关键词： 电路板   缺陷检测   YOLOX   注意力机制  

摘要： 针对目前电路板缺陷检测方法效率低、容易出现误检和漏检等问题,提出一种基于改进YOLOX的电路板表面缺陷检测网络。首先,提出一种改进的特征融合网络,将主干网络输出的较浅层特征图引入金字塔自下而上的路径,并作为新增的第四个预测特征图,用于解决因缺陷尺寸较小导致的漏检问题。其次,将CBAM注意力模块引入YOLOX的主干网络,以抑制图像中的冗余信息,对重要特征进行强化。最后,改进YOLOX的回归损失,使用SIoU替换原损失函数,考虑标注框和预测框的角度关系,增强网络的收敛速度和对微小缺陷的定位能力。试验结果表明,改进网络在电路板数据集上的mAP为99.70%,与原YOLOX相比提高了2.28%,对缺陷的检测精度有较好提升,且检测速度满足电路板缺陷诊断实时性要求。同时,对比其他主流目标检测网络均表现出明显精度优势,证明了改进算法的有效性,该方法对工业生产中电路板的质量把控和降低检测成本有重要意义。

关键词： 织物疵点   YOLOv8   GhostNet   注意力机制   轻量化   目标检测  

摘要： 为应对织物疵点目标检测中背景纹理复杂以及硬件资源有限问题,本文提出一种基于改进YOLOv8n的轻量化织物疵点检测算法(GSL-YOLOv8n)。首先,为减少YOLOv8n模型参数量与网络结构复杂度,结合Ghost思想构建C2fGhost模块,并用Ghost卷积层替换YOLOv8n网络结构的普通卷积(Conv);其次,在主干网络末端嵌入无参注意力机制SimAM,去除冗余背景,增强小目标语义信息和全局信息,增强网络特征提取能力;最后,设计轻量化共享卷积检测头LSCDH,运用Scale层对特征进行缩放,在保证模型轻量化的同时尽可能减少精度损失。改进后的算法GSL-YOLOv8n相比原YOLOv8n模型平均精度提升0.60%,达到98.29%,检测速度FPS基本保持不变,模型体积、计算量和参数量分别减少66.7%、58.0%和67.4%,满足纺织工业生产对织物疵点检测的应用要求。

关键词： 预成端盒   目标检测   目标识别   实例分割   模板匹配  

摘要： 预成端盒是一种连接和管理光纤网络物理分布的重要光传输设备,现阶段对该类设备的巡检主要依赖人工完成.为了降本增效,亟需上线智能化巡检方式.然而,受制于设备部署场景复杂的光照条件、多样的端口连纤状态及遮挡问题,利用现有的图像识别技术对端口信息(端口连纤状态和连纤条码信息)进行自动化识别具有极大的难度:既难以保证端口信息识别的精度,又难以将识别结果与其实际物理位置相匹配.为此,提出基于空间匹配校准的预成端盒端口信息自动化识别方法,包括:基于空间多尺度匹配和多角度补偿的端口状态识别和校准方法,采用多尺度模板校准算法自适应地匹配端口实例的状态信息及其物理位置,并设计多角度补偿方案完成端口的校准识别;基于自适应矫正与动态极小值匹配的光纤尾端条码信息识别方法,自动检测条码成像姿态并有效切割和识别条码,利用动态极小值匹配算法进行空间匹配校准,实现连纤端口的条码信息识别.构建一个真实数据集,并基于此进行大量实验,实验表明所提出的方法在端口信息的识别精度和效率上均优于同类应用场景;同时,将所提出的方案在移动设备上进行部署测试,可实现准确高效的预成端盒端口信息自动化识别.

关键词： 深度学习   目标检测   CenterNet   输电线路   残差网络  

摘要： 针对高压输电线路会存在异物影响线路正常运行,提出一种改进CenterNet的高压输电线路巡检异物的检测方法,对常见的输电线路异物小目标进行检测。该方法基于空洞卷积设计宽型残差模块,加宽残差模块的特征提取面,并且分别采用通道注意力机制与空间注意力机制对特征信息进行二次处理,优化检测精度。实验结果显示,改进后的平均精度从88.59%提升到93.09%,整体提升了4.5百分点。

关键词： 计算机视觉   YOLOv5   仪表识别   工业机房  

摘要： 数据机房作为保障数据安全的重要设施,其内部的各种仪器仪表对于监控数据机房的安全至关重要。然而,传统的仪表识别依赖人工操作,易出错且效率低下。为了解决数据机房中工业仪表在复杂场景下准确率低的问题,研究提出了一种结合渐进式注意力机制与目标检测网络的仪表识别算法。此外,研究还引入了幽灵模块以增强特征表达能力,提高模型的识别准确率。实验结果表明,在不同复杂场景下的仪表识别任务中该模型均表现出较高的准确率。例如,在光照不均或有遮挡的场景A中,准确率达到了92.15%,召回率为89.47%,F_(1)分数为90.78%,处理时间为34.21 ms;在背景复杂或多仪表密集的场景B中,准确率提升至93.24%,召回率为90.85%,F_(1)分数达到92.02%,处理时间为35.17 ms。因此研究所提出的基于计算机视觉的数据机房工业仪表识别模型在复杂场景下的工业仪表识别任务中取得了显著成果,显示出较高的实用价值。

