关键词： 电池材料   中国科学院院士   计算机视觉   机器学习   动力电池   储能系统   大数据   云计算  

摘要： 当前,AI赛道如火如荼,风口已刮向动力电池,包括计算机视觉、机器学习、云计算、大数据等AI技术正成为提升极限制造体系的关键手段。电池,这个看似不起眼的小物件,承载着能源转型、绿色发展的重大使命。从手机、电动车到储能系统,电池无处不在,其性能的提升直接影响着我们的生活质量和社会可持续发展。然而,电池材料的研发却是一个周期长、成本高、效率低的复杂过程。面对这一挑战,能否借助AI的力量,为电池材料的研发插上翅膀?答案是肯定的。

关键词： 图像处理   图像增强   清晰区域筛选   模糊区域  

摘要： 针对目前图像处理方法在待测物尺寸超出成像系统景深条件下图像部分区域模糊的问题,提出基于清晰区域筛选的图像增强方法。首先对成像系统使用步进截获的方法,完成同目标多清晰区域的图像组抓取。之后结合双边滤波和边缘提取算法弱化图像低清晰度区域,保留其强边缘特征,再进一步进行强边缘及区域衔接组合,解决模糊区域对边缘的误导问题。最后引用基于图像方差特征的高清晰度区域筛选算法筛出非边缘区域清晰图像,与强区域边缘图匹配,获得目标图像。实验结果表明,综合三个实验用例,与常用图像增强算法相比,所提算法处理后的图像的清晰区域变化幅度小,模糊区域得到有效加强。与直方图均衡化、自适应滤波、Retinex三种算法的结果相比,所提方法的信息熵、信噪比、结构相似度和清晰度平均提高了4.1%、21.3%、36%、9.53%,标准差平均降低了23.3%。

关键词： 肺结核   深度学习   目标检测   Faster R-CNN  

摘要： 本文提出一种基于Faster R-CNN的肺结核病原体检测方法,以更高的准确率和更低的漏检率检测肺结核.首先,通过Mosaic数据增强方法对数据集进行扩充,提高模型泛化能力,同时引入K-means聚类算法,对所用数据集重新聚类来生成对的锚点初始候选框大小.其次,将Faster R-CNN中的原始特征提取网络替换为Res2Net,并将其卷积核全部替换为空洞卷积,在与原卷积相比参数量不变的情况下,增大了感受野.再者,引入改进后的GC-FPN模块,使模型在轻量化的同时更好的关注小目标信息.最后,引入ROI Align,解决候选框和初始回归位置存在偏差的问题.实验结果表明,在公开数据集上,改进的Faster R-CNN模型与原本的Faster R-CNN算法相比,准确率提高了2.7%,召回率提升了1.4%,该算法不仅在结核图像数据集上得到了验证,而且具有较高的准确率.

关键词： 火龙果园   多任务   视觉感知   语义分割   目标检测   YOLOP  

摘要： 现代果园机器人面临复杂环境、光线多变和非结构化环境等问题,需要高效处理大量环境信息,而传统顺序执行多个单一任务的算法受到计算能力的限制,难以满足现代果园机器人的需求。本文针对火龙果园环境中自动驾驶机器人处理多任务时所面临的实时性和准确性要求,基于YOLOP模型引入了焦点融合高效卷积模块,并采用C2F和SPPF模块,同时优化了分割任务的损失函数,从而构建出OrchardYOLOP模型。实验结果表明,在目标检测任务上的精确度达到84.1%;在可行驶区域分割任务上的mIoU达到89.7%;在果树区域分割任务上的mIoU提高到90.8%;推理速度达到33.33 f/s,而参数量仅有9.67×10^(6)。与YOLOP模型相比,不仅在速度上满足了实时性要求,而且准确性上也有显著提升。这解决了火龙果园多任务视觉感知中的关键问题,为非结构化环境下的多任务自动驾驶视觉感知提供了一种有效的解决方案。

关键词： 图像处理   颗粒级配   均值抽样   颗粒费雷特直径  

摘要： 颗粒级配是影响路基填料力学性质的关键参数之一,传统筛分法因筛孔直径间隔大难以精细、快速地确定砂土粒组,为此,提出一种基于图像扫描与均值抽样技术的砂土颗粒级配估算新方法。通过基于扫描电镜SEM与图像处理软件ImageJ联合测试技术确定了颗粒形态几何参数,讨论了不规则颗粒在投影图像轮廓上任意两个平行切线之间的距离即费雷特直径(Feret diameter)作为理想球体等效直径的差异性,建立了单个砂土颗粒等效面积及体积方程;基于砂土颗粒相对密度随粒径减小而逐渐增大的一般规律,拟合得到了砂土颗粒粒径与相对密度之间的负幂函数模型,建立单个砂土颗粒的质量与粒径的函数表达式。最后通过筛分法考察了砂土颗粒级配算术平均值法、均值抽样法的准确性,结果表明:ImageJ图像处理技术识别毫米级及以下砂土颗粒的相对误差依赖于颗粒粒径与标尺长度之间的差距,即当颗粒粒径小于标尺长度时,二者差距越大测量精度越低;当颗粒粒径接近或超过标尺长度时,测量精度较高且较稳定;算术平均值法表现出较强的随机性,不宜作为砂土颗粒级配参数的确定依据;均值抽样法以短径获得的砂土颗粒级配曲线与筛分法结果最为吻合,可用于估算砂土颗粒级配参数,其次是平均径、长径。新方法能够对砂土粒组进行任意划分,获得相对准确的级配参数,结果可靠、操作便捷。

