关键词： 水稻   YOLOv8   目标检测   病虫害识别   ADown   注意力机制   检测头   损失函数  

摘要： 针对水稻病害检测精度低、易发生漏检和误检等问题,提出了改进YOLO第8常规版(you only look once version 8 normal,YOLOv8n)水稻叶片病害识别检测方法。以原始YOLOv8n算法为基准,在主干网络中使用下采样操作卷积(a convolutional block for down-sampling,ADown)模块,减少特征信息的丢失,并在主干网络与颈部网络之间引入基于挤压-激励(squeeze-and-excitation,SE)的注意力机制模块,提高网络的特征融合能力;同时,设计出共享参数检测头,增加检测任务的感受野;此外,使用顺序证据加权插值算法的交并比(weighted interpolation of sequential evidence for intersection over union,WIoU)损失函数,进一步提升网络的检测性能。在水稻病害数据集上进行大量实验,结果表明,与原始YOLOv8n算法相比,改进YOLOv8n算法的精确率和平均精确率均值分别提升了6.59%和6.86%;改进YOLOv8n算法能够满足水稻叶片病害识别对速度及检测精度的需求,同时提高了对小目标和密集目标的检测能力,从而减少了漏检和误检的情况。改进YOLOv8n算法与目前主流算法相比在检测速度和精度上具有一定优势,检测速度是YOLO第7版(YOLO version 7,YOLOv7)算法的3.61倍,平均精确率均值提高了8.63%。该研究能够为水稻智能化种植管理提供一定的参考。

关键词： 机器视觉   缺陷检测   图像处理   特征提取   误检率   人工目检  

摘要： 表面缺陷检测是产品出厂前必不可少的一个环节,新能源汽车电池底座的铝巴缺陷检测以往是依靠人工目检,但该方式效率低下、误检率高,且易受人的主观因素影响。为了促进产线升级,通过Halcon与C#实现混合编程,设计一种基于机器视觉的铝巴表面缺陷检测系统。通过工业相机采集铝巴图像进行相应的阈值分割;采用Halcon算法的图像处理方式,依据正常与缺失铝巴间的差异选择特征向量进行特征提取,进而判断铝巴是否缺失。该系统弥补了以往人工目检方式存在的不足,实现了由传统人工生产向半自动化生产的转变。企业实际应用结果表明:所设计检测系统的误检率为0%,相比于人工目检省时26min,达到了预期效果,能够满足实际需求。

关键词： 岩体   裂隙迹线   图像识别   Hessian矩阵   图像处理  

摘要： 针对以往研究中岩体裂隙图像识别方法的识别结果存在大量伪裂隙问题,提出了一种考虑几何特征的岩体裂隙迹线多尺度图像识别新方法.根据图像中不同像素点黑塞矩阵特征值大小的差异构建滤波响应函数,该函数在对线性裂隙进行增强的同时亦可抑制图像噪声;采用限制对比度的直方图均衡化算法解决了函数响应值不足的问题;基于连通域面积和连通域最小外接矩形长宽比两个参数准确获取了裂隙形态;利用形态学细化、毛刺去除和分段线连接的组合处理方式识别得到裂隙迹线.工程实测结果表明:所提方法裂隙迹线识别结果与手工描绘的参考裂隙极为相符,精度和敏感度的调和平均值D_(ice)达到88%以上.相较于改进Canny方法、暗区曲线结构增强(DRCSE)方法以及混合全局和局部阈值(HGLT)方法,本文方法表现出了更强的稳健性和鲁棒性.

关键词： YOLOv8   水下目标检测   大可分离核注意力机制   轻量化   多尺度特征融合  

摘要： 针对复杂水下环境导致水下目标检测时出现误检、漏检以及检测效率低等问题,提出了一种改进YOLOv8模型的轻量化水下目标检测算法。首先,为了改善颈部网络特征融合不足的问题,将YOLOv8的颈部网络融合(Bidirectional Feature Pyramid Network,BiFPN)双向特征金字塔结构,提高小目标层的检测效果;其次,针对网络中卷积模块参数量大和计算复杂度高的问题,设计了一种自适应注意力下采样(Adaptive-Attention Down-Sampling,AADS)模块,将主干网络中的卷积模块替换为AADS模块,降低模型参数量和计算量;最后,引入大可分离核注意力机制(Large Separable Kernel Attention,LSKA),强化特征提取能力,使模型能够更精确地关注重要信息,提高目标检测精度。将改进的网络在水下目标检测数据集中进行实验,改进后的算法与YOLOv8相比,平均检测精度提升了1.4%,模型计算复杂度降低了15.9%,模型参数量减少了43.3%,使检测精度和检测速度之间达到了很好的平衡。

关键词： 深度学习   图像处理   距离测量   多传感器融合   配网线缆  

摘要： 不停电配网作业视场条件复杂,传统机器视觉方法存在配网线缆识别定位精度与速度无法满足要求等问题。为实现智能化配网作业中配网线缆的快速准确识别与定位,该文设计了多传感器视觉引导系统以及搭载的配网线缆分割算法。首先,面向配网作业需求进行了针对性的传感器选型,提出了一套使用可见光相机+激光雷达(RGB+Lidar)对末端执行机构进行引导的系统,以解决传统配网检修人工作业方式劳动强度大、工作效率低等问题。其次,针对传统机器视觉方法参数量大、推理速度慢的问题,将深度可分离卷积引入轻量化的图像分割模型的设计,输入部分增加了雷达点云提供稀疏的深度信息,并引入了直线注意力模块以进一步提高精度。最后,经过配网作业中采集的数据集进行图像分割模型的测试,验证了其速度和精度能够满足不停电配网环境下的识别定位需求。

