关键词： YOLOV5   图像识别   船舶检测  

摘要： 为了提高在航行过程中,对目标船舶的检测效率与检测准确度以及实现对目标船舶的测距,本文采用经过船舶数据饱和训练的YOLOv5模型对目标船舶进行检测。采用Canny算法对海面地平线进行检测,依据地球半径的几何形式对船舶进行测距。本文采用非训练集远洋海上图像对算法进行实例验证。实验结果表明,该算法可实现对船舶的类别检测与远距离目标测距,检测mAP(均值平均精度)达到94.3%,对目标的测距结果相比于GPS数据的误差值,为实际距离的8.2%。

关键词： 奇异值分解算法   纱线振动   图像处理   纱线张力   非接触式检测  

摘要： 为解决目前接触式纱线张力检测易对纱线运动产生干扰的现状,设计了基于图像处理的非接触式纱线张力测量系统。使用高速相机结合纱线弦振动理论基础和图像处理技术采集运动状态纱线图像信息。利用奇异值分解算法通过视频图像数据降维、重组振动位移提取、迭代去噪等操作获取振幅频率信息。借助快速傅里叶变换将纱线振动时域特性转换为频域特性并绘制频域图及时域图,最后搭建纱线振动监测实验平台检验算法的可行性和可靠性。结果表明:纱线张力和纱线频率具有正相关性,当纱线张力在50~80 cN之间时,通过对比实验得到算法求解的纱线张力与实际测量的张力绝对误差小于10%,可较好地反映纱线实时张力情况。基于机器视觉的非接触式纱线张力具有安装简单,实时性强,精度高等特点,避免了接触式张力测量方法存在的损伤纱线和测量精度受工艺环境干扰等弊端。

关键词： 计算机视觉   烟草烟叶分级   图像处理  

摘要： 为了提高烟草烟叶分级的准确性与效率,本文采用先进的计算机视觉技术,通过改进图像采集与预处理技术、探索新的特征提取方法以及研究先进的分级算法,分析了这些技术在烟叶分级中的应用创新。结果表明,结合深度学习和图像处理技术能显著提升烟叶分级的性能,为烟草产业的自动化与质量控制提供了有效的技术支撑。

关键词： 计算机视觉   城市交通   交通一体化   控制系统  

摘要： 传统的交通控制系统采用预设的固定信号时序模式,无法根据当前的道路状况及车流量实现对交通模式的动态管理,因此,容易导致严重的交通拥堵。针对该问题,该文设计并实现了一种基于计算机视觉的自适应交通一体化控制系统。该系统能够根据交通的实际需求实时调整交通信号时长,从而显著缩短车辆通过交通路口的时间。此外,在该系统中开发的智能控制算法还能够提供如违规检测、道路监控、以及优先安排紧急车辆通过等智能交通功能。仿真实验验证了一体化控制系统的有效性。

关键词： 深度学习   输电线   挂接地线   优化算法  

摘要： 利用深度学习的方法对检测算法进行优化可以有效提高检出率。为此,本文首先以双阶算法(R-CNN)图像检测为深度学习方法,对其原理进行介绍;其次利用深度学习对R-CNN算法及其核心特征点提取算法进行优化;最后利用仿真方式对本文设计的优化算法的有效性进行检测。发现此种方法能够显著提高检出效率与准确性。

