关键词： 点云目标检测   CIA-SSD   教师-学生模型   密集特征模块   注意力机制   交并比匹配策略  

摘要： 针对现有点云目标检测算法对室外自动驾驶场景中遮挡物体检测精度低的问题,提出一种基于知识蒸馏和注意力增强的点云目标检测算法。以CIA-SSD模型为基础,设计了一种基于教师-学生模型的密集特征生成模块,提出基于交并比匹配策略的密集数据生成方法,将稀疏特征转换为密集特征。密集特征生成模块位于学生模型中,学生模型在教师模型生成的软目标监督训练下,推断出完整的密集目标特征,实现目标特征的补全;在教师模型中设计空间注意力和通道注意力机制,增强密集目标点云,提升特征图的质量。在KITTI数据集上的验证实验结果表明:与SE-SSD模型和CIA-SSD模型相比,本文提出的算法保持了单阶段目标检测速度的优势,同时明显提升了检测精度。

关键词： YOLOX-EfficientNet   路面病害   目标检测   深度学习  

摘要： 本文在YOLOX模型的基础上,以G320部分路段的路面存有病害的图片数据库为基础,融合了EfficientNet网络,建立完备的数据集,分析了路面多种病害的成因及特征,对数据集采用Labelimg标注软件对图片上的病害进行定位、分类,从而建立完备的模型训练、测试的数据集,以实现基于卷积网络的YOLOX-EfficientNet模型对路面病害进行识别、分类、定位。Efficient网络从多个方面对YOLOX模型进行优化,提高YOLOX模型的检测精度。

关键词： 铁路异物   目标检测   深度学习   机器视觉  

摘要： 铁路异物检测对铁路安全至关重要,深度学习是铁路异物检测领域安全监测的重要技术。基于此,首先,介绍了基于深度学习的铁路异物检测方法,将铁路异物的深度学习算法进行介绍与比较;其次,从深度学习方面对铁路异物检测现状进行综述;最后,总结了现有模型的鲁棒性和小目标检测的问题,并提出展望。

关键词： 太赫兹光谱   点扩散函数   图像处理   深度学习   超分辨率  

摘要： 太赫兹光谱成像技术不仅能获取检测对象在三维图像空间中的几何信息,同时也能提取其在太赫兹波段的光谱信息,因此该技术已在众多领域表现出巨大的应用潜力.但由于技术设备结构复杂,成本较高,且太赫兹波长较长导致其成像空间分辨率较低,边缘细节模糊,如何在现有设备基础上提高太赫兹成像分辨率成为目前亟需解决的关键问题.针对该问题,以STC89C51单片机为检测对象,利用太赫兹时域光谱数据,结合深度学习,实现了太赫兹光谱成像的超分辨率重建.试验采用太赫兹时域光谱检测系统对样品进行逐点扫描,指定0.738 THz进行频域成像,通过构建点扩散函数对太赫兹图像去卷积增强,并确定以光束穿透深度z=2 mm的去卷积太赫兹图像作为参考图像.考虑太赫兹图像实际采集过程中可能受到多种复杂噪声的影响,通过双三次插值降采样(BI)、高斯模糊下采样(BD)、双三次插值下采样+高斯白噪声(BN)与高斯模糊下采样+高斯白噪声(DN)4种不同的降采样方式模拟太赫兹降质图像.采用Real-ESRGAN深度学习方法对降质图像进行超分辨率重建,同时与SRResNet、EDSR、SRGAN、ESRGAN方法的重建结果进行对比.采用峰值信噪比、结构相似性以及主观平均得分3种评价指标对重建结果进行评价.评价结果表明:Real-ESRGAN的BI、BD、BN、DN 4种降质图像的超分辨率重建效果的各项指标表现均优于其他算法,实现了对芯片特征信息的增强和图像成像精度的提高,为太赫兹图像超分辨率重建技术提供了一种新的优化思路.