关键词： 结构健康监测   位移测量   非接触式   计算机视觉   光流   多目标  

摘要： 近年来,部分基于计算机视觉的位移监测方法已应用于实际的结构健康监测领域。然而,这些方法通常仅针对一个目标,缺乏对结构更为全面的测量。为此提出一种结合稀疏光流的多目标同步位移测量方法。该方法首先在初始帧中进行多个测量区域的选取,随后通过在各个区域内定位显著特征点,利用稀疏光流同步测量,进而获取各个点的详细位移。采用简支钢梁桥人因振动试验验证所提算法的可行性和可靠性。通过智能手机对钢架桥模型右侧的多个螺母进行同步拍摄,安装位移传感器进行对比。结果表明,所提出方法的相关系数均高于99%,均方根误差低于0.08 mm。

关键词： 深度学习   目标检测   YOLOv8s   VanillaNet   CARAFE   极小目标检测层   MPDIoU  

摘要： 针对电动车头盔检测模型易受天气、视角等因素影响,存在漏检、误检、精度低和实时检测效率差等问题,基于原始YOLO第8小版(you only look once version 8 small, YOLOv8s)模型进行改进,提出改进YOLOv8s模型。主干特征提取网络选用轻量级的香草网络(vanilla network, VanillaNet)模块,颈部网络采用轻量级的上采样算子内容感知特征重组(content-aware reassembly of features, CARAFE)模块,增加160像素×160像素的极小目标检测层(tiny object detection layer, tiny)模块并修改损失函数为多尺度预测距离交并比(multi-scale prediction distance intersection over union, MPDIoU)。为验证优化模块的有效性,采用消融实验并对比模型改进前后的差异。结果表明,改进YOLOv8s模型平均精确率均值达95.6%,检测速度提升至102帧/s,检测精度有明显提升且延时有所降低。改进YOLOv8s模型能够在实际场景中有效检测电动车骑乘人员的头盔佩戴情况,对于减少人身伤害、提升道路安全和优化智能交通系统具有重要作用。

关键词： 水下目标检测   水下腐蚀检测   图像增强   深度学习  

摘要： 随着海洋资源的不断开发和海洋环境的持续变化,水下目标检测和腐蚀评估在海洋工程、海洋资源开发和水下基础设施维护等领域发挥着重要作用。两种技术虽路线不同却有交叉,在一定程度上是相互关联的。综述了近年来深度学习技术在水下目标检测与腐蚀评估中的应用现状,首先介绍了水下目标检测和腐蚀评估的背景,然后分别对深度学习技术在水下目标检测和腐蚀评估方面的应用现状进行了简要分析,最后讨论了目前水下目标检测和腐蚀评估在深度学习的影响下面临的挑战以及未来的研究方向。

关键词： YOLOv7   织物疵点   深度学习   目标检测   空洞卷积  

摘要： 针对企业目前应用的织物疵点检测算法精度低、漏检率高、训练速度慢及模型难以收敛的问题,提出了一种基于并联堆叠的织物疵点检测算法。基于YOLOv7深度学习目标检测算法,采用不同参数值的空洞卷积设计DCCSPC并联堆叠模块,改进SPPCSPC空间金字塔池化层,深度融合织物瑕疵局部及整体的特征信息;添加输出160×160的小目标检测层,实现宽高仅占4个像素的小目标疵点检测;使用WIoU损失函数替换CIoU损失函数,解决了特殊样本(长宽比与多数样本不一致的样本)漏检率高问题,并提高了模型的收敛速度。另外,为消除数据集类别不均衡问题,采用生成对抗网络对数量较少类别进行了样本扩充。将改进后算法在织物疵点数据集上进行测试,结果表明:与以往方法相比,改进后的模型具有更高的识别精度和鲁棒性,能够检出宽高比例悬殊、纹理对比度低图像中的疵点及小目标疵点,对比原YOLOv7模型,平均精度值提升3.4%,且收敛速度更快、误差更小,能够更好地满足当下织物智能疵点检测的需求。

关键词： 计算机视觉   行为识别   双流卷积网络   三维卷积  

摘要： 为了更高效地获得视频中的行为信息,提出一种结合时域卷积与双流卷积网络的人体行为识别算法。利用多层时域卷积从视频获取动态信息,得到二维的深层动态特征;构建双流卷积网络并采用深层动态特征代替光流特征作为运动信息流的输入;加权融合双流结果,获得对行为的判定。在公开数据集UCF101、HMDB51与NTU-RGBD-60测试,最高准确率为94.2%、70.9%与89.1%(跨对象实验)。当与经典算法ECO(Efficient Convolutional Network)和TSM(Temporal Shift Module)准确率相近时,平均并行速度分别提高2.1倍和3.6倍。所研究算法提高了计算效率,更具有实用性。