关键词： 机器人视觉   图像处理   算法优化   导航技术   特征提取  

摘要： 随着机器人技术的飞速发展,视觉导航作为其核心技术之一,对图像处理算法的依赖日益增加。系统地分析了机器人视觉导航中图像处理的关键技术,包括图像采集、预处理、特征提取、图像匹配及地图构建等,并通过实验数据支持,探讨了这些算法的优化方法。通过对现有算法的深入研究与改进,提出了有效的优化策略,显著提高了图像处理的效率和准确性。此外,还探讨了这些优化技术在实际应用中的实施效果,如无人驾驶汽车、工业机器人和服务机器人等,验证了这些技术的实用性和广泛的应用潜力。

关键词： 多任务学习   目标检测   语义分割   自动驾驶   特征融合   轴向注意力  

摘要： 为了满足自动驾驶要求并提升多模型间的协同效果,基于共享主干网络提出新的算法.为了提升模型的位置表达能力,将轴向注意力机制加入主干网络,在保持轻量化特征提取的前提下建立全局关键点间的联系.在多尺度信息提取阶段,引入自适应权重分配方法和三维注意力机制,降低不同尺度特征间的信息冲突.根据难分样本区域优化损失函数,加强所提算法在难样本区域的细节识别能力.在BDD100K数据集上的实验结果表明,相比YOLOP,所提算法在交通目标检测任务中的平均精度均值(在IoU=50%的情况下)提高了3.3个百分点,在道路可行驶区域分割任务中的mIoU提升了1.0个百分点,车道线检测准确率提升了6.7个百分点,推理速度为223.7帧/s.所提算法在交通目标检测、可行驶区域分割和车道线检测任务上了均表现出良好的性能,能够较好平衡检测精度与推理速度.

关键词： 计算机视觉   课堂视频   头部姿态估计   注意力模型   抬头率   活跃参数  

摘要： 针对研讨型或纵深较大的讲授型教室中头部姿态估计方法存在的误检、漏检问题,提出一种课堂注意力测量方案。首先,采用级联神经网络结构对课堂视频进行头部检测,精确获取学生头部的位置和数量。其次,构建全局人脸检测器和头部姿态分类器,结合人脸检测与姿态分类,准确判定凝视与非凝视状态。接着,引入活跃参数,通过前后帧头部位置匹配算法计算头部姿态变化次数,并结合凝视状态改变次数表征抬头率,得到新的抬头率计算公式。最后,结合抬头率和活跃参数,通过注意力模型分析得出总体表征课堂注意力的数值——注意力K值。实验结果显示,头部检测器在多尺度课堂中的准确率超95.6%,头部姿态分类器分类精确率达94.6%。实际课堂验证表明,该方案能真实反映学生注意力情况,为教学反思和教学能力评价提供重要参考。

关键词： 深度学习   机器视觉技术   船舶目标检测   国际形势  

摘要： 随着国际形势的变化和海洋强国战略的大力推进,我国对海上航行安全问题尤为重视,船舶目标检测成为愈加重要的任务,涉及航运安全、港口管理和海洋保护等方面。传统的船舶目标检测方法主要依赖人工观测、雷达探测等手段,这些方法存在人力成本高、受环境影响大和检测精度有限等局限性。基于深度学习的机器视觉技术能够从海量图像或视频数据中自动学习船舶的特征模式,实现高效、精准的检测,为船舶目标检测提供了一些新思路。

关键词： 图像处理   图像分类   生成对抗网络   数据增强  

摘要： 针对在工业环境下因图片数据样本量较小影响带钢表面缺陷检测分类精度,通常采用数据增广策略但需保证细节特征多样性的问题,提出了一种多样性激励深度卷积生成对抗网络VS-DCGAN(variety-stimulation deep convolutional generation adversal network)和MobileViT的带钢表面缺陷分类方法。首先,引入深度卷积生成对抗网络,利用通道注意力机制和多样性激励模块对其进行改进;再用VS-DCGAN对原始数据集进行扩充并保证细节特征多样性;然后,在扩充后的带钢表面缺陷数据集上训练轻量级分类网络MobileViT;最终实现带钢表面缺陷的分类。实验结果表明,多样性激励深度卷积生成对抗网络可以生成与原始图像数据分布相似且细节特征更丰富的带钢表面缺陷图片,达到了数据增强的目的;且扩充后的数据集能够使得轻量级分类网络MobileViT的训练效果更优异,3个版本的分类准确率分别为97.33%、98.66%、97.33%,分别提高了0.33%、1.5%、2.13%,高效地实现了带钢表面缺陷分类。

关键词： 图像处理   算法优化   并行计算   内存管理   性能分析  

摘要： 针对图像处理算法在开发过程中面临性能瓶颈问题,运用C语言实现经典的图像滤波和边缘检测算法,并深入分析其执行效率。通过改进数据结构设计、优化内存管理策略以及引入并行计算机制等手段,构建了一套完整的性能优化方案。实验数据显示,优化后的算法在处理速度上显著提升,具体表现为图像滤波速度提升45%,边缘检测速度提升38%,图像分割速度提升41%。该优化方案已在工业视觉检测系统中得到验证,为提升C语言图像处理算法性能提供了实用参考。

