螺栓标记带长度与螺栓旋转角度的转换模型中,从而得出实际螺栓旋转角度,可实现0°~300°范围松动角检测,最大绝对误差为3.59°,最小测量绝对误差为0.2°,平均误差为1.77°。可以实现机械系统工作过程中螺栓角度的非接触式检测,提高了检测效率,具有较强的工程适用性。

关键词： GIS   地质矿产勘查   图像处理   遥感异常   成矿模型   数据集成  

摘要： GIS技术具备多源信息空间数据库,能储存大量地质特征信息,在地质矿产勘查中具有广泛的应用前景。文章基于GIS技术特征、应用原理分析,重点论述了GIS技术在地质矿产勘查中的具体应用。研究表明,GIS技术在提高地质勘查效率、精确度以及决策支持方面具有优势,为地质矿产勘查提供了科学依据。

关键词： 日光温室   场景识别   特征聚合   视觉Transformer   图像处理  

摘要： 场景识别可作为温室环境空间定位的替代方案,也是智能农机装备视觉系统的重要功能之一。针对以特征聚类为基础的场景识别范式无法适应高动态变化且高度相似的温室场景识别的问题,提出一种基于深度特征聚合的温室场景识别方法,以预训练的视觉Transformer网络为基础,提取场景图像局部特征,应用多层感知机全局感受野特性,考虑局部特征空间关系,融合图像局部特征,生成场景图像全局描述子,以多重相似性损失最小化为优化目标,构建温室场景识别模型。试验结果表明,模型场景识别R@1(top-1召回率)、R@5和R@10分别达到78.43%、89.21%和92.47%,具有较高的场景识别精度。所提出的基于多层感知机的特征混合方法是有效的,与采用池化操作进行特征聚合相比,R@1提高8.01个百分点。模型对光照条件变化具有一定的鲁棒性,与正常的中等光照条件相比,强光及弱光条件下,R@1下降未超过4.00个百分点。相机视角及采样距离的变化也会影响模型识别性能,20°以内的视角变化,R@1下降6.61个百分点,2倍以内的距离变化,R@1下降17.87个百分点。与现有场景识别基准方法NetVLAD、GeM、Patch-NetVLAD、MultiRes-NetVLAD和MixVPR相比,R@1分别提高7.82、6.59、3.56、4.14、1.88个百分点,在温室场景识别任务上模型性能有较大提升。该研究构建的基于多层感知机的图像全局特征聚合方法,能够生成可靠的全局描述子,用于温室场景识别,且具有一定的光照、视角、距离及时间变化的鲁棒性,研究结果可为智能农机视觉系统设计提供技术参考。

关键词： 机器视觉   车载红外目标检测算法   YOLOv8   辅助驾驶   图像识别   C2F-DA   Focal-SioU  

摘要： 针对车载红外图像检测中的目标相互遮挡和小尺度目标漏检问题,提出一种基于YOLOv8的车载红外目标检测改进算法(VITD-YOLO)。首先,在Neck网络中增加大尺寸特征网络预测层(S-layer),增强网络对于小目标的检测精度;其次,在Backbone网络中设计C2F-DA模块,利用offset轻量化结构增强模型对目标的局部特征感知能力,并结合3种不同尺度自注意力设计了动态卷积头检测模组(Dy-head),提高被遮挡和密集目标的定位和分类精度;最后,采用Focal-SIoU作为网络的损失函数,解决训练样本中行人车辆目标类别不均衡问题,并提高网络训练和推理能力。将该算法在FLIR红外数据集上测试,实验结果表明:VITD-YOLO具有良好的检测效果和鲁棒性,对小尺度目标检测精度更高;该算法的平均精度达到91.2%,比原算法提高了2.5%,召回率达到83.4%,比原算法提高3.2%。

关键词： 目标检测   深度学习   深度卷积神经网络   特征提取   计算机视觉   树干检测   复杂场景  

摘要： 【目的】因为在复杂环境下树干目标尺寸差距大且易受遮挡,所以树干检测容易出现漏检、错检等问题。为有效解决这个问题,提出一种基于单阶段目标检测框架的树干检测算法SSFYOLO。【方法】首先,设计了空间感知网络模块SAM。SAM模块能够高效处理多尺度和多分辨率的特征信息,在保证计算效能的同时,实现对各类特征的充分整合与精确提取,提高目标检测的准确性和效率。其次,设计多尺度特征增强自适应网FastScaleNet,用于替代YOLO模型中的C2f结构。FastScaleNet通过更为精细的多尺度特征融合与优化,并且利用跳跃连接和特征融合策略,有效保留不同层次的特征信息,增强模型对不同尺度目标的表达能力,提升模型的稳健性和广泛适用性。最后,引入加权IoU(WIoU)机制,实现对小目标损失权重的动态优化。WIoU机制根据目标尺寸的不同,动态调整损失权重,使模型在面对小尺寸目标时,能够灵活调整参数,从而灵活适应不同尺寸目标的检测需求,进一步提高小目标检测的准确性和鲁棒性。【结果】对复杂场景下树干数据集进行检测实验,与主流检测算法YOLOv8相比,SSFYOLO算法在缩小参数量的同时,具有更好的检测精度,其参数量减少了20%,平均精度均值(mAP)和召回率分别提升了1.6和0.7个百分点。【结论】本研究设计了面向复杂森林场景的树干检测算法SSFYOLO。SSFYOLO算法在复杂环境树干检测中表现出色,具有广阔的应用前景。

