关键词： 混凝土检测   目标检测   YOLOv5s   注意力机制   智能监管  

摘要： 为研发一种核心智能算法,以监管云平台系统,实现工程试验室检测过程的智能监管。以混凝土试块抗压试验为例,采用改进的YOLOv5s算法对试验室全程影像进行实时识别,确保混凝土试块全过程的无缝监控。通过建立YOLOv5s的混凝土试块目标检测模型,并在网络中添加SE通道注意力模块,该模型能够实时监测混凝土试块的位置和状态,应对实验室环境中的复杂情况,从而显著提升智能识别的准确性和鲁棒性。试验结果表明,改进的YOLOv5s算法在混凝土试块识别方面表现出色,各项性能指标得到显著提升。通过智能算法与云平台技术的结合,该研究为实验室检测活动提供了一种先进的监管解决方案,实现了检测全流程的智能监管。这一方法确保了检测结果的客观性和可靠性,为工程检测质量的智能监管提供了新途径。

关键词： 人工智能技术   计算机视觉   领航者   北极星   炙手可热   突破口  

摘要： 这是一位站在人工智能技术最前沿的领航者,火热的领域同时也造就了炙手可热的她。但她的经历却和领域内很多顶尖的人才不一样。15岁才随父母进入美国的她需要同时面对异国的语言和极剧变化的家境。但她仍在父母的鼎力支持下找到了属于自己的“北极星”。随后,她开始和导师一同在人工智能技术遇冷的时期寻找未来的突破口。这本自传记录了她的经历和她所看见的世界,当然也同时见证了计算机视觉领域的飞跃。

关键词： 智慧养殖   大数据   物联网   计算机视觉  

摘要： 智慧养殖业对准确高效监测动物生长信息、健康信息以及生长环境,以提高现代养殖水平的需求日益增长,大数据技术、物联网技术和计算机视觉的飞速发展为满足该需求提供了巨大的契机。计算机视觉对于采集到的图像、视频信息具有强大的解析能力和表示能力,适合于复杂养殖环境中动物特征的提取、动物生长环境的分析,有助于提升养殖水平。重点论述了目前计算机视觉在智慧养殖领域的研究进展,分析了应用中存在的问题,并对其未来发展方向进行了展望,旨在为推进中国养殖产业转型升级和可持续发展提供理论支持。

关键词： 计算机视觉技术   林业统计   林业工程   自动统计   识别方法   操作过程   林业信息技术   创新与发展  

摘要： 计算机视觉技术已经嵌入到多个工程领域,尤其是在林业工程中,已然在逐步改变传统的林业统计研究手段,促进林业信息技术的创新与发展。在林业工程实践中,树木数量的统计常面临准确性不足、操作过程复杂等问题,因此迫切需要一种能够自动统计树木数量的方法。利用计算机视觉的理论和技术代替人工实现自动化,为统计树木数量提供了一种更为高效和理想的解决方案,使得计算机视觉技术在林业工程中得到进一步广泛应用。

关键词： 风电叶片   图像处理   损伤检测   识别定位系统  

摘要： 设计一套基于图像处理的风电叶片损伤识别定位系统。首先,耦合图像滤波、分割和形态学处理等图像处理算法实现损伤区域的检测识别;然后,基于多边形拟合结果,结合质心定位算法和外接矩形的位置坐标实现叶片损伤的精确定位;最后,依据提取到的基础几何特征、形状因子和长短径之比等图像特征实现叶片损伤类型的准确判断;通过对比不同光照条件下的叶片损伤检测效果,验证了本系统具有一定的自适应能力。试验表明,本系统的平均检测准确率为90%,具备一定的可靠性和稳定性。