关键词： 烟支   外观缺陷   目标检测   YOLOv7tiny   深度学习  

摘要： 【背景和目的】卷烟厂在生产中不可避免会出现有外观缺陷的烟支,而外观缺陷会严重影响烟草产品的质量。因此,在烟支高速生产线上,有实时检测烟支外观缺陷并剔除外观缺陷烟支的需求。【方法】提出一种基于YOLOv7tiny的烟支外观缺陷的快速检测模型,该模型被命名为CAD-YOLO(Cigarette Appearance Defects detection using YOLO)。在该模型中,特征提取网络中引入了可变形卷积网络的升级版(DCNv2),通过对采样点添加偏移量来灵活提取特征,自适应复杂缺陷的几何形状,以此提升模型的特征提取能力;在颈部网络的特征融合金字塔中,引入了双向加权特征融合金字塔,并在P5特征层上增加了来自P2特征层的跳层连接,加强了颈部网络在深层特征上的特征融合能力;引入定位损失函数WIoUv3,降低了数据集中低质量实例产生的不利梯度,增加定位精度和检测精度,最后使用带有多头自注意力的基于注意的尺度内特征交互(Attention-based Intrascale Feature Interaction,AIFI)模块替换了特征池化金字塔模块,进一步增强多尺度融合能力。【结果】CAD-YOLO模型的平均检测精度为94.1%,召回率为92.4%,每支烟支图像检测时长仅12.0ms。【结论】所提出的模型可以应用于烟支高速生产流水线,能为烟支生产质量控制提供保障。

关键词： 杂草检测   图像处理   深度学习   YOLO   知识蒸馏  

摘要： 杂草对农业生产的负面影响日益严重,高效的杂草检测方法对推动农业可持续发展至关重要。然而,现有的杂草检测模型在检测精度和效率方面仍存在提升空间。该研究基于YOLOv5,引入知识蒸馏技术,并整合多个教师模型的知识,旨在提高模型在棉田杂草检测中的精度和实时检测能力。首先,提出了一种基于温度系数的Logits软投票机制,通过动态调整教师模型的蒸馏损失权重,有效融合各教师模型的优势。同时,还提出了基于注意力机制的多教师特征融合方法,动态加权突出关键特征,抑制冗余信息。结果表明,该研究提出的YOLOv5s-CWD在模型精度和实时检测性能上均表现优异,F1分数(F1-score, F_(1))为94.5%,平均精度均值(mean average precision, mAP)在验证集和测试集上分别为96.8%和93.6%,帧率(frames per second, FPS)为46.71帧/s,浮点运算数(giga floating point operations, GFLOPs)为4.1,模型大小为2.9 MB。与YOLOv5s相比,YOLOv5s-CWD在验证集上的m AP仅降低0.9个百分点,FPS提高约57.22%,计算复杂度降低约74.38%,模型大小减少约79.86%。与YOLOv7相比,YOLOv5s-CWD在验证集上的mAP降低1.3个百分点,FPS提高约1 076.57%,计算复杂度和模型大小大幅优化。与YOLOv10s相比,YOLOv5s-MGD在验证集上的mAP降低0.9个百分点,FPS提高约143.41%,计算复杂度降低约83.27%,模型大小降低约82.42%。综上所述,YOLOv5s-CWD在保证高精度的同时,显著提升了检测速度、计算效率和存储性能,适用于在性能受限设备上实时检测,为棉田杂草检测提供了有力的技术支持。

关键词： 温度场测量   辐射测温   炉内温度监测   三维温度场   煤粉燃烧  

摘要： 【目的】在“双碳”目标要求下,中国新能源发电占比不断增加,对传统火电机组深度调峰提出了更高的要求。深度调峰面临的最大挑战则是炉内燃烧不稳定,而火焰温度又是反应燃烧稳定性的重要参数。【方法】采用黑体炉对4个电荷耦合图像探测器进行标定,建立图像灰度值与辐射强度的定量关系;探测器内置双带通滤光片及中性密度衰减片,以获取非饱和单色辐射图像。在5 MW煤粉锅炉炉膛的对称位置布置4个探测器,通过逆蒙特卡洛法求解辐射传输方程,结合Tikhonov正则化优化算法抑制噪声干扰,实现三维温度场重建,试验针对15%、35%、50%、75%和100%负荷工况进行测试。【结果】试验结果表明,中间断面的平均温度分别为1182.3℃、1235.5℃、1239.7℃、1272.2℃和1295.2℃,随负荷增加呈显著上升趋势;15%负荷下炉膛高度方向温度分布接近对称,但上部高温区域面积略大于下部,反映了实际燃烧状态。三维温度场重建系统可实时显示不同断面的温度分布,软件界面集成火焰图像、温度曲线及二维/三维场可视化功能。标定实验验证了辐射强度测量的准确性,黑体炉温度反算误差小于1%。不同负荷下高温区面积扩展与温度升高的规律表明,系统能有效捕捉燃烧状态变化。【结论】该方法具备良好的工程应用潜力,对推动火电机组清洁高效运行具有重要意义。

关键词： 显著性目标检测   低光照场景   无源领域自适应   伪标签   教师-学生网络   集合熵最小化   选择性投票  

摘要： 为了解决低光照条件下校园环境等场景监控摄像头图像质量和监控效果受影响而带来的安全问题,提出一种低光照显著性目标检测(SOD)方法,以提高低光照条件下目标检测能力。针对低光照条件下图像的显著性特征弱化和缺乏大规模标注数据的问题,提出一种无源领域自适应(SFDA)方法,将正常光照图像(源域)下训练的模型知识迁移至低光照条件图像(目标域)。该方法采用两阶段策略:在第一阶段,利用源域模型生成低光照图像的伪标签,为提高伪标签生成的质量,提出集合熵最小化损失抑制高熵区域,同时引入选择性投票方法来增强伪标签的生成;在第二阶段,采用基于增强引导一致性的教师-学生网络自训练方法对显著图进行精细化,进一步提高检测结果的精度。在SOD-LL数据集上的实验结果表明,所提出的方法在低光照场景下总体性能优于其他图像显著性检测方法,相较于正常光照的SOD方法,其平均绝对误差(MAE)降低15.15%,加权F1值(wFm)提高4.73%。