关键词： 区域生长法   焊缝内部缺陷检测   目标检测   Halcon   图像处理  

摘要： 为解决当前人工焊缝缺陷检测过程中存在的检测效率低、缺陷判定存在主观性的问题,提出了一种基于Halcon的焊缝缺陷图像检测与识别方案。将X射线拍摄的焊缝图像预处理后用高频增强显示鱼鳞纹部分,再通过均值滤波和二值化提取出ROI。在普通区域生长法中加入判别条件,自动选择最合适的参数识别气孔和钨夹渣,改进普通开运算卷积核以识别出未焊透部分。相较于机器学习,本文方法无需使用大量训练集。本次试验共检测222张图像,检测精度为89.19%。结果表明,焊接缺陷DR图像自动识别对提高企业的零部件检测效率及质量有重要的意义,计算机识别焊缝缺陷可排除人工缺陷判定中主观因素造成的误差,并能够长时间、高强度地识别焊缝缺陷;可实现对于焊缝缺陷的实时保存与远距离传输。

关键词： 仪表设备   目标检测   示数识别   Fast R-CNN   DeepLabV3+  

摘要： 随着新型能源系统的不断发展,变电站的自动化水平对于电网稳定运行和仪表设备维护具有至关重要的影响。准确获取仪表盘示数是实现变电站自动化的关键环节之一,这对变电站仪表设备的状态监测和故障诊断具有重要意义。然而,由于仪表盘示数复杂多变以及多种环境因素(如光线、角度等)的影响,实现仪表盘示数的自动识别具有较大挑战性。为了解决这一问题,提出了一种基于Fast R-CNN (regional convolutional neural network,区域卷积神经网络)和DeepLabV3+的变电站仪表盘示数自动识别方法。首先,对基于Fast R-CNN的目标检测技术进行了理论分析,并利用变电站仪表盘数据集详细阐述了其训练过程。然后,设计了基于DeepLabV3+的仪表盘语义分割模型以及示数计算方法。最后,开展变电站仪表盘示数自动识别实验,验证了所提出方法的有效性和准确性。实验结果表明,该方法可实现对变电站仪表盘示数的高效、准确识别,且具有很好的鲁棒性。基于Fast R-CNN和DeepLabV3+的仪表盘示数自动识别方法能够提高变电站的工作效率、安全性和降低运维成本,可进一步推动电力系统的智能化进程。

关键词： 声呐图像   图形优化   算法模型  

摘要： 侧扫声呐在水下搜寻作业的过程中会受到环境、噪声以及机器本身等诸多不确定的因素干扰,声呐生成的图像会受到较大的影响,从而干扰探查人员对水下目标的判断。本文利用Opencv计算机视觉算法工具,使用Python建立Clahe、平滑中值卷积、形态学算法以及拉普拉斯变换等的图形处理模型,利用实际数据为样本进行实验。实验结果表明,Clahe算法最适用于去噪降噪以及消除横向条纹的场景,平滑中值卷积适用于降噪且保留原特征,形态学运算适合单一特征提取,拉普拉斯变换在底部环境声波反射较强情况下的特征物提取能力最优。

关键词： 交通标志检测   重参数化   目标检测  

摘要： 针对现有的目标检测模型对复杂天气下的交通标志检测存在漏检与错检的情况,提出了一种改进YOLOv5s的交通标志识别算法。为提高算法在各种复杂场景下的适应性,设计了一种基于重参数化(Re-Parameterized, ReP)的C3模块,将其命名为C3_DB;在网络的Neck部分引入上下文聚合模块,使得算法可以聚焦于重点区域的特征,减少复杂背景造成的混淆,从而提升模型的特征提取能力;引入高效交并比(Efficient Intersection over Union, EIoU)损失函数代替传统的完全交并比(Complete Intersection over Union, CIoU)损失函数,提升模型训练时的收敛速度,进一步提升模型对复杂情景下目标的检测性能。在中国交通标志数据集CCTSDB 2021上的实验结果表明,改进后算法的平均精度均值(mean Average Precision, mAP)为79.8%,相较于YOLOv5s提升2.4%,检测速度达到128帧/秒,在检测性能与检测速度之间取得了较好的平衡。意味着改进后的算法能够满足更高精度的交通标志实时检测需求,为实际应用提供了可靠的解决方案。研究成果对未来的交通管理和自动驾驶系统的发展具有重要意义,为提高安全性和可靠性提供了新的前景。

关键词： 电磁层析成像   生成对抗网络   图像处理   钢轨伤损检测  

摘要： 为了提高基于电磁层析成像技术(electromagnetic tomography,EMT)的钢轨伤损检测重建图像的质量,提出了基于CGAN(conditional generative adversarial networks)的EMT钢轨伤损检测图像处理方法.通过在电磁仿真软件中获取仿真数据,使用传统EMT成像算法LBP(linear back projection)对钢轨伤损进行初步成像;使用CGAN对初步成像的钢轨伤损图像进行处理;对比处理前后图像的成像效果,发现处理后的钢轨伤损图像更为清晰和准确,图像评价指标有较大提升,更加适用于钢轨伤损检测;另外对算法的泛化能力也进行了分析.

