关键词： 卷积神经网络   声呐图像   水下目标检测   深度学习  

摘要： 声呐探测技术作为水下探测的主要手段之一,在海洋环境中具有广泛的应用,随着卷积神经网络(CNN)在计算机视觉领域表现出卓越的性能,该技术越来越受到研究人员的重视。文章综述了卷积神经网络在声呐图像水下目标检测中的应用与发展,重点讨论基于CNN的典型水下目标检测方法,包括基于候选区域与回归的检测算法在声呐图像上的改进与应用,并分析各类网络模型在处理声呐图像特有问题上的创新策略,如小样本检测、小目标检测及CNN与传统算法融合等。最后总结了当前基于CNN的水下目标检测面临的挑战,并预测该领域技术发展趋势。

关键词： 图像处理   细化算法   干涉圆环   Hough变换   圆心识别   圆环参数提取  

摘要： 为解决光学干涉图像亮暗不均和噪声对干涉圆环半径和圆心识别的影响问题,以Matlab仿真图像为对象,研究细化算法在圆环参数提取中的作用。首先,在仿真干涉同心圆环图像中加入噪声和亮暗不均的因素;然后,在预处理基础上依次应用二值算法、细化算法得到二值图和细化图;最后,分别在预处理图、二值图和细化图上进行Hough变换提取半径和圆心。对比研究发现,二值化基础上的细化处理可以极大地减少亮暗不均的影响,抑制噪声,不仅能够消除粗大误差,提高提取精度,而且使得识别结果变得更加稳定。

关键词： 机器视觉   纸张瑕疵   图像处理   检测系统  

摘要： 近年来,机器视觉技术已经成为工业检测领域一项应用前景十分广阔的高新技术,也成为纸张瑕疵智能检测工作的一个研究热点。在此背景下,简单分析了基于机器视觉的纸张表面瑕疵检测现状,重点在机器视觉技术支持下,设计与实现了纸张瑕疵智能检测系统,明确了检测系统的整体结构、硬件选型,提出了有针对性的图像处理关键算法,最后完成对各类瑕疵的检测试验。结果表明:各类瑕疵平均检出率在98%左右,获得了较好的瑕疵检测效果。

关键词： 点云   点云补全   计算机视觉   深度学习  

摘要： 点云数据蕴含着大量的空间信息,通过LiDAR、3D传感器等设备获取点云数据,被广泛应用在自动驾驶、3D重建、医学图像处理等计算机视觉领域。但由于传感器视野受限、物体遮挡等因素,导致获取的点云数据存在缺失部分。点云补全旨在从不完整的点云数据中推断出缺失的部分并还原完整的点云数据。基于此,对基于深度学习的点云补全方法进行分类,并分析模型的优缺点,描述几个点云补全领域常用的公共数据集和评价标准,对未来点云补全技术的研究方向进行探讨。

关键词： 红外小目标   目标检测   跨越连接   注意力机制   多尺度融合  

摘要： 针对复杂背景红外小弱目标信号弱、特征不明显、干扰虚警多等检测性能低问题,提出基于跨越连接与融合注意力机制的单阶段红外弱小目标检测算法。该方法融合注意力机制与残差网络提取小目标多特征,减少复杂背景干扰;双向跨越连接结构融合低层与高层各自的特征信息,凸显小弱目标特征表达能力;增加一个高分辨率检测层,重新聚类弱小目标先验框,增强目标与背景的特征差别学习能力;最后,建立真实目标和预测目标框的高斯分布模型,计算两者相似性,解决因IoU度量造成的目标损失回归偏差敏感问题,提升损失回归准确性。在公开红外小目标数据集上进行对比测试,实验结果表明该算法对多种复杂背景下红外小弱目标检测均取得了最佳性能,在平均精度和速度等方面都得到显著提升,模型最小,方便部署。

关键词： 养殖场   牛日常行为   目标检测   YOLOv5s  

摘要： 在现代化养殖场中,牛的行为识别对提升生产效益有重要意义,通过监测牛的日常行为可以判断牛的身体健康状况;而对牛的产犊行为监测,便于做好护理工作,避免生产损失。本研究采用YOLOv5s目标检测算法对养牛场牛进行行为检测,采集牛的站立、躺卧、采食、饮水、排粪、排尿、产犊七类行为图像数据并做标注,对图像进行数据增强操作,制作成牛行为识别数据集,最后放入YOLOv5s网络进行训练,得到牛行为目标检测模型。结果显示,模型检测站立、躺卧、采食、饮水、排粪、排尿、产犊等行为的平均准确率和平均召回率分别达到96.9%和94.1%,可为智慧养殖场牛行为监测提供技术支持。