关键词： 深度学习   特征融合   目标跟踪   模板更新   注意力机制   多尺度结构   单流框架  

摘要： 为解决目前基于Transformer的目标跟踪算法采用单一注意力机制,难以有效区分背景和目标的优先级,以及全局注意力操作导致计算负担过重的问题,提出一种基于双层路由注意力的目标跟踪算法。双层路由注意力特征融合模块将单一注意力分为两个层次,上层对图像的区域特征进行相似度筛选,下层对筛选出的区域进行注意力计算。所提算法在LaSOT、GOT-10K、OTB100多个数据集上进行对比实验,实验结果表明,所提算法跟踪表现优良,性能优于现有的多个跟踪器。

关键词： 图像处理   焊缝跟踪   核相关滤波器   强噪声   结构光视觉   跟踪漂移  

摘要： 在基于结构光视觉的焊缝跟踪中,焊接时产生的电弧和飞溅等强噪声会大幅降低焊缝的能见度,导致跟踪失败。为了解决这一问题,提出了一种基于改进核相关滤波器的焊缝跟踪算法,以更好地适应强噪声的环境。首先获取焊缝的初始特征点,基于焊缝激光条纹的灰度分布特征,通过Steger算法提取焊缝激光条纹的中心线;接着对中心线进行滤波并求导来获取焊缝的初始特征点;最后将焊缝的初始特征点作为初始输入,应用改进的核相关滤波器对焊缝特征点进行学习与跟踪。结果表明,在强噪声干扰的情况下,该算法的平均误差为0.305 mm,最大跟踪误差为0.479 mm,取得了良好的跟踪效果并有效避免了跟踪漂移。该研究为高精度焊缝跟踪提供了有益参考。

关键词： 目标检测   变电站   人工智能   YOLOv10-s  

摘要： 变电站作为电力系统的核心枢纽,其安全管控至关重要。针对现有变电站安全意识薄弱、外来施工人员管控困难等问题,本文提出基于YOLOv10-s的智能门禁系统。该系统通过优化调整YOLOv10-s算法,引入BiFPN特征融合网络,显著提升了对安全帽、工作服及人脸的检测精度和速度。系统设计包括YOLOv10-s检测网络、人脸识别网络和基于树莓派4B的硬件部署,实现了与后端数据库的高效交互。实验结果表明,改进后的检测模型在mAP达到了88.94%,FPS提升至56.63张/s,人脸识别模型准确度高达94.98%,FPS提升至65.77张/s,有效强化了变电站的安全管理能力。

关键词： 深度学习   目标检测   YOLOv8   注意力机制  

摘要： 水电站一般通过视觉检测的方法保证门机运行工况安全.在门机工作区域内,人员和车辆是主要的危险源.基于深度学习方法,针对检测图像中人员和车辆目标尺度不一、存在遮挡的问题,对YOLOv8s模型进行改进.主干使用引入EMA注意力机制和动态卷积的Dy‑EMA_C2f模块替代原有C2f,提高对空间与通道跨维依赖关系的学习能力和对不同尺度目标的特征提取能力,减少运算开销;颈部引入SEAM注意力机制,增强特征融合能力;提出损失函数Focaler-SIoU,聚焦中等处理难度的样本,改善边界回归精度.在网络数据集进行验证实验,改进后的模型精确率P提高了10.3%,召回率R提高了5.5%,平均精度均值mAP提升了8.2%,对遮挡和小尺度的漏检、误检情况明显改善.

关键词： 无人机航拍图像   小目标   YOLOv8   目标检测   可变形卷积   注意力机制  

摘要： 针对现有无人机航拍图像目标检测算法检测精度较低、检测小尺度车辆误差较大等问题,提出一种改进YOLOv8的无人机车辆检测算法Improve⁃YOLOv8。首先,在骨干网络中的C2f卷积层引入可变形卷积模块DCNv2,提高骨干网络适应不规则空间结构的能力,增强模型对遮挡重叠小目标的检测能力;其次,借鉴Large Separable Kernel Attention的思想,提出具有长程依赖性与自适应能力的SPPF⁃LSKA模块,有效减少背景对航拍图像检测的干扰;然后,通过引入DyHead检测头,融合尺度、空间和任务三种注意力机制提升模型检测性能;最后,使用WIoUv3作为边界框回归损失,采用明智的梯度分配策略提高模型的定位能力。实验结果表明,在Mapsai数据集上Improve⁃YOLOv8相较于基准模型,在准确率、召回率、平均精度上分别提升了5.1%、6.1%和5.1%,表现出良好的检测性能,具有实际应用潜力。