关键词： 西装前身弊病   图像处理   参数提取   粒子群算法   BP神经网络  

摘要： 前身不良褶皱是西装常见的弊病之一,在西装定制过程中对专业人员依赖较强、耗时且易受主观影响。以男西装为例,构建一种前身褶皱弊病自动识别方法。从企业收集男西装弊病图,借助分割标注工具EISeg提取目标图像,采用双三次插值统一图像分辨率,规范特征参数;对图像进行灰度化、伽马变换及阈值分割,简化运算数据,增强图像信息,突出褶皱走势;根据褶皱局部灰度曲线图提取褶皱的宽度、深度和密度3种参数指标,按照阈值分割图提取褶皱方向和褶皱部位2种参数指标;在BP神经网络中加入粒子群算法改进网络模型,输出弊病类别。研究表明:与传统BP神经网络模型相比,优化网络模型的测试集准确率上升了8.3%,该方法可准确实现男西装前身褶皱弊病的自动识别,并为行业带来新的技术手段和方法。

关键词： 3D目标检测   关键点预测   角点投影点   深度估计   激光点云  

摘要： 当前主流的单目相机3D目标检测网络采用关键点检测范式,存在关键点预测与深度估计不准确的问题,限制了单目3D检测器的性能表现.本文提出一种多关键点约束与深度估计辅助的单目3D目标检测算法Mono-Aux,利用3D检测框的角点投影点、上表面与下表面中心投影点作为3D框中心投影点的补充,通过多关键点约束提升关键点预测精度;提出一种LiDAR-Free解耦深度估计方法,在不引入激光点云数据的同时通过几何关系推导引入额外的深度估计辅助监督信号,提升深度估计的准确性.多关键点约束与深度估计辅助仅在训练阶段使用,推理阶段不引入额外的计算成本.在KITTI3D目标检测验证集和测试集上的结果显示,相较于MonoDLE基线网络,提出的MonoAux算法在目标检测精度上分别提高3.87%和4.64%,与其他SOTA方法相比,本文方法也具有显著的性能优势,甚至优于部分使用额外数据的方法.

关键词： 农业机器人   人工智能   图像处理   智慧农业   视觉导航  

摘要： 随着人工智能、图像处理、自动控制技术的飞速发展,智慧农业逐渐成为了现代农业的重要发展方向,农业生产开始转向精准、智能的技术方向,农业机器人技术成为当下农业生产的主流。视觉导航技术作为农业机器人的核心能力之一,已经成为农业领域的重要研究课题。该研究介绍了视觉导航技术的特点及优势,阐述了农业机器人视觉导航技术国内外的研究现状,分析了农业机器人视觉导航技术现存在的问题,最后对视觉导航技术未来发展趋势进行总结与展望。

关键词： 海域环境   环境感知   计算机视觉   图像处理   深度学习  

摘要： 环境感知是海上目标智能化监测的核心技术,广泛应用于军事与工业领域。深度学习为环境感知研究带来新活力,但目前该领域缺乏全面性的综述。从深度学习、环境感知与视觉方法的交叉点出发,将环境感知系统分为信息采集、信息融合、信息处理和信息传输四个模块。在此基础上,针对海域环境数据生成、海域目标检测识别与海陆岸线分割三个方面应用,从传统方法、卷积神经网络方法以及Transformer方法三方面系统梳理了海域环境信息的多种视觉处理方法,介绍了每种方法存在的问题及最新研究工作,并横向与纵向对比了不同方法的优缺点。最后,结合最新研究工作探讨了该领域的研究趋势。随着现代智能算法的进步,应用深度学习进行视觉感知能大大简化设备开发的进程和结构,能直观地感知周围海域目标;随着时间的推移,感知系统的提升也将主要集中在智能化、平台化和集成化方面。

关键词： YOLOv5   实时图像   目标检测技术   卷积神经网络  

摘要： 随着计算机视觉技术的快速发展,目标检测在各个领域的应用越来越广泛。YOLOv5(You Only Look Once v5)作为一种先进的目标检测算法,以其实时性和高精度的特点备受关注。针对YOLOv5模型在处理复杂场景和特定目标时,仍然面临检测速度和准确性不匹配的问题,研究提出了一种优化的YOLOv5算法,旨在提升实时图像目标检测的性能,以满足实际应用中的需求。首先,文章详细概述了实时图像目标检测技术;其次,对YOLOv5模型的基本结构和工作原理进行了深入分析;最后,采用了一系列标准数据集和实际场景数据进行训练和验证。结果表明,优化后的YOLOv5模型在目标检测的准确率上较原始版本提升了约10%,同时在保持实时性方面也表现出良好的效果。