关键词： 施工现场   吸烟检测   目标检测   YOLO   注意力机制  

摘要： 在建筑工地等复杂施工现场吸烟可能会引起火灾、爆炸等事故,严重危害施工安全。为了实现对建筑工地等施工现场的吸烟检测,使用YOLOv5s对人脸和烟支进行检测,并根据人脸和烟支的位置关系判断施工现场是否存在吸烟行为。为了提高人脸和烟支的检测精度,该文在原始模型的基础上做了三个改进:一是采用SIMOTA动态标签分配方法,提高了网络的召回率和检测速度;二是引入了尺度内特征交互模块AIFI,增强了网络的特征表达能力;三是使用了动态卷积ODConv,优化了特征提取模块C3,提高了网络的精确率。在自制数据集上进行实验,改进后的网络在精确率、召回率和平均精度方面均提升2%以上,检测速度提升了22%,取得了明显的性能优势。与主流算法对比,改进后的算法在检测速度和网络性能上均有明显优势,满足了施工现场吸烟检测的需求。

关键词： 机器化采摘   卷积神经网络   图像处理   目标检测   YOLOv4   智能农业  

摘要： 在经济发展和科技进步的双重背景下,苹果种植受到了人们的重视,这对乡村振兴至关重要。然而,收获季节的劳动力短缺问题日益凸显,使得采摘作业开始从劳动密集型向机器自动化型转变。针对苹果的智能识别采摘,文章利用数学模型解决了复杂果园环境下的机器化采摘问题,提高了图像识别率、速度和准确率,对智能化快速采摘意义重大。其中,首先收集了大量标注苹果图像数据,用CNN模型估计成熟度,并按7:3的比例对数据进行划分以确保其具有泛化能力;其次通过深度学习提取特征并结合分类模型来评估成熟度,同时采用双边滤波、颜色空间转换、形态滤波预处理等增强图像分割能力;接着利用YOLOv4定位苹果位置并实现可视化;最终通过CNN模型分析成熟度分布,旨在提高智能采摘效率和品质评价精度,从而助力农业现代化和乡村振兴。

关键词： 深度学习   目标检测   YOLOv3   准确率   伪装效果评估  

摘要： 阐述伪装效果评估是伪装勘测领域的重要课题。提出一种基于YOLOv3目标检测的伪装效果评估方法,该方法将深度学习模型引入到伪效果评估领域中,能够提升伪装效果评估的智能化水平。

关键词： 图像识别技术   计算机视觉   电子围栏   视频监控   故障预防   安全监管能力   防撕裂   高度检测  

摘要： 针对选煤厂带式输送机运输距离长、故障率低、安装要求低、实用性强等特点,在运行中安全隐患多,需通过各类保护系统对堆煤、防跑偏、温度、防撕裂、双向急停等进行故障预防,采用图像识别技术作为计算机视觉领域的核心工具,在选煤厂输送带保护、煤量识别、刮板拉斜检测、澄清层高度检测、煤泥水检测、视频监控等方面起到重要作用,有效监测选煤厂生产环节的关键参数,为生产设备自动控制提供数据支撑;在关键位置设置电子围栏,实时监测报警不安全危险行为,提升了选煤厂自动化、智能化水平,完善了选煤厂生产安全监管能力,为选煤厂安全生产提供保障。

关键词： 目标检测   YOLOv5s   草坪杂草   精准施药   颜色注意机制  

摘要： [目的]为了实现草坪维护的精准化施药,针对自然环境中杂草与草坪草颜色相近导致杂草难以识别的问题,以YOLOv5s为基础目标检测网络,提出一种突出输入图片颜色信息的草坪杂草检测模型。[方法]对输入图片进行切片,扩展RGB通道数为原来的4倍。对切片后的图片进行全局平均池化和全局最大池化,提取原图片中的颜色信息,对颜色通道进行加权,提高对单色目标检测效果。为了进一步增强网络对于形状相似颜色不同的目标识别效果,改进SPPF模块为SPPFCSPC模块,进一步提高不同草坪环境下的杂草识别精度。[结果]改进后的YOLOv5s网络对于单色目标识别效果较好,对普通草坪杂草的检测精确率达到0.928,召回率为0.970,mAP@0.5为0.943,帧率为104 f·s^(-1),模型内存占用量13.8 MB比使用Focus模块的YOLOv5s检测精度提高4.1百分点,比使用Conv模块的YOLOv5s检测精度提高5.4百分点,在疏林草坪的检测结果mAP@0.5达到0.957。[结论]本文算法可有效识别多种自然环境中的草坪杂草,可为草坪杂草精准化施药提供支持。本文改进模块对颜色的敏感度较好,为与背景颜色相似度较高的单色目标检测提供技术参考。

