关键词： 管道焊接   焊缝缺陷检测   计算机视觉   深度学习   卷积神经网络  

摘要： 文中研究了管道焊接领域焊缝缺陷检测方法的现状及发展趋势。通过对传统非破坏性检测方法和计算机深度学习技术检测方法的综合比较,发现传统方法在准确性和效率方面存在局限性。因此,引入计算机深度学习技术,介绍了基于各种算法的焊缝缺陷检测方法。结果表明,这些方法在焊缝检测中优于传统方法。未来将引入新的模型,使管道焊缝检测技术向自动化和智能化、全数字化和信息化发展,并探索其在实际工程中的应用前景,以提高管道焊接质量和安全性。

关键词： 指针式仪表   读数   识别   数字检测   刻度线  

摘要： 针对传统图像处理技术实现指针式仪表读数识别中漏检率和误检率高的问题,文章提出一种基于数字检测的仪表读数识别方法。首先,基于霍夫变换检测仪表图像中的刻度线区域;然后,在刻度线检测的基础上,进一步检测和识别刻度线上的数字;最后,利用霍夫变换检测仪表指针,并基于识别出的数字得到仪表刻度量程,通过计算实现仪表指针读数识别。仪表刻度线检测相较于圆形表盘检测,增加了仪表目标识别的可靠性,而且与刻度线上的数字识别互相验证,进一步降低了误检率。针对变电站实际场景中的指针式仪表进行自动读数识别,实验结果表明,基于数字检测的仪表读数识别方法误检率低、识别精度高。

关键词： 图像处理   特征点匹配   SURF算法   KD-Tree   三维重建  

摘要： 为了提升图像在三维重建过程中特征点匹配时的准确率,提出了一种基于改进SURF(speeded-up robust features)的图像特征点匹配算法。首先,将SURF的64维度描述符提升至128维度;其次,在SURF算法引入KD-Tree模块,利用BBF(best bin first)最近邻查询机制实现特征点匹配;最后,通过对同一数据集进行旋转、缩小,并利用传统算法和改进SURF算法分别对图像进行特征点匹配实验,验证改进SURF算法的有效性。结果表明:改进SURF算法的特征点匹配正确率达到了89.19%,相较于传统SURF算法提高了17.62个百分点;特征错误匹配数由85减少至31,显著降低了特征点的匹配误差;运行时间由1.956 s缩短至1.647 s,进一步提升了算法的运行速度。改进后的SURF算法具备正确率高、误差小、速度快的特点,可为三维重建特征匹配工作提供重要的参考。

关键词： 人工智能   深度学习   智能文本识别   计算机视觉   数智技术  

摘要： 农发行聚焦数字金融,探索智能文本识别关键技术的研究、应用和推广,将深度学习应用于文本图像自动识别领域,创新运用多任务检测、融合连接时序分类和注意力机制,实现文本图像的智能检测、识别、时序建模和分类,并构建多模态融合、数据情境感知、智能模型嵌入的智能文本识别应用生态,推动普惠金融、运营管理、信贷管理、数字函证、国际结算等业务流程重塑和再造。本文探索拓展以智能文本识别、生物特征识别等为代表的计算机视觉技术在政策性银行的应用,构建智能识别服务体系,助力智慧农发行建设。

关键词： 基础模型   视觉语言模型   提示   自然语言处理   计算机视觉  

摘要： 提示工程在自然语言处理领域已经得到广泛研究。全面考察了提示在图文问答基础模型、图文检索基础模型和影像生成模型3大类视觉语言基础模型上的前沿研究,针对每种模型介绍了提示方法,并进行详细总结和深入讨论。此外,简要介绍了基于提示的单模态基础模型,讨论了视觉和语言等模型间的异同。最后,总结了视觉语言基础模型的挑战、未来方向和研究机会。

关键词： 孪生网络   目标跟踪   无锚框设计   无填充   通道注意力  

摘要： 孪生(Siamese)网络是解决视觉目标跟踪任务的一种重要方法。无填充孪生网络(SiamDW)的跟踪器采用区域推荐网络(RPN)来进行目标的定位,需要预先设置锚框的高宽比等超参数,不仅调参繁杂,而且跟踪的准确率较低。为解决此问题,提出一种考虑通道注意力且无锚框的孪生网络目标跟踪方法。该方法以SiamDW为基线,引入无填充的DenseNet来提取目标的特征;在通道特征拼接的时候加入通道注意力模块,以提高目标特征的表征力;在无锚框设计的时候,采用一种矩形范围的方式对正负样本进行划分。实验结果表明,在VOT2016和VOT2018数据集上,该算法跟踪的准确率分别比基线算法提高3百分点和6百分点。

