关键词： 零件   目标检测   YOLOv7   注意力机制   ConvNeXt  

摘要： 为了在不增加计算复杂度的情况下提升零件的识别精度,本文提出一种基于改进YOLOv7的零件目标检测算法。首先,引入SA注意力机制帮助模型更好地聚焦于图像中的关键特征,抑制不必要的特征,使模型能够更精确地聚焦于图像的最重要方面,从而提高检测精度;其次,引入高效卷积模块ConvNeXt替换部分ELAN模块,降低模型的计算复杂度;最后,引入NAM注意力机制构建MP-NAM模块,提高算法对零件的检测能力。实验结果表明,改进YOLOv7算法在自制数据集上的精确率和均值平均精度分别达到0.964和0.925,相比原始YOLOv7算法有较大的提升;同时计算复杂度有显著的下降,约为原始算法的37.4%;与主流目标检测算法相比,改进YOLOv7算法具有更好的检测性能,也证明了改进算法在零件目标检测的有效性。

关键词： 铁路基础设施   高清移动视频   日常巡检   智能视频分析   图像处理  

摘要： 在高铁运行过程中,异物入侵、线路设备损坏会严重威胁动车的行车安全。为解决该问题,目前主要依靠人工进行监控和巡查。针对这种人工监控,耗费人力,物力且存在的效率低,时间长,主观判断失误等问题,本文突破常规的图像识别技术,基于高铁线路正样本数据,采用算法融合技术,研究对于高铁线路异物情况、设备外观异常情况的图像智能识别算法,同时结合DMS行车信息,将识别结果与线路里程等自动关联,形成一套基于高铁移动视频线路异物智能识别与报警系统,起到动车运行时自动识别、实时推送报警的作用,从而更加准确快速的辅助工务人员分析各种异物入侵,及时处理现场问题,为铁路运输的安全和高效提供有力保障。

关键词： 深度学习   目标检测   包裹检测   轻量级   自注意力机制  

摘要： 为了解决深度学习包裹破损检测中遇到的数据多样和复杂性问题,提出了一种基于多头自注意力(Multi-Head Self-Attention,MHSA)机制与卷积神经网络(Convolutional Neural Network,CNN)模块的轻量级包裹破损检测算法。在YOLOv7框架的基础上,采用了BoT3模型替换主干网络部分,使其能够更好地捕捉输入序列中的长距离依赖关系,从而提高特征表达能力;使用卷积块注意力模块(Convolutional Block Attention Module,CBAM)注意力机制对特征融合部分中的MP-2模块进行融合,使其能够更有效地挖掘特征图中的通道和位置相关性,从而提升网络的感知能力和性能。通过在多个不同的数据集上进行测试,在各类包裹图像的平均精度均值(Mean Average Precision,mAP)方面达到了88.4%,与YOLOv7相比检测精度提升了10.9%,利于实际场景下的包裹破损检测。

关键词： 岩石质量指标(RQD)   钻孔岩芯   图像处理   深度学习   目标检测   图像分割  

摘要： 为了对岩体质量进行分类和评估,岩石质量指标(RQD)在地矿工程中被广泛应用。以往需要手动测量岩芯片段的长度并手动计算RQD,这一过程既费时又费力。随着计算机软、硬件的进步,基于计算机视觉的图像处理使自动获取RQD逐步成为现实。针对现有方法的局限性,提出了一种基于目标检测和图像分割的RQD自动生成算法,首先根据颜色、纹理等特征的相似性,采用SAM模型对图像中的岩芯进行检测,然后采用YOLOv8算法训练模型,通过提取岩芯片段的缝隙特征进行不同岩芯片段的分割。为了测试该算法的性能,选取了来自宜涪铁路五峰段的10段岩芯样本开展案例研究。结果表明:采用该算法获取的RQD的准确率与传统的手动方式相当,平均相对误差不超过5%;该算法的效率明显优于传统的手动方式,能够节约超过60%的时间成本。

关键词： 车道线检测   图像处理   Sobel算子   边缘检测   灰度化方法  

摘要： 车道线检测是汽车实现自动驾驶的重要一环,当前通过提取图像低级特征进行边缘检测是识别车道线的最佳方法之一。车载摄像头拍摄的RGB(Red Green Blue,红绿蓝)图像存在大量冗余信息,会对检测结果造成诸多干扰,为此提出一种高效图像预处理方法。针对结构化道路的车道线图像,提取ROI(Region of Interest,感兴趣区域),进行灰度化、滤波降噪等预处理。采用基于传统Sobel算子改进的四方向Sobel算子,同时结合基于Lab色域的灰度化方法,以增强车道线边缘特征,对于强光和阴影干扰,通过该方法仍能够清晰检测出车道线,该方法在提高车道线检测准确性方面效果显著。