关键词： 图像处理   图像分割   果树   多器官   YOLOv8s   多尺度目标识别  

摘要： 为解决多器官特征识别存在的多器官数据集难以获取以及待处理数据集存在的密集小目标和多尺度目标等问题,该研究提出了一种基于改进YOLOv8s的果实与叶片器官分割方法。该方法以YOLOv8s为基础,在Backbone部分设计了跨阶段局部残差(residual CSPLayer 2Conv,RC2)模块,以拓宽每个网络层的感受野,使网络能充分提取密集的小目标特征。在Neck部分设计了尺度空间金字塔池化(scale spatial pyramid pooling,SSPP)模块,以充分融合网络的高阶多尺度特征信息,增强模型对多尺度目标的检测能力。在Head部分设计了非对称解耦检测头(asymmetric decoupling detection head,ADDH)模块,使模型分类更关注于中心内容,而回归更关注于边缘信息。试验结果表明,在PlantCLEF2022公共数据集中选取的17种果树的数据集中,改进的YOLOv8s模型对果树果实和叶片器官识别的平均精度均值为90.2%,比YOLOv8s模型高6.7个百分点。此外,该研究还将该模型应用到自建的枣数据集上,达到了99.1%的识别准确率,较原模型提升6.6个百分点,证明了所提出方法的通用性,可为常见果树的器官分割与基于多器官特征的细粒度品种分类研究提供参考。

关键词： 建筑材料   混凝土质量控制   混凝土坍落度   深度学习   计算机视觉  

摘要： 随着城市化建设的大幅加快,混凝土作为最重要的建筑材料之一,在生产与施工过程中进行质量控制尤为重要。然而,传统的混凝土工作性能检测方法十分费时费力,并且检测结果的准确性受到人为操作因素的影响较大,不利于工程建设的安全与高效实施。本文提出了一种简便、高效的混凝土坍落度检测方法,采用深度学习对混凝土拌合物图像进行识别,达到快速检测混凝土坍落度的目的。本次采用了ResNet,ResNeXt,DenseNet和MobilenetV3架构进行图像分析,经过数据构建、模型训练和应用测试,分析结果证明了计算机视觉方法在混凝土坍落度检测过程中的有效性和准确性,促进建筑工程行业的数字化智能化技术应用进一步发展。

关键词： 目标检测   自注意力   解耦检测头   轻量化卷积   YOLOv5s  

摘要： 为应对车流量、时间地点和天气等因素给交通车辆检测带来的挑战,提出基于YOLOv5s模型的新算法。该改进模型适用于各种交通场景,其改进如下:在特征串联阶段引入高效的二维局部特征叠加自注意力(ELFSa),以增强模型对目标的感知能力;将YOLOv5s的检测头替换为简易特定于任务的上下文解耦(S-TSCODE),以实现分类和定位子任务之间的完美平衡,从而改善模型的收敛;为减少运算负担,模型中的大于3×3的部分卷积操作被替换成了GSConv。实验结果显示,改进的YOLOv5s在各方面均有提升,其中mAP_(@0.5)为98.9%,mAP_(@0.5:0.95)为87.0%,分别提升0.1%和1.5%。针对各种复杂的交通场景,所提出的方法增强了车辆检测的性能和鲁棒性。

关键词： 图像处理   地下管道缺陷   目标检测   YOLOv7网络   轻量化网络  

摘要： 针对城镇地下管网规模巨大、传统的人工检测方法已不能满足现在工程需求的问题,提出采用MobileNetv3-YOLOv7网络模型作为地下管道缺陷目标检测的算法来提升检测的精度和速度。首先,管道图像数据集进行预处理,对输入图像灰度化及重采样,均衡样本的数量;其次,将轻量化网络MobileNetv3和YOLOv7网络框架相结合,增加BiFPN特征金字塔结构以提高精确度;然后,在数据处理方面通过Mosaic数据增强方式提高该模型的鲁棒性;最后,设计YOLOv7网络模型的对比实验验证本模型的可行性。在Pytorch实验框架下,对MobileNetv3-YOLOv7网络模型进行了验证。实验结果表明,该模型可减少参数计算量,并且平均准确率有所提高。

关键词： 未爆子弹药   图像数据集   深度学习   三维重建   图像处理  

摘要： 随着计算机技术和机器视觉技术的迅速发展与应用,探索基于“人工智能+”模型的未爆子弹药搜寻技术受到了广泛关注。但是,由于未爆子弹药具有一定的危险性和受军事应用的特殊性影响,数据集构建是目前亟待解决的瓶颈问题。本文由此出发,分别论述了真实实物图像数据集和利用实物图片进行三维重建数据集的构建方法及流程,重点分析了两种数据集构建过程中的相关关键技术及其优缺点,并给出了一种利用多目相机采集目标图像和地理坐标信息,然后利用深度学习算法进行目标特征提取、生成三维点云和融合三维图像。试验结果表明,采用该方法构建的三维数据集可以有效解决未爆子弹药现有数据集数据量不足的问题,最后展望了数据集构建方法的未来发展方向。