关键词： 人工智能   头影测量标志点   自动定点   机器学习   深度学习   自动化分析   计算机视觉  

摘要： 头影测量是正畸诊断和治疗过程中不可或缺的分析手段。高精度定位头影测量的标志点对于确保正畸临床诊断的准确性和治疗目标的正确性至关重要。随着计算机辅助技术特别是人工智能的发展,头影测量标志点从手动标注逐渐进展到自动定点,并已应用于临床实践。从基于知识方法到基于模型和模板匹配方法,再到现在的机器学习及深度学习方法,人工智能在传统头颅侧位片上标志点检测的准确率已有显著提高,但在图像数据更精确的三维图像上,自动定点尚处于起步阶段。本文旨在综述人工智能在头影测量自动定点算法方面的研究进展,并对其未来研究方向进行展望。

关键词： 电气自动化   智能检测   机器视觉   图像处理   特征提取  

摘要： 传统的电气设备检测方法存在着效率低、精度不高等问题,难以满足现代工业生产对于高效、准确检测的需求。针对这一现状,本研究引入机器视觉技术,开发一种电气自动化智能检测技术。该技术通过图像处理和分析技术,对电气设备进行自动检测与诊断,旨在提升检测工作的效率与准确性。通过一系列实验的设计和结果的分析,证实了该技术的有效性与实用性,为电气自动化检测领域提供了新的解决方案。

关键词： 图像处理   Hough变换   纱线捻度   捻回角  

摘要： 提出了一种基于Hough变换的纱线捻度测量方法,在经过去噪、灰度化、图像增强等预处理后,进行Canny边缘检测,采用Hough变换提取纱线的边缘特征和捻回特征,根据捻度计算公式计算出纱线捻度,并与退捻加捻法进行测捻对比试验。结果表明,用Hough法测量纱线捻度的方法是可靠且准确的。

关键词： 杂草识别   目标检测   YOLOv8   轻量化   注意力机制  

摘要： 为了适应智能农业的发展需求,并解决杂草检测过程中常见的效率低和可靠性不足的问题,文章提出一种基于改进YOLOv8(You Only Look Once)算法的轻量化高性能杂草检测模型。基于Ghost Conv(Ghost卷积)设计了全新的轻量化C3Ghost(Cross Stage Partial Network)模块以取代C2f(CSPDarknet53 to 2-Stage FPN),此外在模型的Neck部分引入CBAM(Convolutional Block Attention Module)注意力机制模块。通过构建专门的杂草数据集检测模型性能,发现该改进模型在杂草检测任务中的mAP-0.5达到了90.5%,mAP-0.5∶0.9评价标准达到54.4%。与官方发布的YOLOv8-s模型相比,分别提高了0.8%和0.3%,改进后的模型参数量减少了46.18%,计算量降低了42.81%。以上结果证明了所提改进策略在模型轻量化方面的有效性,为智能农业中的杂草管理提供了理论和技术支持。

关键词： 机器视觉检测   图像处理   轮廓匹配   动态阈值分割   检测准确度   精冲   表面缺陷   压痕  

摘要： 为解决精冲零件生产过程中出现的凹坑、压痕等表面缺陷的检测问题,本文提出了一种基于图像处理的机器视觉检测算法,通过轮廓匹配、动态阈值分割和面积筛选等图像处理操作,对精冲零件中的凹坑、压痕等表面缺陷进行检测,剔除存在缺陷的问题零件,进一步减少生产资源的浪费。通过试验验证,本文提出的机器视觉检测算法可以达到96.8%的检测准确度,检测精度可达0.3mm,每张图像的处理时间小于200ms,单个零件的处理时间小于0.6s,满足实际生产需求。

关键词： 李   机械采摘   果实识别   YOLOv5   图像处理   注意力机制   目标检测  

摘要： 为提高果园中高遮挡和密集的李(Prunussalicina Lindl.)的检测精度,提出一种改进YOLOv5s模型,在促进模型轻量化的同时提高模型对李的检测精度。首先,使用新的结构Focus-Maxpool模块替换主干网络中的下采样卷积,使改进模型在下采样时能够保留更多高遮挡目标和小目标的特征信息。其次,使用focal loss和交叉熵函数的加权损失作为改进模型的分类损失,提升改进模型对粘连目标的识别能力。最后,设计若干组检测试验来评价改进模型的性能。结果显示,改进YOLOv5s模型的平均精度优于YOLOv5s、YOLOv4、Faster-RCNN、SSD和Centernet;与YOLOv5s模型的检测结果相比,改进YOLOv5s模型的平均精度、召回率和精度分别提高2.84、9.53和1.66百分点,检测速度可达到91.37帧/s,能够满足实时检测需求。研究结果表明,改进的YOLOv5s模型在真实果园环境下具有较高的检测精度和鲁棒性。