关键词： 自主导航   投料小车   目标检测   饲料桶   测距  

摘要： 针对鹅场中自主投料的工作场景,提出了一种基于YOLOv5目标检测算法、AMCL定位算法和A^(*)路径规划算法的投料小车自主寻饲料桶方法。首先利用YOLOv5目标检测算法对饲料桶进行实时目标检测和测距。然后,根据自适应蒙特卡洛定位算法(AMCL)对投料小车的位姿进行实时估计。最后,根据A^(*)算法对识别目标进行路径规划,为投料小车提供路线引导。试验结果表明:YOLOv5对饲料桶的识别精度达到了95.5%,单张图片推理时间仅为6.4 ms,在Gazebo仿真环境中投料小车导航到饲料桶的成功率达到了97.5%,可以满足投料小车自主导航的需求。

关键词： YOLOv8   SPPFCSPC   BiFPN   WIOU   目标检测  

摘要： 针对光伏组串红外图像缺陷检测精度低的问题,提出了一种改进的YOLOv8检测模型。改进的YOLOv8检测模型使用SPPFCSPC结构优化原始的SPPF结构,使得模型有更好的检测精度;将颈部中的PAN-FPN结构使用BiFPN特征融合结构改进,以此来提升模型的学习效果,实现更好的特征融合;在边界框损失函数中引入WIOU损失函数,使得模型拥有更好的定位能力。试验结果表明,相较于原始的YOLOv8模型,文章提出的改进方法在均值平均精度(mAP)上提升了5.6%。

关键词： 鄱阳湖   鸟类检测识别   YOLOv8n   网络结构优化   可变形卷积   Slide Loss函数  

摘要： 当前鄱阳湖地区鸟类野外自动监测设备的资源有限,致使在野外场景下鸟类快速精准识别存在目标特征不明显、轮廓模糊、尺寸较小等挑战.为了解决这类问题,该文提出了一种基于YOLOv8n的轻量级鸟类检测识别模型YOLOv8-Birds.首先,重新构建模型网络结构,删除深层下采样模块,增加小目标层,以减小模型体量和提升浅层特征权重;其次,融入第3代可变形卷积(DCNv3)设计了C2f_D3模块,提高模糊目标的识别精度;再次,引入分组混洗卷积(GSConv)和加权融合拼接(Concat_BiFPN)模块对颈部网络优化,增强模型特征表达能力,适应不同尺寸目标;最后,应用Slide Loss函数强化困难样本学习.该文以鄱阳湖地区10种珍稀鸟类为研究对象开展模型试验,实验结果表明:精度均值mAP@0.50、mAP@0.75、mAP@0.50∶0.95分别达到93.7%、84.9%、72.8%,测试集鸟类目标平均的正检率提升2.3%,达到89.0%,模型的参数量、体积仅为原模型的50.0%左右.

关键词： 机器视觉   芒果分拣   图像处理   品质分类  

摘要： 设计和实现一套基于机器视觉的芒果分拣系统,以提高芒果分拣效率和质量。通过图像采集、预处理、特征提取和品质分类等关键技术,结合现代图像处理算法和机器学习模型,对芒果的颜色、纹理、形状等特征进行分析,实现芒果品质的智能评估和自动分级。系统在实际测试中表现出色,达到了高准确率、高效率和良好稳定性的预期目标。研究表明,该系统能有效提升芒果分拣的自动化和智能化水平,为芒果产业的发展提供有力的技术支撑,具有广阔的应用前景。

关键词： 目标检测   YOLOv8   深度学习   风机叶片   表面损伤检测   双层路由注意力   EIoU  

摘要： 针对风机叶片维护成本高的问题,本文将目标检测技术用于检测风机叶片损伤,为精确定位损伤位置提供可行性方案,降低因停机检修带来的经济损失,保障风机的可靠运行。本文基于改进YOLOv8算法提出一种新颖的风机叶片损伤检测模型YOLOv8-BE。在骨干网络中结合双重路由注意力机制,在训练过程中提升特征图之间的关联度,提升检测的精度。采用EIoU损失函数代替CIoU损失函数,提高模型的定位能力。在风机叶片损伤数据集上,对比YOLOv8s网络,YOLOv8-BE的mAP值提升2.1%,精确率提升3.7%,召回率提升0.7%。与YOLOv3、YOLOv4和YOLOv5s等模型相比,本文提出的模型检测精度最高,mAP为90.7%,精确率为94%,召回率为84.6%。通过实例分析和比较,验证了本文方法的有效性和优越性。这些研究成果可应用于风机叶片损伤的检测,减少风机叶片维护成本,具有一定的研究价值。