关键词： 机器视觉   图像处理   方形电池   表面缺陷   缺陷检测   新能源  

摘要： 随着社会的进步,人们越来越关注环境问题,重视低碳能源的利用和发展。电能是较为经济、实用、清洁的能源并且其输送和控制也较为便捷。目前电能的存储是以电池作为介质,但电池在生产过程中,其表面容易出现裂痕、斑点等缺陷,这将会影响产品的性能和质量。为弥补目前市面上人工检测方法的不足,选用基于机器视觉的检测系统实现方形电池表面缺陷检测,从而保证检测的准确性和高效性,同时还能降低成本并且满足生产要求。选用Qt+Halcon作为机器视觉开发软件,识别方形电池表面缺陷;采用MySQL数据库和TCP网络协议进行数据的传输和管理;根据所采用的图像处理算法,设计出方形电池表面缺陷检测系统的服务器和客户端。结果表明,采用所设计系统能够快速、准确地检测出电池表面的缺陷,进而提高电池生产的质量和效率,具有广阔的应用前景和较大的市场价值。

关键词： 行人入侵检测   YOLOv8   DeepSort   目标检测   目标跟踪  

摘要： 随着视频监控系统在公共安全领域的广泛应用,行人入侵检测技术受到了越来越多的关注。传统的方法常常难以应对复杂环境下的检测需求。本文提出一种基于YOLOv8目标检测模型和DeepSort目标跟踪算法的行人定向入侵检测方法。该方法首先使用YOLOv8对视频流进行逐帧处理,检测画面中的行人目标,并使用DeepSort算法对检测到的目标进行跟踪,获取每个目标的运动轨迹。然后,根据目标的位置和运动方向与预先设定的警戒区域和警戒方向进行比对,判断是否发生区域入侵事件并发出警报。实验结果表明,YOLOv8与DeepSort的组合在入侵行为预测中表现最佳,其总体平均偏差率仅为8.49%,在各方向上的偏差率也相对较低。相较之下,基于YOLOv5的组合表现较差。该方法在提升检测精度和减少误报方面具有明显的优势,为行人入侵检测提供了一种高效可靠的解决方案。

关键词： 无人机   LK光流法   运动补偿   运动目标检测   目标跟踪  

摘要： 针对无人机视角下拍摄物体尺寸小、外观模糊,以及无人机平台自身存在运动等问题,基于无人机航拍视频的运动目标检测与跟踪仍具有很大的挑战性。提出了基于改进LK光流法的运动目标检测与跟踪算法,利用卡尔曼滤波算法进行目标跟踪;针对传统LK光流法在动态环境下效果不佳的问题,引入语义分割线程筛选动态点和静态点,通过筛选后的静态点求解单应矩阵完成无人机的运动补偿、计算动态点的光流值获得光流点以降低误匹配率,最后通过聚类算法和形态学运算得到完整的运动目标;将所提的重识别模块引入卡尔曼滤波算法实现目标跟踪。实验结果验证了所设计的运动目标检测与跟踪算法在无人机视角下能够实时、准确地提取出运动目标,并持续稳定地跟踪目标。

关键词： 小麦赤霉病   孢子   密集场景   小目标检测   YOLOv8   显微图像  

摘要： 针对小麦赤霉病孢子图像中密集分布小目标的漏检错检问题,该研究设计了一种针对该场景下小目标检测模型YOLOv8-FECA。以YOLOv8为基准模型,先添加新的小目标检测层,以此增强网络对更小目标语义信息的捕捉以及提高其特征描述的准确性;其次,构建融合特征的焦点注意力机制(focal efficient channel attention module,FECA)以实现对小目标和密集分布目标的关注;再次,引入Wise-IoU Loss与DFL Loss结合作为边界框的回归损失,提高模型的收敛能力以及对边界框预测的准确性;最后,在不同密集场景和不同光线环境下验证了模型的鲁棒性。结果表明,优化后模型YOLOv8-FECA相比YOLOv8在孢子数据集中的平均检测精度均值m AP@0.5提高了4.3个百分点,达到96.8%,且改进模型的检测效率达到实时检测要求。该研究设计的YOLOv8-FECA网络模型在保持高性能的同时能够有效提升密集场景小目标检测的精度,为其他作物病害孢子的检测提供了思路。

关键词： 偏振计算成像   偏振相机阵列   图像重构   目标检测  

摘要： 偏振成像技术相较于传统成像技术能够提高对比度和可视性,特别是在消除反射或散射光方面,同时还能揭示物体表面特定的属性和细节。多视角成像允许从不同角度捕捉场景,提供更丰富的场景信息和深度感知,增强图像的细节捕捉能力。然而,传统多视角目标检测只专注于普通图像,忽略了场景中所包含的偏振信息。为解决这一问题,运用自行研发的多视角偏振相机阵列系统,对场景中的被遮挡目标进行识别与恢复。首先,通过采集系统获取场景中的多视角偏振信息,信息包括不同距离、不同遮挡物和不同目标的纯遮挡物、目标真实值,以及遮挡场景数据;然后,将获取的偏振图像进行预处理,处理后的偏振度为0°、45°、90°、135°的偏振图像数据分别输入Polar-ReOccNet进行有监督训练,遮挡场景数据与目标真实值一一对应;最终,输入一组多视角偏振图像,得到去除遮挡后的目标偏振图像,并且计算出其偏振度、偏振角和偏振度偏振角融合图像。该方法实现了对被遮挡目标的偏振信息重构,有效获取了目标纹理、材料等性质中蕴含的偏振信息,更有利于目标检测。