关键词： STM32   OpenMV   PID控制   颜色识别   图像处理  

摘要： 运动目标控制与自动追踪一直是计算机视觉领域中的难点与热点,为准确、稳定地实现运动目标控制与自动追踪,本文以单片机STM32F103C8T6 和 OpenMV 为核心设计了运动目标控制与自动追踪系统,其中运动目标控制系统以单片机为控制核心,由云台、OpenMV、电池、稳压模块、按键等模块构成,通过OpenMV的图像识别处理,识别黑色边框,并发送数据给单片机,由单片机控制云台使激光笔打在指定位置;自动追踪系统以 OpenMV 为控制核心,由电池、稳压模块、按键等模块构成,该系统采用PID控制、颜色识别、图像处理等方法,通过识别白屏内的红色激光,控制云台移动绿色激光,在 2s 内对其进行追踪,追踪成功时发出声光提示。实验结果表明,本系统设计开发成本低,具有较高的控制与追踪精度。

关键词： 计算机图像处理技术   纸张匀度模型   Jordan比周长   梯度法  

摘要： 计算机图像处理技术与造纸工业的结合,引起了国内外学者的广泛关注和研究,基于计算机图像处理技术的纸张缺陷检测、纸张匀度评价等是造纸行业关键技术。纸张匀度是纸张在三维方向上的质量均匀性,直接影响成纸的印刷性能、物理性能。对此,围绕纸张匀度检测工作,简述了计算机图像处理技术的应用原理与思路,重点利用标准匀度指数、Jordan比周长和傅里叶变换结合梯度法构建纸张匀度模型,采用试验的方法验证了这些纸张匀度模型的可行性与准确性。

关键词： 图像增强   水下目标跟踪   注意力机制   分布估计   概率网络  

摘要： 水下视觉目标跟踪(UVOT)任务不仅需要应对常见的露天跟踪挑战,而且还需要面对水下环境所特有的诸多挑战,包括但不限于光学退化和散射、光照不均、能见度低、水动力学等影响。在这种情况下,直接将大量传统的露天场景目标跟踪方法应用于水下场景,其性能下降是难以避免的。为了解决上述问题,首先引入一种基于不确定性启发的水下图像增强(UIE)模块,将UIE拆分为分布估计和共识过程,并利用一种新的概率网络来学习水下图像的增强分布,以解决参考图像的偏差问题。然后将UIE模块应用于基于注意力的特征融合网络,提出水下目标跟踪算法UTransT,其中的特征融合网络结合自注意力和交叉注意力机制,以便有效地融合模板特征和搜索区域特征。实验结果表明:在UTB180数据集上,UTransT的成功率相比于对比算法中表现最优的MixFormer提高了0.8百分点、归一化精度提高了1.9百分点;在VMAT数据集上,其成功率相比对比算法中表现最优的掩盖外观转移(MAT)算法提高了1.2百分点、归一化精度提高了1.5百分点;UTransT能够以65帧/s的速度进行实时跟踪。这验证了所提算法在改善水下目标跟踪任务中的有效性和可行性。

关键词： 鱼眼摄像头   轻量级网络   YOLOv8m   参数共享机制   剪枝  

摘要： 鱼眼摄像头较普通摄像头检测相同场景时,部署成本更低,但要达到精准检测鱼眼图像中畸变目标的目的,就需要增加计算量。针对这种鱼眼图像检测精度和推理速度不能兼得的问题,提出一种改进的YOLOv8m鱼眼图像目标检测模型(Fisheye-YOLOv8)。首先,提出Faster-EMA模块,通过融合轻量级卷积和多尺度注意力,减少特征提取中的延时和复杂度;然后,设计了RFA-BiFPN结构,基于参数共享机制,通过感受野注意力和加权双向金字塔结构,同时提高检测速度和精度;其次,提出轻量级检测头G-LHead,减少了模型参数量和复杂度;最后,引入LAMP剪枝算法,在提高识别精度和推理速度间取得平衡。实验结果表明,Fisheye-YOLOv8在Fisheye8K和WoodScape数据集上的平均精度均值(mAP)达到60.5%和59.7%,较YOLOv8m提升了2.2百分点和1.2百分点,参数量与计算量仅为YOLOv8m的20.5%和29.7%,检测速度达到118 frame/s,满足实时性要求,相较于其他模型,更适合在鱼眼摄像头上部署。

关键词： 车载视觉传感器   多目标检测   跟踪技术   无人驾驶   车辆与行人检测  

摘要： 汽车在现代社会生活中扮演着举足轻重的角色,其极大地便利人们的出行,但与此同时,也引发诸如环境污染和交通拥堵等社会问题。为应对这些挑战,国内外学者正积极投身于无人驾驶技术的研究。其中,车辆与行人检测技术是无人驾驶技术的关键环节,但鉴于车辆与行人特征的多样性,使用单一的特征提取和分类方法进行检测变得异常困难。然而,深度学习的目标检测方案凭借其复杂的神经网络结构,成功攻克这一难题,因此备受国内外学者的关注。该文旨在通过深入剖析基于深度学习的目标检测以及基于SORT的多目标跟踪原理,为车载视觉传感器的研发创新提供有益的参考和启示。

