关键词： 视觉测量   计算机视觉   结构位移   非接触测量   应用进展  

摘要： 基于计算机视觉的结构位移测量技术以非接触、无附加质量、高空间分辨率、测量周期短、测试简便等优势引发了众多学者的关注和研究,产出了众多成果。其中部分成果已经成功应用在火箭发动机整机、机架、管路等结构的力学试验,大型工程结构状态评估和健康监测中。为促进基于计算机视觉的结构位移测量技术更好应用于液体火箭发动机工程中,对近来关于应用计算机视觉测量结构位移的技术和实际工程应用进展进行了综述。首先,概述了基于计算机视觉测量结构位移相对于其他测量方法的显著优势;其次,总结概述了基于计算机视觉的结构位移测量技术;在此基础上,介绍了基于计算机视觉的结构位移测量技术在实际工程中的应用,并对实际测量结果进行了概述;最后,对基于计算机视觉的结构位移测量在实际应用中面临的问题进行总结,对未来基于计算机视觉的结构位移测量技术进行了展望。

关键词： 全局信息   目标遮挡   多尺度与跨空间信息聚合网络   跨层级连接   水下目标检测  

摘要： 提出一种多尺度与跨空间信息聚合网络的水下目标检测算法。首先,在主干网络中利用可变形层聚合模块进行特征提取,提高网络的定位精度;然后,采用Conv2former模块提高颈部的全局信息提取能力,减少水下目标之间相互遮挡造成的漏检;最后,提出多尺度注意力并联增强模块,利用并联卷积块提取更深层次的特征,通过高效多尺度注意力模块将背景以及图像失真后带来的干扰信息滤除,同时引入多条跨层级连接,有效地将低层次局部特征与高层次强语义信息相互融合,从而提高模型的检测精度。在URPC数据集上进行消融实验,相较于原模型,改进后模型的准确率、召回率、平均精度均值(mAP)@0.5、mAP@0.5∶0.95提高3.6百分点、2.6百分点、3.5百分点、3.3百分点,在RUOD数据集中测试不同场景的检测效果表明,对比当下的一些主流模型,所提模型具有显著优势。

关键词： 工业机器人   视觉引导   深度学习   目标检测  

摘要： 为了进一步提高复杂环境下的工业机器人的适应性,本研究提出了一种基于深度学习的视觉引导方法。首先,本文研究了视觉引导系统的基本组成。其次,研究了基于卷积神经网络(convolutional neural network, CNN)的目标检测与分割模型。再次,探讨了基于模型匹配的姿态估计技术。最后,为了验证所提方法的有效性,搭建了以JAKA-ZU3工业机器人为平台的实验系统,并进行了抓取实验。结果表明:本研究设计的视觉引导方法具有良好的操作精确性和重复性。

关键词： 目标检测   YOLOv8   钢材缺陷   注意力机制   VanillaNet  

摘要： 钢表面缺陷检测的重点是快速识别和精确定位。目前在带钢表面缺陷检测领域,深度学习网络已经取得了显著的进步,但是通用算法复杂度高、计算量庞大,检测算法部署困难。本文基于YOLOv8提出一种轻量级的带钢表面缺陷检测模型YOLOv8-VCRA。该模型引入轻量级网络VanillaNet构建全新的骨干网络,通过减少不必要的分支结构降低模型的复杂度。此外,设计一个新模块CBAM-RFB,增强特征提取网络的感知场,有效改善目标易漏检的问题。最后将AFPN融入Neck结构,在融合过程中提取更多有用的信息。实验结果表明,改进后的YOLOv8-VCRA网络模型有着良好的检测性能,检测精度相比原始YOLOv8网络提升了1.2%,模型参数量降低了0.95 M,模型计算量降低了3.1 G,在保持原高精度少量提升的情况下,能够快速且实时地对钢材表面缺陷进行检测。The emphasis of steel surface defect detection is rapid identification and accurate location. At present, in the field of strip surface defect detection, deep learning networks have made remarkable progress, but the general algorithm is of high complexity and huge computation, and the detection algorithm deployment is difficult. In this paper, a lightweight strip surface defect detection model, YOLOV8-VCRA, is proposed based on YOLOv8. This model introduces lightweight network VanillaNet to build a new backbone network, and reduces the complexity of the model by reducing unnecessary branch structure. In addition, a new module CBAM-RFB is designed to enhance the perception field of the feature extraction network and effectively improve the problem that the target is easy to miss. Finally, AFPN is integrated into Neck structure to extract more useful information in the fusion process. The experimental results show that the improved YOLOV8-VCRA network model has good detection performance, the detection accuracy is increased by 1.2% compared with the original YOLOv8 network, the number of model parameters is reduced by 0.95 M, and the calculation amount of the model is reduced by 3.1 G. It can detect steel surface defects quickly and in real time.