关键词： 目标检测   图像处理   YOLOv5s   OCR文字识别  

摘要： 显示屏状态信息检测是配电室的首要任务,是保障公司正常稳定生产的前提。目前,大多数工厂的仪表信息依赖于人为识别,这种方式耗时耗力,容易存在漏检误检,且工厂环境也影响着工作人员的健康。针对这些问题本文提出一种自动检测和识别仪表数据的深度学习方法,首先引入YOLOv5s检测出图像中显示屏所在大致位置,同时针对YOLOv5s识别效果不佳的问题采用锚框、注意力机制和引入RFB网络方式提高识别精度,通过图像预处理有效改善图像质量提高识别结果,最后通过OCR文字识别法得到显示屏内信息。

关键词： 图像处理   行人检测   深度学习   点云  

摘要： 激光雷达点云有明显的离散性,其信息密度远低于图像,从而导致行人检测在此背景下的检测精度较低。为了解决此问题,提出了一种基于改进型复合你只看一次(complex-YOLO)的激光雷达行人检测方法。设计了一种新的网络特征提取结构,增强主干网络的特征学习能力,以便在数据稀缺的情况下更充分地挖掘信息;使用的级联特征金字塔网络及其多分支线性融合方法能够融合不同尺度、不同深度的特征,提升网络的泛化性能,以应对数据特征畸变的情况;在训练过程中还采用了增强交并比(EIoU)以加速网络的收敛速度。结果表明,改进后的算法检测精度提升了3.03%。该研究对在稀疏数据情况下提高行人检测精度是有帮助的。

关键词： 水下图像增强   对比学习   循环生成式对抗网络   目标检测  

摘要： 水下图像因存在色彩失真和细节损失,严重影响了水下机器人的视觉感知能力。为实现图像增强,同时提高检测精度,提出了一种基于对比学习的水下图像增强与目标检测多任务学习框架,既生成视觉友好图像,又提高目标检测精度,实现面向目标检测任务的图像增强。针对目标纹理特征不清晰的问题,通过检测任务的区域生成模块构建对比学习的正负图像块,保证目标区域与原始图像在特征空间更加接近,同时利用检测的梯度信息引导图像增强朝着有利于目标检测的方向进行。此外,通过基于循环生成式对抗网络的图像翻译方法来学习并保留清晰图像特征实现图像增强,不需要成对的水下图像,降低了对数据的要求。最后,在EUVP、U45和UIEB数据集上进行了增强算法验证,在RUOD、URPC2020和RUIE数据集上进行了检测算法验证。实验结果表明,本文算法在主观视觉上可以有效修正颜色失真问题,同时保留了原始图像及目标的结构纹理;在客观指标上,峰值信噪比达到24.57 dB,结构相似度达到0.88。图像增强后在Faster R-CNN和YOLOv7算法上检测精度平均提升了2%。

关键词： 目标检测   卡通面部   GELAN   注意力机制   YOLOv8   共享卷积  

摘要： 卡通角色面部检测是一项比人脸检测更具挑战性的任务,它涉及许多困难的场景.针对卡通角色面部间存在巨大差异的特点,本文提出了一种卡通角色面部检测算法,命名为YOLO-DEL.首先,基于GELAN融合BDD设计了DBBNCSPELAN模块,旨在减小模型体积的同时增强检测性能.接下来,引入一种称为ELA的多尺度注意机制,用于改善SPPF结构,增强主干模型的特征提取能力.最后,设计了新的共享卷积检测头,使网络更轻便.同时也用Shape-IoU代替原CIoU损失函数,提升模型的收敛效率.在iCartoonFace数据集上进行实验,通过消融实验验证得到的模型,并将其与YOLOv3-tiny、YOLOv5n和YOLOv6等模型进行比较.改进模型YOLO-DEL的mAP达到90.3%,比YOLOv8提高了1.2%,参数量为1.69M,与YOLOv8相比参数量降低47%,GFLOPs降低44%.实验表明,本文方法能有效提高卡通角色面部的检测精度,同时缩小网络模型的大小,验证本文方法的有效性.

关键词： 视觉驱动   动态环境   动态环境  

摘要： 传统照明系统因缺乏灵活性,已无法适应动态变化的环境条件,而计算机视觉技术的引入,则提供了一种高效的解决方案,使照明系统能够智能调整亮度和色温,有效适应用户需求和外部光环境变化。因此,本文就计算机视觉驱动的动态环境下照明电器智能调光技术展开探讨,同时通过实验,验证系统设计的有效性,并分析其在实际应用中的表现。