关键词： 深度学习   图像处理   边缘计算   交通安全  

摘要： 随着国家的发展和人民生活水平的提高,机动车数量不断增加,交通违规行为频繁发生,带来了巨大的交通安全隐患。如果不及时纠正,这些行为可能导致严重的安全事故和经济损失。传统的交警现场监督方法不仅耗费大量人力,而且覆盖范围有限,难以实现全天候监管。通过边缘计算技术接入摄像头和视频流,利用人工智能和计算机视觉算法对车辆进行识别和检测,可以高效判断车辆是否存在违规行为。借助智能网联的技术,可以对违规行驶区域内的车辆统一发送警示广播,及时制止违规行为,并提醒其他车辆谨慎驾驶。同时,利用物联网技术将违规事件上报至管理平台。这种方法有效解决了传统人工检查费时费力的问题,实现了道路交通的智能化和实时化管控。

关键词： 图像处理技术   高校档案   数字化管理   档案修复   深度学习  

摘要： 在高校档案的数字化管理和修复领域,图像处理技术尤其是深度学习和自动图像增强技术的应用,提供了一种全新的视角和方法。本文提出了一个基于深度学习的图像处理框架,旨在通过先进技术提升档案图像的质量与可访问性,减少对人工操作的依赖。该框架综合考虑了高校档案的数字化管理需求,包括图像增强、恢复和分类等方面,以期达到更高效的档案管理和修复效果。重要的是,本文强调了在高校档案数字化进程中,采用深度学习等现代图像处理技术的重要性和紧迫性。未来,该框架的实验验证和进一步开发将为高校档案的保护和传承提供更加强有力的技术支持。

关键词： 机器视觉   YOLOv8n   AFPN   SA注意力   SPD-Conv   MPD损失函数  

摘要： 针对低空无人机目标的误检漏检等问题,提出改进YOLOv8n的算法模型ASSM-YOLO。首先,添加小目标检测头并使用AFPN替换原有Neck结构,渐近融合低层与高层特征;其次,引入SA注意力机制增强对无人机目标的感知能力;再次,将主干网络卷积层替换为SPD-Conv,改善卷积过程中特征丢失问题;最后,替换损失函数MPDIoU Loss,优化回归损失计算。在DUT-UAV数据集上的实验表明:ASSM-YOLO算法的平均精度值R_(mAP@0.5)、R_(mAP@0.75)和R_(mAP@0.5∶0.95)结果为92.5%、72.2%和62.9%,较原YOLOv8n网络分别提升了5.9%、8.3%和6.5%,显著提升了无人机目标的检测精度。

关键词： 目标跟踪   目标检测   反无人机   孪生网络   深度学习   注意力机制   细化模块   DUT Anti-UAV数据集  

摘要： 为解决反无人机过程中常见的背景变换、定位不佳、飞出取景范围和长时跟踪等问题,以SiamCAR为基础,提出结合注意力机制和细化模块的目标跟踪算法SiamGR以及融合目标检测算法的变体SiamGR-FR。首先,在主干网络中加入全局注意力机制(global attention mechanism,GAM)来提升复杂背景下的特征表征能力;然后,使用Alpha-Refine模块对跟踪器输出的结果进一步细化以获得无人机目标更精确的定位;最后针对长时跟踪以及无人机飞出取景范围等情况,融合目标检测算法Faster-RCNN对目标进行重定位并重置跟踪器来显著提升跟踪效果。在DUT Anti-UAV数据集上,SiamGR以及SiamGR-FR算法的成功率和精确率分别达到了61.5%、84.2%和66.2%、94.6%,相比基准算法分别提升了5.3%、3.4%和10%、13.8%,在反无人机场景中优于目前主流的算法。研究结果可为视频反无人机目标跟踪提供参考。

关键词： 目标检测   YOLOv5   K-Means   机器视觉   制动模块   装配检测  

摘要： 针对动车组制动模块结构复杂,装配过程子部件种类、数量较多,易产生混装、漏装等问题,建立一种基于机器视觉的装配检测模型。首先,通过数据集构建、模型训练、推理测试等步骤,完成YOLOv5部件检测模型的建立并进行计数统计判断。然后,对YOLOv5输出的位置坐标与类别数据,通过坐标转换和标准化处理使位置信息区分度提升。进一步,在训练集上运用K-Means进行聚类学习,生成部件各位置簇的中心坐标和内外限值。最后,计算待测部件位置坐标与各簇中心的欧氏距离,结合内外限值判定位置的正确性。同时,为便于工程部署,在推理端采用ONNXRuntime框架进行可视化系统的开发。结果表明:检测方法具有较高的准确率和查全率,同时具备位置检测功能,较现有人工目视检查方法更加准确、稳定、高效,具备工程应用价值。

