关键词： 工业机器人视觉系统   图像处理   3D视觉  

摘要： 工业机器人视觉系统模仿人的视觉功能让机器人对图像信息进行识别、处理与分析、以达到准确组装、检测和质量控制。关键技术主要有图像采集、图像处理和分析、模式识别和机器学习、3D视觉、传感器融合和照明和光学技术等。在装配与检测、质量控制、定位与导航、分拣与包装、焊接与切割以及其他方面都有大量技术应用实例，大大提高了生产效率及产品质量。伴随着科技的进步，工业机器人视觉系统必将在更多的领域中扮演重要角色。

关键词： 目标检测   安全帽   注意力机制  

摘要： 为了解决安全帽检测算法推理时间长,小目标检测漏检等问题,提出一种改进的YOLOv7实时检测模型。以EIOU(Efficient Intersection Over Union)损失作为损失函数,引入焦点损失,聚焦于高质量的锚箱,达到加快收敛速度、提高回归精度的目的。同时采用全局注意力机制,通过减少信息损失并增强全局交互表示来提高深度神经网络的性能。实验结果表明,改进后的模型m AP@0.5为0.951,比YOLOv5s、YOLOv7和YOLOv7-tiny模型分别高出3.93%、2.92%、5.32%,改进后的YOLOv7模型可以有效地实现复杂环境下安全帽的精确检测,能够准确识别工人安全帽佩戴情况,从而大大降低施工现场的安全风险。

关键词： 煤泥浮选   灰分预测   深度学习   图像处理   卷积神经网络  

摘要： 煤泥浮选过程具有多工况、多参数、固液气三相变量强耦合等因素，这使得浮选过程难以实现全流程智能化控制，其中煤泥浮选灰分实时检测是卡脖子问题。因此实时预测浮选产品灰分，对煤泥浮选过程形成闭环智能决策，建设智能化选煤厂十分关键。通过基础数学机理模型、简单过程变量模型或者单一的图像处理和深度学习模型均无法有效检测浮选产品灰分，提出通过图像处理对浮选精煤与尾煤产品灰分进行实时初步预测，同时采用深度学习算法对浮选过程变量数据深度挖掘进行补偿预测，将二者耦合构建多模型算法，可以实现浮选产品灰分在线实时准确检测，为复杂工况下多变的浮选过程生产指标预测建模的世界性难题提供理论指导，为浮选生产过程智能控制提供技术支撑，对促进煤炭行业自动化水平的提升具有重要意义。

关键词： 凡纳滨对虾   生长表型   深度学习   计算机视觉   测定系统  

摘要： 【目的】为解决凡纳滨对虾生长表型人工测量效率低、误差大等问题。【方法】本研究设计了对虾专用图像采集箱，获取标准化、高质量的对虾侧面图像。在此基础上，利用高分辨率网络(HRNet)模型识别凡纳滨对虾9个关键特征点，实现对体长等体尺相关性状的测量；基于掩膜卷积神经网络(Mask R-CNN)进行凡纳滨对虾的轮廓分割，实现对虾体表面积的计算；最后复合体长以及体表面积构建回归模型预测对虾体重。通过开发配套的图像处理与数据管理软件，建立凡纳滨对虾生长表型精准测定系统。【结果】HRNet模型对9个特征点的识别率均超过98%，其中7个特征点的识别率超过99%。使用直尺人工测量和图像人工标注特征点测量两种方法测定体长和腹节长的真实值，计算体长和腹节长的预测准确性分别为0.91～0.97和0.91～0.93，平均相对误差分别为1.39%～4.63%和2.46%～4.59%。以人工分割虾体轮廓方式获取体表面积作为参考，评估Mask R-CNN模型对体表面积的预测准确性为0.98，平均相对误差为1.73%。以体长、体表面积、性别为变量，构建了4种回归模型来预测体重，所有模型的准确性均在0.94以上，其中以同时包含体长和体表面积的模型的预测准确性最高(0.97)。【结论】利用深度学习算法可以较为准确地获得凡纳滨对虾体长和体表面积等生长表型并预测体重。本研究结果可为凡纳滨对虾生长表型性状的准确、快速测量提供高效工具。

关键词： 小目标检测   深度学习   部分卷积   注意力机制   无人机  

摘要： 随着无人机的广泛应用，提升无人机航拍图像检测效果的重要性日益凸显。针对目前主流目标检测算法在检测航拍图像中小目标时效果不理想的问题，本文提出一种基于部分卷积与注意力融合检测头的小目标检测算法，引入更高效的FasterNet主干网络，使用部分卷积（PConv）减少了深度卷积时的内存访问和冗余计算，增大网络规模提升空间特征提取的效果的同时，控制了网络计算时间。该算法优化特征提取网络，提升对微小尺寸目标的检测效果。在检测头中引入Dynamic Head,有效地应用注意力机制，提升了检测性能。最后优化边界框损失函数为Inner-ShapeIoU,聚焦边框自身形状与尺度，提升边框回归计算精度，使用辅助边框，提升收敛速度。在公开数据集VisDrone2019上进行实验，本文算法与原YOLOv8n算法相比，准确率P提高了11.9%,mAP50提升13.4%,表明小目标检测精度显著提升。

