关键词： 智能视觉技术   港机设备自动化控制   图像处理   神经网络   港口作业场景优化  

摘要： 智能视觉技术作为现代信息处理的尖端应用,在港口设备自动化控制领域扮演了关键角色。本研究专注于探讨智能视觉技术在港机设备自动化控制中的应用,深入剖析了图像处理、特征提取、目标识别与定位等核心技术。通过模型仿真和实际港口运行场景分析,结合神经网络、支持向量机等智能算法,本研究展示了智能视觉技术如何针对不同港口作业场景优化港机设备的自动化控制。实践应用中,智能视觉技术显著提升了港口设备的操作精度和效率,降低了作业风险,并优化了资源配置和调度管理。评估结果显示,智能视觉技术在港口作业场景下展现出巨大的应用潜力和发展前景。本研究旨在为港口设备自动化控制的技术升级和行业发展提供重要参考,助力港口产业迈向现代化、可持续的发展道路。

关键词： 跌倒检测技术   计算机视觉   智能化   老年人跌倒  

摘要： 随着我国老龄人口数量的快速上升,由此带来的跌倒问题日益凸显,针对现有国内外跌倒检测系统存在的局限性,该文提出了一种新的跌倒检测方案,对该系统的工作原理和关键技术进行了详细阐述,为老年人日常生活安全提供了一种有效的解决方案。 该系统结合手机上的惯性传感器和视觉追踪技术,能够实时监测老年人的运动状态,及时检测并预警跌倒事件。相比于现有的穿戴式设备和基于视觉的方法,该系统兼具高精度、低成本、广覆盖等优势,能够更好地满足老年人跌倒检测的实际需求。

关键词： 目标跟踪   深度学习   去噪自编码器  

摘要： 深度学习模型拥有对复杂模式强大的学习能力,被应用于目标跟踪任务中并取得了显著的进步。然而,现有的基于深度学习的目标跟踪模型采用循环神经网络的方法,这种建模方式存在着对高噪声目标观测数据中的噪声处理能力不足以及真实轨迹恢复能力不足的问题。针对上述问题,论文提出了一种基于去噪自编码器的轨迹跟踪模型Deep Denois⁃ing,该模型采取了一种编-解码架构的数据处理方式,带有噪声的目标观测轨迹数据首先经过一个编码网络去除数据中噪声,并且学习一个隐向量表示目标运动特征,然后采用一个解码网络根据目标运动特征还原目标真实运动轨迹。论文采用模拟仿真的轨迹数据进行实验验证,结果显示论文所提的方法可以有效降低目标跟踪的均方误差,提高跟踪效果。

关键词： 航拍图像   YOLOv8   目标检测   LSKNet   WIoU  

摘要： 无人机航拍图像中的目标检测一直是研究的热点。与标准图像相比,图像背景具有小目标众多、目标尺度变化大等特点。因此,传统的目标检测算法不适合直接用于无人机图像中。针对这些问题,研究了一种基于YOLOv8的目标检测算法。首先,为提高多尺度目标检测精度,提出基于Large Selective Kernel Network(LSKNet)的C2F-L结构,通过动态调整网络的感受野,更有效地处理检测对象变化的上下文信息。引入Slim-neck结构,降低参数数量,提高模型检测效率。最后,使用WIoU损失函数提高网络模型的泛化能力和整体性能。在VisDrone2019数据集上实验表明,改进算法的mAP@0.5达到33.4%,比原始YOLOv8提高了1.1个百分点,计算量降低了7.4%。事实证明,改进的算法能有效提高航拍图像的目标检测精度。

关键词： 无人机低空遥感   煤炭自燃监测   卷积神经网络   图像处理  

摘要： 煤矿储运过程中的自燃现象严重威胁着煤炭的质量安全与环境保护。针对煤炭自燃监测反应迟缓、覆盖范围有限且无法实现实时监控等问题,提出一种基于无人机低空遥感技术的储运煤炭自燃监测新方法。无人机飞配备多光谱热成像传感器,实现针对储运煤堆的低空快速巡检。采用三维建模软件构建储煤场三维温度模型,实现对煤堆温度异常点进行实时监测。不仅可以有效预防煤堆自燃和变质等问题的发生,还能为煤场的安全管理提供了强有力的技术支持。通过实地调查研究,实测的20个采样点温度与红外热成像三维模型的温度的均方根误差为1.26 ℃,平均相对误差为3.8%,证明无人机热红外遥感影像构建的储煤场三维模型所描述的温度范围和实际温度基本一致,从而证明本文方法具有较高的精度和实用性。