关键词： 边缘计算   云边协同   视频分析   神经网络模型   显著性检测   目标检测   聚类  

摘要： 为解决实时视频分析任务中精度和延迟的平衡问题,进一步提升系统性能,提出一种基于显著性检测的云边协同视频流分析框架。通过计算推理结果在视频帧上的梯度来准确衡量不同区域的显著性,结合监控摄像机的上下文特征构建宏块(视频编码的基本单元)粒度的感知区。通过建立这些感知区,边缘端可以针对视频帧中不同区域的内容进行不同层次的压缩过滤,降低传输过程中的带宽消耗。实验结果表明,该框架在较小精度损失的前提下,能够显著降低带宽消耗和延迟。

关键词： 防吊起   目标检测   YOLOv5s算法  

摘要： 为防止集装箱卡车卸箱作业过程中与集装箱一同被吊起的安全隐患,需要对其作业过程中的位置状态进行准确的识别。以集卡车轮作为目标检测的特征提取对象,利用神经网络中YOLOv5算法作为基础算法,并针对算法中的特征提取能力不足、特征联系程度不强、场景应用能力不足的缺陷,给出融合结构重参数、自适应加权金字塔、检测头剪枝3种改进措施。实验结果表明,改进算法可提高模型的目标检测性能。

关键词： 目标检测   免“锚框”   热力图   中心点检测   hourglass网络  

摘要： 传统的目标检测算法通常预设许多候选的目标边界框(“锚框”)穷举待检测目标的潜在位置,在对边界框进行置信度计算后筛除冗余边界框确定人物位置,此类检测方法需要复杂的后处理程序,检测效率低。针对待检测的人物目标,提出基于热力图预测的免“锚框”目标检测算法,将人物目标的检测转化为对人物热力图的最大值,即目标中心点的检测。通过中心点进行目标尺寸的回归,最终确定目标位置,免除对“锚框”的依赖和计算,从而有效降低计算成本,大幅提高目标检测的速度。实验结果表明:与传统基于“锚框”的检测算法Faster R-CNN和SSD相比,所提算法目标检测速度大幅提升,达到45帧/s,同时检测精度相较前两者在不同数据集上均有所改善。在现实场景测试中,即使视频中存在人物交叉遮挡情况,该算法也能实时跟踪和精准检测人物位置,达到实时检测的目的。

关键词： 碳化物   金相组织   缺陷检测   目标检测   级联R⁃CNN  

摘要： 在钢铁行业中,碳化物是钢材中一种非常重要的组成成分,其在钢材中的分布对于评估钢材的质量具有很高的参考价值。然而,目前棒材碳化物的检测手段主要为人工检测,成本高昂且缺乏稳定性。引入人工智能领域的深度学习技术,收集并标注了3192张高质量钢铁棒材带状碳化物图像与11个完整样品数据,创建了工业场景下的棒材带状碳化物目标检测数据集(Banded carbide dataset on object detection for steel bar,BCDOD)。使用深度学习领域中常见的目标检测方法对数据集进行了实验分析,针对应用场景与数据的特点,引入旋转数据增强、Focal Loss函数与负样本微调对级联R⁃CNN模型进行改进,提升了模型的性能,平均精度达到96%。同时,在完整样品数据取得了100%的识别准确率,取得了较为理想的效果,弥补了人工智能技术在碳化物金相检测领域的空缺。

关键词： 线材挂牌   3D视觉   点云处理   目标检测   识别定位  

摘要： 目前,钢厂仍多采用人工形式进行线材挂牌作业,效率低下,劳动强度高。针对此,搭建线材数据采集环境,对3D点云数据进行预处理,开发基于降维的感兴趣区域定位算法,初步确定线材挂牌区域。提出“切四刀”方法,将大数据切割得到关键三维区域,根据捆线的几何特征,精准定位线材挂牌位置的三维坐标。利用2D目标检测算法对标牌位置进行识别,确定挂牌位置情况。进行现场整机试验,结果表明所构建的基于视觉的线材自动挂牌机器人系统挂牌准确率达到97%以上,满足现场应用需求。研究工作实现了线材自动挂牌,对类似作业自动化水平的提升具有指导意义。