关键词： 目标检测   图像处理   嵌入式系统   轻量化  

摘要： 针对大熊猫在复杂环境中难以识别,以及目标检测模型在计算资源有限的嵌入式设备上部署效果差的问题,提出一种轻量化的大熊猫目标检测模型Giant Panda-YOLOv5n(GP-YOLOv5n)。该模型在YOLOv5n的基础上进行改进,提出了融合注意力的深度可分离颈部网络,提高复杂环境下对目标的检测精度与检测速度,并在边界框回归损失函数中引入Alpha-IoU来提高模型对目标的边界框定位精度。在自制大熊猫数据集上进行训练后,对模型进行嵌入式设备优化并迁移部署到Jetson Nano。实验结果表明,改进后的模型在mAP50和mAP50:95指标上达到了97.8%和73.6%,相较于原始模型分别提升了2.7%和9.2%,在嵌入式设备上的模型检测速度达到了15.12 f/s,能够准确、实时地检测出复杂环境中的大熊猫个体。

关键词： 温室鲜枣   深度学习   目标检测   视觉识别   质量评估  

摘要： 为实现温室鲜枣的自动化视觉识别与质量评估,构建了大规模多源异构的鲜枣图像数据集,设计了基于深度学习的端到端处理框架,其中包含鲜枣检测、识别分类和质量预测三个模块。该方法通过卷积神经网络和自编码器有效学习鲜枣视觉特征表达,并优化了检测网络以实现较高的平均定位准确率。在模拟商业化生产环境下的验证显示,该处理框架的鲜枣识别精度和质量判断性能满足需求,相比于人工识别,评价效率提升了8倍,准确率超过90%,为构建自动化温室鲜枣生产线提供了关键技术支持。

关键词： 目标检测   注意力机制   软边缘   特征增强   海上救援  

摘要： 针对航拍图像背景复杂,目标可视化特征不明显等问题,提出了一种基于改进Faster R-CNN的弱小行人或海上小型浮体等小目标检测方法。首先,为了提取到更具鉴别性的深层特征,使用性能更强的ResNet作为特征提取网络,以提升主干网络提取到的多尺度特征的表征能力。其次,为了提升模型针对小目标的检测精度,引入多尺度检测策略。考虑到不同深度特征的特点,使用空间注意力机制将不同尺度的检测任务分配给不同深度的特征。最后,为了提升特征的质量,设计了基于边缘增强的特征融合模块,该模块通过引入额外的软边缘先验信息增强特征的质量。实验结果表明,改进的Faster R-CNN可以有效提升海上和岸基小目标的检测精度,在公开数据集TinyPerson上的均值平均精度相比基线模型Faster R-CNN从13.4提升至38.48,有效提高海上救援、海上侦查的精度和准确度。

关键词： 采摘机器人   计算机视觉   视觉控制   识别准确率   采摘成功率  

摘要： 为进一步提高我国采摘机器人智能化作业水平及采摘效率,基于计算机视觉应用技术展开优化研究。以采摘机器人结构组成为设计基点,运用视觉控制核心理念建立采摘机器人视觉识别处理与控制数学模型,实施相适应的采摘路径规划和系统采摘状态输出设计。同时,进行视觉采摘验证试验,结果表明:基于计算机视觉的采摘机器人系统优化正确可行,整机综合采摘效率可达94.61%,系统识别准确率与控制精度分别相对提升了6.12%和5.25%,机器人采摘成功率可提升至95.98%。因此,将计算机视觉处理技术有效应用至采摘机器人设计改进,对于类似农业采摘与收获装备开发研究可提供创新及借鉴思路,推广价值良好。

关键词： 图像处理   语义分割   木材表面裂纹检测   深度学习   U-Net模型   注意力机制  

摘要： 木材缺陷会影响木材的使用价值和使用期限,其中木材表面裂纹是严重影响木材外观质量和机械强度的一种木材缺陷。对木材表面裂纹的检测可以尽快发现此类缺陷木材,或为后续处理提供依据。针对现有的人工检测和自动化检测木材表面裂纹效率低、成本高、漏检率高等问题,采用引入卷积块注意力模块(convolutional block attention module,CBAM)的Attention U-Net深度学习模型对木材表面裂纹图像进行语义分割,从而达到木材表面裂纹检测的目的。引入的CBAM模块包含通道注意力机制和空间注意力机制,分别用于捕捉通道间的依赖关系和像素级的空间关系,该模块被添加到Attention U-Net网络的编码阶段,以增加感兴趣区域的权重并抑制冗余信息。最后,通过消融试验验证了Attention U-Net中加入CBAM对分割性能的提升。采用像素准确率(PA)、类别像素准确率(CPA)、召回率(Recall)、Dice系数、交并比(IoU)和平均交并比(MIoU)等语义分割评价指标评价各模型的优劣,并确定最佳模型及其参数。在自制木材表面数据集的裂纹分割中,使用AdamW优化器引入CBAM的Attention U-Net的PA、木材裂纹Recall、木材裂纹Dice系数、木材裂纹IoU、MIoU分别比使用SGD优化器的Attention U-Net原始模型提高了0.11%,4.14%,2.96%,3.58%和1.84%。结果表明,使用AdamW优化器引入CBAM的Attention U-Net能够较好地分割背景和木材表面裂纹,区分节点、表面纹理和木材裂纹,并将节点和表面纹理分割为背景。