关键词： 深度学习   智能表面   检测   协作式机器人   图像处理  

摘要： 在汽车智能表面自动化检测中,传统机器视觉方法因易受光源、环境光影响,导致物体缺陷特征参数提取困难,检测准确性不高,本文采用协作式机器人作为运动控制,用压力检测单元、电流采集单元和图像检测单元组成检测系统,建立基于深度学习的汽车智能表面缺陷检测方法。结果表明,缺陷识别和缺陷分类的准确率达到95%,比传统方法高10%以上。该系统提高了表面检测的自动化程度,减少了人力成本,降低了人为操作的失误率,实现了汽车智能表面的高精度、高鲁棒性自动化检测。

关键词： YOLOv5s   红外无人机   ECA-CBAM   EC-CSP   双路特征融合  

摘要： 针对红外无人机目标检测的实时性与准确性需求不断提升的问题,提出基于EC-CSP和双路特征融合的红外无人机目标检测算法。首先,提出结合ECA-CBAM注意力机制的CSP模块(Efficient Channel Attention-Convolutional Block Attention Module-CSP,EC-CSP),使网络能关注更重要的区域。其次,提出包含5×5、9×9像素大小最大池化的STM(Small Target Maxpool)模块,抑制背景特征对小尺度目标特征的干扰;最后,提出融合1×1与3×3基本卷积操作的全局特征提取(Global Feature Extracion,GFE)模块,并与STM模块组成双路特征融合(Dual Path Feature Fuasion,DPFF)模块,提高全局特征和局部特征的融合能力。实验结果表明,新算法取得了良好的实验效果。

关键词： 零件识别   零件定位   模拟退火算法   SIFT算法   最小外接矩形  

摘要： 为了满足某军工企业对飞机零件的定位与识别需求,提出一种优化的图像定位与识别算法。在零件识别方面,采用改进的高斯滤波算法以降低图像噪声,利用改进的Canny算法进行零件边缘检测处理,采用改进的阈值分割算法获取零件的边缘轮廓,最后利用改进的SIFT算法完成零件的识别处理。在零件定位方面,通过对零件进行多角度旋转操作,记录每个角度的最小外接矩形面积和质心坐标,以满足不同角度零件的定位要求。实验结果表明,该方法定位与识别准确率可以达到100%。

关键词： 缺陷检测   图像处理   生成对抗网络   支持向量机  

摘要： 带钢在生产过程中受到工艺或设备等因素的影响,在表面产生了压伤、滴焦油等缺陷。提出了一种只需要少量的缺陷样本来训练生成对抗网络模型。模型通过学习大量的无缺陷图像数据分布特征,再引入少部分的缺陷图像来进行对比,模型可以学习和掌握无缺陷图像和有缺陷图像的分布情况,更有利于缺陷检测。为了使模型稳定,在损失函数中添加抽离项和多样性比因子,并加入优化特征的范数来稀疏模型,从而减少无用特征的干扰。提出的方法对带钢表面缺陷检测的精度达到了95%。

关键词： 图像处理   中子CT重建   域适应迁移学习   稀疏层析  

摘要： 由于缺少高质量成对数据集,深度学习在中子层析(CT)重建中的应用与发展受到了严重阻碍。虽然中子层析和光子层析成像原理都基于Radon变换,但二者在粒子输运过程中的成像特征不同,所以光子层析图像训练的网络无法直接用于解决中子层析成像的重建问题。为此,本文提出了一种可以解决光子和中子层析成像迁移过程中概率分布差异问题的无监督域适应网络。该方法通过引入最大均值差异计算以减小光子与中子层析图像特征之间的分布差异,并通过小波变换与卷积神经网络相结合的方式增强重建的有效特征。与其他算法的对比验证表明,该方法能够从低投影通量下的中子层析结果中重建出高质量的中子层析图像,有效缓解了低投影通量下中子层析成像退化的问题。