关键词： 自动驾驶   环境感知   路侧视角   多目标检测   YOLOv4   深度学习  

摘要： 面向道路交通场景中多类别、可变规模的目标车辆检测需求,如何有效地以低算力构建结构化数据,实现超视距感知并解决单车视距限制,是自动驾驶汽车环境感知技术领域亟待解决的重要问题之一.为此,提出兼顾精度和实时性的轻量化路侧视角多目标检测算法.首先,以嵌入通道域注意力机制的倒残差网络结构代替单阶段检测算法特征提取网络作为网络骨干部分,利用深度可分离卷积降低特征提取网络参数量;其次,采用空间金字塔池化(spatial pyramid pooling, SPP)处理深层网络输出特征图,选取轻量化后骨干网络不同深度特征图的输出,利用路径聚合网络(path aggregation network, PANet)融合深层语义信息与浅层表观信息构成检测模型颈部;最后,在检测模型头部设置3种不同特征图大小的网络输出,使同一图像信息不同尺寸目标在适宜网络深度进行目标信息回归,提出轻量化路侧视角多目标检测算法M3-YOLOv4.实验结果表明, M3-YOLOv4在数据集RS-UA表现的mAP值为0.906,相较YOLOv4的mAP值下降1.1%, M3-YOLOv4模型参数量缩减为YOLOv4的10%,同平台下模型前向推理速度也具备明显优势.

关键词： 领域自适应   跨域目标检测   深度神经网络   平均教师  

摘要： 无偏跨域目标检测的主要目的是借助知识蒸馏最大限度地利用源域的知识,通过领域自适应减小模型的跨域差距。然而,通常用于无偏跨域目标检测的平均教师方法所产生的伪标签并不可靠,从而导致师生模型间仍然存在较大的领域偏差问题。受傅里叶变换中相位信息不变性特点的启发,在平均教师的基础上提出傅里叶增强无偏协同教师模型(FAUMT)。利用傅里叶相位信息的不变性,设计振幅混合的数据增强(AMDA)模块,其可以有效地混合源域和目标域间的相位信息从而实现数据增强。而数据增强会产生额外的噪声,设计两个一致性损失来保证数据增强前后预测的一致性。此外,为平衡模型训练过程中源域和目标域间的跨域偏差,还设计了多层对抗学习(MAL)模块,旨在对不同层次的像素级别特征进行域对齐。在三个基准数据集Cilpart1K、Watercolor2K、Comic2K上,该方法的mAP分别达到了47.5%、58.9%、46.1%,超过了其他算法。

关键词： 深度学习   目标检测   垫圈检测   YOLOv8   损失函数  

摘要： 针对沉孔螺栓自动装配过程中孔内垫片的有无检测问题,本文提出了一种基于深度学习的视觉检测方法,利用改进的YOLOv8算法模型对不同表面性质的产品进行沉孔内垫片检测。首先,对不同产品沉孔中垫片构建了垫片装配情况数据集;其次,使用GhostNet网络改良原有的YOLOv8主干网络,并通过新增第六个深度学习计算层,在不影响检测效果的同时使模型得到轻量化;最后,采用SmoothL1损失函数,提高了模型训练收敛速度。实验结果表明,优化后的模型精确度为99.5%、召回率为97.4%、Map@0.5为98.4%、推理耗时为6.4ms,相比YOLOv8原版本精确度提升了1.9%、召回率提升了11.8%、Map@0.5提升了13%。模型投入实际生产后,垫片装配不良漏检率0%、错杀率0.25%,对解决螺栓自动装配场景下垫片装配异常检测问题具有重要参考价值。

关键词： 高速摄像   玉米排种器   性能测试   图像处理   排种均匀性   漏播率  

摘要： 随着现代农业对高效、精确播种技术需求的增加,传统的排种器性能测试方法已经难以满足要求。该文基于高分辨率高速摄像机,在不干扰排种器正常工作的情况下实时捕捉和分析排种过程,通过获得排种器在高频率下的连续图像了解种子在被排出瞬间的运动轨迹和分布情况。试验结果表明,该方法可以准确地检测排种器的排种速度、排种均匀性和漏播率,为优化和改进玉米排种器设计提供了可靠的数据支持。通过该技术手段,可以大幅度提升玉米播种器的效率和质量,不仅有助于提高玉米的播种质量和效率,还可以为农业生产提供重要的技术支持和保证。