关键词： 盾构隧道   渗水检测   移动激光扫描   目标检测   YOLOv8  

摘要： 在盾构隧道中,渗水问题常导致电力系统短路、设备腐蚀以及结构劣化等后果。然而,现有的渗水病害检测技术存在智能化程度低、精度和效率不足的问题。针对这一挑战,提出一种基于点云强度图像的智能化渗水病害检测方法。首先,利用移动激光扫描设备在弱光环境的隧道条件下收集三维点云数据,标注构建了渗水病害数据集。然后,针对多尺度渗水目标,设计了高性能的目标检测网络。该网络集成了专为处理多尺度渗水信息而设计的可重构上下文信息融合模块,并设计了渗水的难例挖掘损失函数,以提高模型对多尺度渗水目标和具有挑战性目标的检测能力。为简化模型复杂度,使用改进后的轻量化检测头结构减小模型的大小。最后,通过在渗水病害数据集上进行训练和测试,实验结果表明,该模型实现了93.59%的渗水病害识别率,AP指标相比原模型提高了3.69%。此外,改进后的模型相比于原模型计算量减少了47.15%。消融实验和对比实验进一步验证了该方法的有效性以及相对于其他方法的优势。总体而言,该方法在效率和精度上都取得了显著效果,为盾构隧道渗水病害检测提供了有效保障,有助于确保隧道的安全运行。

关键词： 电梯轿厢场景   深度图像   人体目标检测   边缘计算  

摘要： 针对电梯轿厢场景下,基于传统RGB图像实现人体目标检测易受电梯轿厢内饰、光照、乘客外貌特征等因素影响,难以实现稳定、准确的乘客数量检测的问题,提出一种基于深度图像的人体目标检测方法。首先,设计深度图像采集装置,构建人体目标深度图像数据集;然后,提出一种适配专用推理架构的限制采样尺度及线性激活的YOLOv8网络优化方法。经实验验证,该方法在边缘计算平台上具有0.984的AP@0.5准确率及44 ms的推理延时,满足电梯轿厢场景下人体目标实时检测的需求,提升了电梯的运行效率及安全性。

关键词： 深度学习   目标检测   一阶段检测   两阶段检测  

摘要： 目标检测技术在计算机视觉领域中占据了重要地位,随着深度学习的兴起,该领域取得了显著进展。从传统手工检测方法到现代目标检测方法,从早期的基于候选区域的R-CNN系列到单阶段的YOLO系列,再到加入Transformer架构的DETR系列等,目标检测技术随科技进步而更新。对主流算法进行介绍,对比了不同算法在精度、速度、资源消耗等方面的优劣,最后探讨了目标检测面临的挑战与未来的发展方向。

关键词： 高速串行总线   PCIe   DSP   FPGA   DSP+FPGA架构  

摘要： 采用高性能DSP+FPGA架构可满足嵌入式图像处理系统对大数据量、复杂算法的实时处理需求,传统的DSP+FPGA架构使用并行外部存储器接口作为数据传输接口,走线条数较多,布线难度大,故障点多。采用高速串行总线可解决以上问题,本文提出一种基于高速串行总线的DSP+FPGA架构图像处理系统,采用PCIe总线作为DSP与FPGA之间的图像数据传输通道,SRIO总线作为DSP与DSP之间的数据传输通道,SGMII总线作为DSP与PHY芯片的数据传输通道。高速串行总线使得数据传输率更高,布线更容易,减小了电磁干扰,提高了抗干扰能力。本文设计的系统已在实际场所中部署并稳定运行,验证了设计的可行性和系统的可靠性。

关键词： 河湖监管   Mask R-CNN   遥感解译   目标检测  

摘要： 开展河湖遥感影像解译是提升河湖监管效能的迫切需要,也是智慧水利和数字孪生流域建设的重要内容,高时空分辨率遥感影像和深度学习算法可为快速识别监测河湖地物图斑、及时发现“四乱”问题和持续跟踪监测提供技术支撑。为摸查广东省主要河道水域岸线范围内典型地物底数,该文基于Mask R-CNN模型提出了一种河道水域岸线范围内桥梁和鱼塘自动识别方法,提取了广东省主要河道范围内两种典型地物,其中,桥梁787座,养殖鱼塘3773处,具有较高的准确性和实用性。结果表明,该方法对及时排查摸清涉河建设情况和河湖疑似问题图斑、常态化规范化推进河湖水域岸线动态监管具有一定应用前景。

关键词： 多尺度   遥感影像   特征融合   注意力机制   图像处理  

摘要： 针对现有遥感图像语义分割算法中存在的分割精度低、浅层特征利用不充分的问题,提出了一种基于改进Upernet的遥感影像语义分割算法.首先引入Resnest的分裂注意力网络连接结构来重构原有的骨干网络,并在其中集成可变形卷积以提高网络对不同尺度遥感影像的特征提取能力;然后在Upernet的下采样路径中设计融合高效通道注意力机制模块重构特征融合模块,改善特征表示能力;最后引入交叉熵损失函数和Dice Loss联合训练样本来改善训练中存在的样本不平衡的问题并加速模型收敛.实验结果显示:改进后的网络在遥感影像ISPRS的Potsdam数据集和Vaihingen数据集上分别达到了79.38%和74.70%的MIoU.相比DeepLabV3Plus、Pspnet、FCN以及经典Upernet算法,该算法性能在Potsdam数据集上获得了平均2.16%的提升,在Vaihingen数据集上亦获得了平均2.21%的提升.