关键词： 彩/谱图像特征融合   环境残差感知   多正则化相关滤波   高光谱视频   目标跟踪  

摘要： 在背景快速变化的情况下，现有高光谱视频目标跟踪算法存在跟踪效果不佳的问题。为此，提出一种基于背景环境残差感知的高光谱目标多正则化相关滤波（MRCF）跟踪算法。首先，为了降低相关滤波（CF）跟踪算法的复杂度，采用背景感知谱段选择方法，从高光谱图像中选择目标和其周围背景区域差异性得分最大的前三个谱段，构成三谱段光谱图像。然后，分别提取伪彩色图像与三谱段光谱图像中目标的三种典型的特征：方向梯度直方图（HOG）、强度和三维HOG特征，再通过朴素相加的方式获得目标融合特征，对目标特征进行描述。最后，将目标融合特征输入改进的MRCF并预测目标位置，当MRCF在训练相关滤波器时，在其岭回归函数中引入背景环境残差感知正则化项来抑制背景快速变化带来的干扰。实验结果表明，与当前的其他算法相比，所提跟踪算法在目标快速运动和尺度变化情况下具有更好的跟踪性能。

关键词： 目标检测   弱光环境   深度学习  

摘要： 针对弱光环境下目标检测性能不足的问题,提出一种改进YOLOv8的弱光环境目标检测算法DarkEnv-YOLO。首先,使用Zero-DCE++增强算法对图像预增强处理,加强目标在弱光环境下的可识别性。其次,在主干网络C2F模块Bottleneck中使用Rep Ghost模块取代原网络中的部分卷积,简化网络模型提高检测速度。同时在颈部网络融合Sim AM无参注意力机制,改善卷积网络的表征能力提高检测精度。最后,使用Wise-Io U边界框回归损失函数,考虑不同图像之间权重分配从而提高检测任务的性能。实验结果表明,相较于YOLOv8在ExDark数据集上检测速度增加了4FPS,mAP精度提升了2.4%,改进后的网络能够有效地提高在弱光场景下目标检测的性能。

关键词： 火焰检测   移动机器人   TurtleBot2   YOLOv5  

摘要： 提出了一种基于移动机器人的火焰检测系统，旨在提高室内环境下的火焰检测精度。系统选用配有摄像头传感器的TurtleBot2机器人，对传统YOLOv5算法进行改进，通过引入CA模块来提升火焰检测的准确性和适应性。实验结果表明，在复杂的室内场景中，该系统可在巡检过程中实时检测火焰与烟雾信息，并触发报警功能。同时，改进后的算法平均精度比原算法提升5%，能够更有效的应对复杂环境中的火焰检测任务。

关键词： 目标检测   空洞卷积   上下文特征   特征融合   注意力机制   ACON激活函数  

摘要： 目的 针对CenterNet无锚框目标检测算法表征能力不足的问题，提出一种基于上下文增强和特征融合的学习方法。方法 该方法采用多感受野和信息融合的思想，构建自适应上下文提取模块和特征融合策略。首先网络通过自适应上下文提取模块的多路径空洞卷积层获取目标的上下文特征，督促深层网络学习多尺度信息；然后，通过ACON-C激活函数在网络中加入非线性因素，对网络神经元自适应地激活，增强网络的数据拟合能力；最后，联合注意力特征融合策略对不同层次的特征信息进行合并，通过整合深层网络的语义信息和浅层网络的位置信息，来捕获对识别任务有用的特征信息，同时学习特征图在多个层次通道间的相关性，以加强网络对关键目标特征的专注度。结果 所提方法在PASCAL VOC公开数据集上mAP达到83.82%,约比基线算法CenterNet增加了3.72%。相较于经典算法Faster R-CNN、SSD、YOLOv3分别增加了7.4%、9.5%、3.5%。结论 有效地提升了CenterNet算法的检测性能，并且改进的CenterNet相较于其他目标识别算法具有更高的识别准确度，在目标检测应用中具有良好的实用性，充分验证了所提方法的有效性。

关键词： 双分支   水下目标检测   注意力机制   可形变卷积   特征融合  

摘要： 水下目标检测是水下作业中不可或缺的重要技术.针对水下图像中背景复杂、待检测目标大小形状不同及存在重叠与遮挡等问题,本文提出了一种基于双分支卷积网络的水下目标检测算法.首先,采用两个并行卷积神经网络作为骨干网络,其中一个分支引入ECA注意力机制,另一个分支采用可形变卷积,以提高模型的特征提取能力.其次,使用AFF模块有效融合两个分支提取到的特征.最后,采用PANet金字塔结构作为颈部网络,实现多尺度特征融合,同时增加高分辨率检测头,以进一步提高对小目标的敏感性.本文在公开水下数据集RUOD上进行对比实验,结果表明,本文的改进算法在RUOD数据集上的mAP50达到了86.8%,相较于基准YOLOv8n模型提升了2.7%,并且相比于同规模的其他常见目标检测模型表现更优.