关键词： 残缺目标检测   YOLOv5   注意力机制   加权双向特征金字塔网络   EIoU函数  

摘要： 煤矿井下目标检测技术是建设智慧矿山不可或缺的内容,可以提供实时监测和识别能力,但井下光照不均匀、遮挡严重等因素造成了井下部分目标的信息缺失,极大降低了目标检测的准确率。基于此,提出一种改进YOLOv5s的井下残缺信息的多目标检测算法。考虑到残缺目标易与井下背景相混淆,该算法通过在YOLOv5s的Backbone部分融入CBAM注意力模块,增强特征图中与残缺目标相关的通道和空间信息,从而增强抑制背景干扰能力。同时,为了有效地提取和强化小目标和被遮挡目标的细节特征,使用加权双向特征金字塔网络BiFPN代替原网络的PANet结构。其次,为了更好地适应井下残缺目标形状的变化,采用引入了额外边界框坐标信息的EIoU函数来优化原有损失函数。最后通过自建井下数据集对改进算法进行验证,实验结果表明:所提出的目标检测算法可以更好地解决井下监控环境中目标尺寸较小、部分区域被遮挡、纹理和形状变化对目标检测精度的影响,改进后模型的平均准确率达到了91.3%,相较于原模型提高了2.7%左右,F1-Score达到了90.0%,相较于原模型提高了1.9%左右。

关键词： 深度学习   YOLOv5   目标检测   视障群体  

摘要： 社会的发展与多样化给人们的生活带来了很大的便捷,而对于视障群体来说,由于视觉上的缺陷,他们在复杂的新环境中独立出行存在着巨大的挑战。通过对视障群体的需求进行分析,提出了一种新的助盲产品思路,一个基于YOLOv5的新型助盲导航APP,通过摄像头进行图像识别,构建环境信息,利用语音帮助视障人士感知周围环境。此外,还提出一种优先级算法,该算法用于确定环境信息的重要性和紧迫性,以确保视障人士能够快速准确地获取相对重要的信息。

关键词： YOLOv8   轻量化   遥感图像目标检测   跨尺度特征融合   损失函数  

摘要： 为了满足遥感图像目标检测任务中轻量化和快速推理的需求,提出了一种基于改进YOLOv8s的轻量化遥感图像目标检测算法(A Lightweight Object Detection Network for Remote Sensing Images, LOD-RSINet)。首先,提出基于SENetv2机制构建的C2SE(C2f-SENetv2)模块,在略微增加模型参数量的同时让网络更有效地学习到输入数据的不同特征,提升特征表达的精细度和全局信息的整合能力;其次,设计一种轻量级跨尺度特征融合模块CCFM,以增强模型对于尺度变化的适应性和对小目标的检测能力,在不影响模型检测精度的情况下降低了参数量并提高了检测速度;最后,引入了一种Shape IoU损失函数,通过关注边界框本身的形状和尺度来计算损失,从而使边界框回归更加准确。实验证明,改进后的算法在DIOR数据集上的检测精度mAP50和mAP50-95分别达到了0.867和0.668,参数量GFLOPs降低了5.61百分点,检测速度FPS提高了5.94百分点,性能表现优于其他对比方法,能够在轻量化的同时提高模型的目标检测能力。

关键词： 障碍物切削   盾构出渣   钢筋识别   目标检测   YOLOv7模型  

摘要： 盾构切削钢筋混凝土结构物过程中,需要从渣土中裹挟的钢筋来判断切筋效果,出渣监测图像中很难直接观测到排筋情况,基于深度学习的目标检测技术能够实现实时检测。为了应对出渣裹挟钢筋目标检测的高精度、轻量化的挑战,提出了一种改进的YOLOv7-DSConv网络模型,在YOLOv7主干网络引入动态蛇形卷积,增强网络对钢筋目标特征的提取能力,同时减少网络的计算量和内存占用,加快推理速度。在盾构切削钢筋混凝土结构物过程中,对螺旋输送机出土口附近的图像进行了采集,并建立数据集进行了实验对比,实验结果表明,改进后的模型精度达到94.3%,召回率达到90.7%,平均精度达到了95.6%,调和平均值为0.92,比原有的YOLOv7模型有明显提升,能够准确地识别出渣裹挟的钢筋,且在计算复杂度方面更具优势。