关键词： 数据融合   计算机视觉   光流法   逐次变分模态分解   互相关函数  

摘要： 结构动态位移测量与精准估计对于结构安全运营和性态评估具有重要意义.基于计算机视觉的位移监测方法具有精度高、非接触式、成本低、设备安装简便等优点,在实际复杂工程环境中,设备难以架设,视觉测量方法较传统接触式位移监测方法具有明显的优势.图像分辨率和拍摄帧率等因素在一定程度上限制了视觉方法的使用.针对视觉位移测量技术高频振动识别精度低的问题,提出了一种基于视觉与加速度测量的结构动态位移重构方法,通过融合视觉低频与加速度高频振动响应信号,实现结构动态位移精准识别.首先,利用光流法从结构振动视频数据中提取结构位移响应,引入前后向误差与离群值过滤机制,提升特征点追踪精度,避免漂移问题.然后,利用逐次变分模态分解方法分别从视觉位移与加速度二次积分得到的位移信号中提取相应的本征模态函数(intrinsic mode function,IMF)分量.最后,基于互相关函数筛选机制,确定融合模态分量,融合基于视觉测量的低阶IMF与基于加速度测量的高阶IMF,重构结构位移响应.通过一个钢筋混凝土框架结构振动台试验,对提出的位移融合估计方法进行了试验验证.结果表明:与单一视觉测量方法相比,所提出的方法能够更为准确地估计结构动态位移,并且通过引入加速度测量中的动态位移分量,融合后的位移比基于视觉测量的结果具有更宽的频率范围.

关键词： 深度学习   目标检测   安全帽检测   YOLOv8  

摘要： 安全帽的佩戴对建筑工地和工厂的工人来说至关重要,佩戴安全帽是施工场地的重要防护措施。如何有效地监测和确保安全帽的佩戴一直是企业监管的一大挑战。基于这一问题,在YOLOv8算法的基础上,通过改进YOLOv8网络的主干网络和头部网络来提高检测精度。实验结果表明,改进的算法检测准确率可达74.4%,与YOLOv8相比提升了0.4个百分点。这个改进对于提高安全帽检测的准确性具有重要意义。

关键词： 图像处理   空间物体   光学图像   条痕检测  

摘要： 空间物体在光学图像中常常表现为拖长的条纹形状,即条痕,条痕的准确检测对空间物体的识别与测量具有重要意义。近年来,许多研究人员对空间物体条痕的检测方法进行研究,取得了丰硕的成果。随着空间物体探测能力的提高,暗弱条痕的检测在空间物体精确探测中变得越发重要。对当前光学图像中空间物体条痕检测方法的主要原理和步骤进行了综述,根据不同方法的特点进行了分类和总结,并选择了四种不同类别的代表性单帧图像空间物体条痕检测算法,利用模拟图像和实测图像对这四种方法进行了实验对比,根据实验结果分析了各方法的优缺点,最后对光学图像中的条痕检测方法的未来发展方向进行了展望。

关键词： 桥梁检测   桥梁裂缝识别   深度学习   目标检测   YOLOv5   注意力机制  

摘要： 为进一步提高混凝土桥梁裂缝识别的准确率,并提高识别效率,基于一阶段目标检测算法中的YOLOv5算法和注意力机制模块,提出了YOLOv5_CBCA算法。在CBS(Convolution,Batch Normalization,SiLU)模块中融入注意力机制CBAM(convolutional block attention module)模块以减少降采样对特征提取的影响,骨干网络尾部添加CA(coordinate attention)模块降低图像背景的影响,从而提高目标定位的准确性。通过消融实验、对比实验,验证了YOLOv5_CBCA算法中改进模块的有效性。通过对双龙堡大桥、钟家大桥等混凝土桥梁裂缝图片进行检测,证明了YOLOv5_CBCA算法在提高准确率的同时具备更好的抗干扰能力,体现了在混凝土桥梁裂缝检测方面的优越性,为一阶段目标检测算法在混凝土桥梁裂缝识别工作中的应用提供了参考。

关键词： 深度学习   遥感图像   高斯分布   旋转目标检测  

摘要： 针对遥感图像目标检测物体长宽比例大、方向任意等特点,一般检测器存在检测精度不高的问题,提出一种基于YOLOv5的遥感图像旋转目标检测,使用旋转回归损失KLD Loss,把旋转矩形包络框转换为高斯分布,提供了更加准确的回归预测,避免了边界问题。实现结果表明,所提算法在DOTA数据集检测精度(mAP50)达到了77.97%,相比基础模型YOLOv5m提升了5.75个百分点。实验证明该算法在高精度的遥感图像旋转目标检测的有效性。