关键词： 计算机视觉   深度学习   卷积神经网络   烟草   应用  

摘要： 计算机视觉与深度学习技术在众多场景(如物体识别,图像分类)取得了显著进展,近年来这项技术在烟叶生产中展现出广泛的应用空间与发展潜力。综述了计算机视觉与深度学习技术在烟叶生产上的应用现状,重点讨论了其在解决烟叶病害识别、烟叶采收调制、烟叶分级等问题方面的方法。通过分析不同的算法及其在烟叶生产关键阶段的运用,并考虑这项技术在烟叶生产领域所面临的挑战与发展方向,为智能化烟叶生产提供理论支持和参考。

关键词： 武当山茶叶   机械视觉   图像处理   机器学习   自动化筛选  

摘要： 武当山茶叶作为中国特色茶叶之一,其品质筛选对产业发展至关重要。采用机械视觉技术,结合图像处理和机器学习算法,构建了一套自动化茶叶筛选系统。通过采集大量武当山茶叶样本,提取颜色、形状和纹理特征,训练分类模型。实验结果表明,该系统在茶叶等级分类准确率上达到95.8%,显著提高了筛选效率和一致性。这为武当山茶叶产业升级提供了技术支持,同时也为其他茶叶品种的智能化筛选提供了参考。

关键词： 图像处理   架空   输电线路   损伤检测   设计  

摘要： 由于现有的检测方法检测损伤度在0.4~0.5之间,检测效果差,为此研究基于图像处理的架空输电线路损伤检测方法。通过无人机采集架空输电线路图像,运用图像识别处理技术对采集的图像进行处理。采用图像逆变操作进行消除,正变操作填充目标区域内存在的细小极限空间,以形成完整的目标区域。根据找出的完整目标区域,采用灰度独立矩阵提取损伤区域特征。计算损伤区域内的过差距,输入到输电线路表面损伤的损伤检测方程中,可以得到相关的检测结果。实验结果表明,实验组的检测损伤度均在0.35附近,与实际值较为一致;8次测试均能成功检测到输电线路导线裂缝,检测成功率为99%,达到了良好的检测效果。

关键词： 计算机视觉   预制梁场   钢筋   混凝土   质量检测  

摘要： 预制梁场目前使用的制备工序识别方法识别准确率较低,设计一种基于计算机视觉的预制梁场材料制备工序识别以及质量控制方法。通过设置工业摄像头以及相关参数抓拍时间间隔,设备将自动抓拍上传图片至后台,构建制备工序特征数据集构件,分析识别制梁生产工序,并记录当前工序开始及结束时间,确保管理人员可以获取第一手真实工序数据,实现质量控制。试验结果表明,在相同的测试场景下,设计方法各个工序的平均识别准确率可达到97%。

关键词： 结构健康监测   裂纹检测   计算机视觉   深度学习  

摘要： 民用基础设施在长期使用后容易发生物理结构或性能状态的改变,对其功能和使用安全造成一定的损害,因此,对这类设施的结构健康监测是十分必要的。裂纹检测是结构健康监测中极其重要的一部分,及时检测并识别这类损伤,能有效避免事故的发生。基于计算机视觉的表面裂纹检测方法操作简单、检测速度快、准确率高,被广泛应用于民用基础设施的表面裂纹检测。从图像分类、目标检测、语义分割三个不同的检测方向综述了基于深度学习的基础设施表面裂纹检测方法,总结了常见的数据采集方法和常用的公共裂纹数据集。最后讨论了基于深度学习的基础设施表面裂纹检测方法存在的困难与挑战,并展望了未来可能的发展方向。

关键词： YOLOv5s   目标检测   解耦头   安全帽识别   小目标  

摘要： 针对矿井工作人员安全帽佩戴错检、漏检的问题,提出一种改进安全帽佩戴的检测方法,包括:在YOLOv5s基础上增加小目标检测层,以提高网络对小目标的检测效果;引入一种新的包围框相似度度量,以降低网络对小目标位置变化的敏感程度;重构模型的检测头,以加速网络收敛;重建模型中的特征提取模块,以提升网络对遮挡目标的检测能力。在自建数据集上完成消融实验,实验结果表明:改进后模型的识别精度较原YOLOv5s模型,平均精确率提升了2.1%,平均查全率提升了3.0%,平均查准率提升了1.9%。研究表明,改进后模型具备良好的检测精度,适用于复杂情况下的安全帽佩戴检测任务,对于保证工作人员安全具有积极意义。