关键词： 计算机视觉   车道线检测   卷积神经网络   深度学习  

摘要： 自动驾驶技术的不断发展使得车道线检测的市场需求快速增长。为满足准确高效的车道线检测技术需求,本文开发了一种高效的检测方法。该方法采用卷积神经网络对道路图像进行特征学习和提取,并结合后处理技术进行车道线的精细化检测和分割。实验结果表明,该方法具有较高的准确率和鲁棒性,能够有效地检测和分割车道线,可为自动驾驶技术的发展提供重要支持。

关键词： 无人机   红外目标   目标检测   深度学习  

摘要： 针对深度学习用于无人机目标检测参数量大、硬件平台受限的问题,提出了一种基于YOLOv5网络的红外目标检测算法。首先,针对无人机拍摄目标较小的情况,将三尺度特征检测修改为双尺度特征检测,简化模型结构;利用DenseBlock模块、ECA注意力模块以及CIoU提高模型的检测精度。实验结果表明,相较YOLOv5s算法,改进算法在保证精度的前提下,模型参数量减小了25.2%,仅为5.3M,该算法将无人机应用于公共安全领域具有参考价值。

关键词： Yolov8   养老   深度学习   目标检测  

摘要： 随着人口老龄化的不断加剧,独居老人居家养老占比升高,为保障老年人居家养老安全,针对独居老年人在家中跌倒等问题,采用Yolov8神经网络模型,基于计算机视觉技术和深度学习技术对目标人体进行检测、识别和分析,实现了人体识别、跌倒检测等功能。结果表明,该模型检测速度快,识别效率高,能够达到自动化监测居家安全和危险及时预警的目的。

关键词： 目标检测   CCBAM   特征融合   空洞卷积   RFFM  

摘要： 针对SSD(Single Shot Multibox Detector)目标检测算法在浅层特征层缺乏语义信息和高层特征层缺乏细节信息造成的漏检、误检等问题,提出了一种改进的SSD目标检测算法。首先引入改进的全面卷积注意力模块CCBAM(Comprehensive Convolutional Block Attention Module),提高网络对于小目标的敏感程度。之后构建分层特征融合网络HFFNet(Hierarchical Feature Fusion Network),使浅层的细节信息和高层的语义信息进行充分的融合,同时在下采样过程中,使用空洞卷积提取不同尺度的特征信息;在上采样过程中,使用像素重组增加高层特征层分辨率的同时减少信息的丢失,之后与低层特征层融合,加强低层特征层的语义信息。最后,采用残差特征融合模块RFFM(Residual Feature Fusion Module),加强高层特征层局部信息和全局信息的整合,同时丰富特征信息。实验表明,在PASCAL VOC2007测试集上mAP@0.5达到79.6%,比原始SSD算法提高了2.4%,检测速度达到了47.8 FPS。

关键词： 缺陷检测   图像处理   机器学习   YOLOv5   注意力机制   二值图像  

摘要： 对于聚乙烯(PE)管道,在运行中经常有不同程度的泄漏等异常,通过对管道中不同异常的实验模拟,收集数据并手动标记相应的数据集。为了提高管道缺陷图像的质量,首先采用加权平均法对图像进行灰度处理;然后,利用伽马变换改进管道背景与缺陷的对比度;最后,使用双重过滤来降低图像中的噪声。为了降低数据的复杂度,提高模型训练速度,采用改进的Sobel算法对管道缺陷图像进行边缘检测,采用自适应阈值分割算法分割缺陷图像的边缘,生成二值图像,用二值图像训练模型,减少了模型对颜色特征的依赖,加快了模型的收敛速度。为了提高管道缺陷检测的精度,引入CA注意力机制,提高目标检测特征提取能力。改进的YOLOv5模型的mAP和召回率分别为97.18%和98.03%。与原算法相比,mAP增加了1.33%,召回率增加了3.83%。