关键词： 图像处理   水下图像增强   卷积调制   空间协作   编解码结构  

摘要： 针对光线在水中的散射和吸收效应造成水下图像纹理和结构不清晰的问题,提出一种基于卷积调制(CM)与空间协作(SC)的水下图像增强算法。以编码器-解码器作为基础网络,使用RepVGG的浅层和深层网络分别提取水下图像的纹理和结构特征。首先,特征主导网络将RepVGG中提取到的水下图像特征转化成具有不同尺度的纹理和结构特征,使其与解码器中的特征图进行拼接融合。其次,在编码器中使用卷积调制模块,采用深度可分离卷积(DSConv)模拟自注意力机制的方式减少图像细节信息的丢失,提高编码器特征提取的能力。最后,在解码器中使用空间协作卷积(SCConv),在空间维度上处理水下特征保留更多的位置信息,以提高解码器对融合后特征的增强能力。实验结果表明,该算法在视觉感知与性能指标上优于对比算法,峰值信噪比(PSNR)和结构相似性(SSIM)指标最高达到23.4465 dB和0.8946,水下彩色图像质量评价(UCIQE)和水下图像质量测量(UIQM)指标最高达到0.5826和3.0689,进一步证明了该算法能够有效增强水下图像的纹理和结构特征,具有较好的视觉感知效果。

关键词： 桥梁设计图纸   目标检测   YOLOv7   PP-StructureV2   表格识别   归集   钢筋数量表  

摘要： 桥梁设计图纸中含有重要的钢筋数量信息,施工过程中需要利用钢筋数量信息进行钢筋的分配工作,同时这些信息可以在新项目设计时提供设计经验,然而这些钢筋数量信息通常以表格形式保存在纸质图纸中,对查阅和参照造成了不便。基于此,提出了一种从桥梁设计图纸中归集钢筋数量的方法,首先在YOLOv7的骨干网络中,融入卷积注意力模块(CBAM)注意力机制获取更多细节特征,在头部结构中引入多分支卷积RFB模块,提升模型对小目标的特征表达能力,基于改进后的YOLOv7对桥梁设计图纸的表格和图签栏进行目标检测;其次利用PP-StructureV2的表格识别功能对图纸中的表格和图签栏进行表格识别,经过汇总验证,最终生成包含所有钢筋数量信息的Excel文档,实现桥梁设计图纸中钢筋数量信息的归集。利用安徽省交通规划设计研究总院股份有限公司提供的桥梁设计图纸进行实验研究,实验结果表明,改进的YOLOv7算法的F1 Score可达到98.35%,和原始YOLOv7算法相比,提升了0.86%,可满足从桥梁设计图纸中检测表格以及图签栏的要求。

关键词： 遥感影像   目标检测   多感知融合   深度学习  

摘要： 针对遥感影像复杂背景和小目标检测困难的问题,提出了一种基于多感知融合的检测算法YOLO-GT。为了提升特征图中小目标的特征信息,设计了包含3种感知机制的检测头Adaptive Scale-Aware Dynamic Head(ASADH);引入轻量级上采样算子Content-Aware ReAssembly of Features (CARAFE),解决语义信息丢失问题,提升特征金字塔网络性能;为进一步优化模型的训练速度和定位精度,采用了Wise-IoU作为损失函数。实验结果在DIOR数据集上显示,模型精度达90.4%,比原算法提高2.1%。这些改进有效提高了复杂背景下遥感影像小目标的检测性能。

关键词： 图像处理   工件定位   点云处理   改进ICP   尺寸检测  

摘要： 提出了一种融合图像与点云的曲面工件涂胶质量检测方法,解决了基于图像的涂胶质量检测精度低、鲁棒性差的问题。方法包括利用圆形Mark点进行粗定位,引入法矢一致性约束的改进迭代最近点算法完成精定位,并提取图像中的胶线骨架信息转化为3D胶线轨迹点。通过等距有序采样方法获取采样点进行胶线质量参数检测。根据采样点的法向约束和胶线轨迹切向约束,获得采样点胶线截面模型,将点云映射到截面中得到胶线截面轮廓模型,进一步分析截面轮廓以计算胶线质量参数。实验证明,测量得到的胶线宽度误差小于0.35 mm,厚度误差小于0.25 mm,满足工业场景中的胶线质量评估要求。

关键词： 载人航天器   交会对接灯   故障目标检测   YOLO v8模型   注意力机制  

摘要： 为了实现载人航天器综合测试期间交会对接灯故障的快速准确识别,提出了一种应用改进YOLO v8模型+注意力机制的交会对接灯故障目标检测模型。该模型在改进YOLO v8模型的基础上,在加强特征提取网络上引入注意力机制模块,对故障目标给予更多关注,提高了密集小目标识别精度。同时,在自制灯数据集上进行仿真试验。试验结果表明:文章提出的模型平均准确率提高为0.91,可以对灯的部分点失效故障目标进行快速、有效识别,为载人航天器综合测试期间交会对接灯智能巡检提供了一种新思路。