关键词： 计算机视觉   人工智能   深度学习   图像识别  

摘要： 近年来,深度学习技术在多个学科领域均取得了显著成效,尤其在计算机视觉领域表现尤为突出。综述了人工智能技术在计算机视觉领域内的应用与发展趋势,强调深度学习核心架构的运用,分析其结构特征、独特优势及存在的局限性,探讨了深度学习架构在物体识别、面部验证、行为识别及人体姿态估计等计算机视觉核心任务中的应用实例,展望了深度学习模型在计算机视觉问题设计上的发展方向及其面临的挑战。

关键词： 施工隧道   图像处理   人员流动监测   隐患识别  

摘要： 施工隧道环境中,复杂的人员流动和潜在的安全隐患对施工安全管理提出了较高的要求。文章提出了基于图像处理的隧道施工人员流动监测与隐患识别方法,使用图像采集设备实时获取隧道内部人员动态信息,并对图像数据进行预处理,提取有效特征。采用深度学习算法构建人员流动监测模型,实现人员位置跟踪和流动轨迹分析,识别异常聚集、无防护装备等潜在隐患行为。系统经过异常行为检测模型对人员在隧道内的活动进行实时监控,结合数据分析和预警机制,实现了对不安全行为的早期预警与反馈。

关键词： 深度学习   目标检测   遥感图像   小目标   解耦检测   特征提取  

摘要： 针对典型目标检测模型在遥感图像检测任务中因检测目标小而密集、尺度差异大、方向随机而背景复杂,导致漏检率高、边框回归精度差等问题,提出一种特定任务上下文解耦和快速部分卷积的遥感图像检测方法FasterYOLO-TSCDH。将检测方法改进为特定任务上下文解耦检测方法,将分类任务和回归任务分开处理,分别融合不同空间特征和语义特征的特征图,降低不同任务的相互干扰,提高检测精度和鲁棒性。提出一种快速部分卷积多层次聚合模块,改进特征提取阶段的跨阶段分部卷积模块,强化特征提取能力,同时减轻解耦头带来参数量和运算量暴增的问题。采用一种对锚框质量动态评估的边框回归损失Wise-IoU,减少过高质量或过低质量锚框对边框回归的负面影响,提高边框回归的整体性能。实验结果表明,在DOTAv2和AI-TOD两个公共遥感图像数据集进行目标检测任务时的平均精度均值(mAP@IoU=0.5)达到65.4%和51.3%,相较基准模型提升了3到5个百分点,证明了改进方法的可行性和有效性。

关键词： 目标检测   RT-DETR   复杂条件   特征融合   小目标  

摘要： 该研究旨在深入探究在复杂多变的交通环境下交通标志与信号灯的联合检测问题,分析并解决恶劣天气、低光照和图像背景干扰等不利因素对检测精度的影响.为此,采用了一种改进RT-DETR网络的策略.基于资源有限的运行环境,并为提高模型对于遮挡以及小目标的检测能力,提出PE-ResNet(ResNet with PConv and efficient multi-scale attention)网络作为主干网络.为了增强特征融合能力,提出了NCFM(new cross-scale feature-fusion module)模块,有助于更好地整合图像中的语义信息和细节信息,对复杂场景的理解更为全面.最后引入MPDIoU损失函数,更精确地衡量目标框之间的位置关系.改进后的网络相较于基线模型参数量降低了约14%.在CCTSDB2021数据集、S2TLD数据集以及自制的MTST(multi-scene traffic signs)数据集上,mAP50:95分别增加了1.9%、2.2%和3.7%.实验结果表明,改进之后的RT-DETR模型可以有效地改进复杂场景下目标检测精度.