关键词： 视觉相机   激光雷达   目标检测   多目标跟踪   无人车  

摘要： 为提高无人车障碍物检测跟踪的精度和稳定性,首先针对YOLO v5(You only look once version 5,YOLO v5)网络存在的语义信息和候选框信息丢失的问题,引入深度可分离空洞空间金字塔结构与目标框加权融合算法完成对网络的优化;其次针对单阶段障碍物点云聚类精度低的问题,设计一种考虑点云距离与外轮廓连续性的两阶段障碍物点云聚类方法并完成三维包围盒的建立;最后将注意力机制引入MobileNet使网络更加聚焦于目标对象特有的视觉特征,并综合利用视觉特征和三维点云信息共同构建关联性度量指标,提高匹配精度。利用KITTI数据集对构建的障碍物目标检测、跟踪与测速算法进行仿真测试,并搭建实车平台进行真实环境试验,验证所提算法的有效性和真实环境可迁移性。

关键词： YOLOv8M   水下目标检测   注意力机制   金字塔结构   可变形卷积   损失函数  

摘要： 受限于水中检测设备内存欠缺和计算能力不够强大以及水下环境错综复杂等多类因素,水下目标检测会出现检测目标错误和漏检目标等问题。为了解决上述问题,通过对YOLOv8M算法进行改进,提出了一种更高效、精准的算法,使水下目标检测检测性能得到了一定提升。首先,将一种注意力机制(A Simple-Atten Module,SimAM)嵌入网络结构中的颈部,解决了现有注意力模块只能沿着通道或空间维度细化特征,限制学习跨通道和空间变化的注意力权重灵活性的问题,加快了权重计算,提高了模型在水下模糊环境下的检测精度;其次,采用DCNv4(Deformable Convolution v4)可变形卷积替换C2f结构中的3×3卷积模块,以增强空间聚合的动态特性和表达能力并优化内存访问提高速度。此外,还采用加权双向特征金字塔结构(Bidirectional Feature Pyramid Network,BiFPN)将深度的特征信息层进行多尺度特征融合,以增强骨干网络的特征提取能力;最后,在预测部分使用Wise-Inner-MPDIoU损失函数将交叉熵损失函数进行替代,使模型对不同目标及尺寸的自适应能力得到一定程度的提升,增强算法的鲁棒性。从实验结果可以看出,模型经过改进后在URPC2020数据集上取得了86.4的mAP,相比于原始的YOLOv8M算法,mAP提高了2.8百分点,检测速度提升至102.9 FPS。经过改进后算法模型在进行水下目标检测任务时,无论是检测的精度或者速度都得到了有效的改进,说明该算法在用于水下目标检测的实际场景中有一定的实用性。

关键词： 滚动轴承   机器视觉   光源   表面缺陷   检测   图像处理  

摘要： 为降低工业自动化生产过程中轴承端面块状瑕疵的漏检率和误检率,对视觉检测常用的光源类型进行了对比试验,在工业环境下采用不同光源获取图像并使用不同的图像增强算法进行优化处理,通过像素点检测的方式检测轴承端面块状瑕疵,以工厂的检测标准进行应用验证。结果表明:同轴光源作为视觉光源时所采集图像在各种图像增强算法处理下的检测效果均好于其他光源;自适应直方图均衡化对轴承端面瑕疵的总体检测效果较好,Gamma变换则对降低漏检率有较好作用。

关键词： 目标检测   无人机视角   YOLOv8   BiFormer   特征融合   损失函数  

摘要： 针对无人机视角下的目标存在多尺度、目标小、被遮挡与背景复杂等问题,提出了一种基于动态样本注意力尺度序列的YOLOv8改进算法BDAD-YOLO。通过引入BiFormer的思想来改造原模型骨干结构,提高模型对关键信息的关注度,更好地保留目标细粒度细节信息。由于目标存在大小、位置等多变性,传统卷积并不能很好地处理这一情况,因此基于DCN(deformable convolutional network)的思想,设计了一种可以增强对小目标特征提取的C2_DCf模块,从而进一步提高颈部网络中小目标层对特征信息的融合。提出一种基于动态样本的注意力尺度序列融合框架AFD(attention-scale sequence fusion framework based on dynamic samples),使用轻量化动态点采样并通过融合不同尺度的特征图来增强网络提取多尺度信息的能力。使用WIoU损失函数,改善小目标低质量数据对梯度的不利影响,以加快网络收敛速度。实验结果表明,在VisDrone数据集中的val集与test集上平均精度(mAP@0.5)分别提升了4.6个百分点、3.7个百分点,在DOTA数据集上平均精度(mAP@0.5)提升了2.4个百分点,证明了改进算法的有效性和普适性。

关键词： 目标检测   无人机航拍图像   YOLOv8   小目标   特征融合  

摘要： 针对无人机航拍图像存在多个小目标聚集、目标尺度变化大的问题,提出一种改进YOLOv8的目标检测算法TS-YOLO(tiny and scale-YOLO)。在主干部分去除冗余的特征提取层,设计了一种高效特征提取模块(efficient feature extraction module,EFEM),避免小目标特征消失在冗余信息中。在颈部设计了一种双重跨尺度加权特征融合方法(dual cross-scale weighted feature-fusion,DCWF),融合多尺度信息的同时抑制噪声干扰,提升特征表达能力。通过构建一种参数共享检测头(parameter-shared detection header,PSDH),使回归和分类任务实现参数共享,保证检测精度的同时有效降低了模型的参数量。所提模型在VisDrone-2019数据集上的精度(P)和召回率(R)分别达到54.0%、42.5%;相比于原始YOLOv8s模型,mAP50提高了5.0个百分点,达到44.5%,且参数量减少了55.8%,仅有4.94×106;在DOTAv1.0遥感数据集上,mAP50达到71.9%,仍具有较好的泛化能力。