关键词： 深度学习   目标检测   改进YOLOv5   障碍物检测  

摘要： 由于隧道施工现场事故频发,通过机器人代替人工进行安全巡检可有效保障工作人员的生命安全。然而,目前该领域的机器人大多需要人工操控,缺乏自主避障能力。针对隧道施工环境下的障碍物检测方法,提出利用改进YOLOv5进行障碍物检测的轻量化模型。首先构建隧道场景下的障碍物数据集;其次修改骨干网络为轻量级Shufflenet v2网络,并将其中的激活函数修改为SiLU函数,以提高检测速度降低计算量;然后引入坐标注意力机制,增强网络学习特征的表达能力;最后将颈部卷积块修改为GSConv,在减小模型计算量的同时提升算法的检测精度。研究结果表明:基于本研究所构建的数据集上进行对比试验,该方法的检测速度较YOLOv5-n原始算法提升了57%,减少了模型对硬件的需求。

关键词： 计算机视觉   焊接模块化   预制系统  

摘要： 本文详细探讨了基于计算机视觉的焊接模块化预制系统的设计与实现,包括系统的总体架构设计、视觉引导的自动焊接技术、数据集成与管理策略以及实时焊接质量监测方法。文中分析了计算机视觉在自动化焊接过程中的关键应用,如焊缝跟踪、缺陷检测和质量评估,并展示了系统通过实验验证的有效性。通过这种集成设计,焊接模块化预制系统能够显著提高生产线的自动化水平,减少了人工干预,同时保障了焊接质量的一致性和可靠性。

关键词： 视频卫星   遥感影像   目标检测   吉林一号  

摘要： 近年来视频卫星的成功研发,使对地表动态目标的实时性监测成为可能。为将视频卫星运用于智能交通领域,首先需实现卫星视频中车辆目标的高效检测,该项技术是获取一切交通信息的前提。然而,卫星拍摄的视频数据与地面监控视频差异悬殊,现有检测算法难以全面、且准确地检测出卫星视频中车辆目标。为此,本研究在对现有检测算法适用性进行评价的基础上,结合视频影像特点,引入特征背景建模法,通过构建非感兴趣区掩膜,剔除大量误检目标,以获取更加准确全面的车辆检测结果。本研究以吉林一号卫星视频作为实验数据,经实验对比,在兼顾查全率的情况下,算法优化后获得的检测结果在检测精准度上得到显著提升。

关键词： 货场集装箱   计算机视觉   深度学习   深度监督   可视化  

摘要： 本文聚焦于解决敞车装载集装箱时存在的流程繁琐、效率低下以及劳动安全风险大等问题,推动敞车装载集装箱向智能化发展。通过运用YOLOv8的目标分割和关键点检测技术,制定相应判断规则,实现对集装箱偏载情况的智能监测。同时搭建可视化平台,利用其界面将装载后的信息实时反馈给门式起重机操作员,省去人工测量环节,提高装载效率,让装载过程更智能化。操作员可据此直观获取集装箱装载情况,快速准确地进行调整。基于YOLOv8算法,模型在分割和关键点检测上的mAP均达99.5%,准确完成箱体的关键点检测和箱体分割,有效解决了敞车装载集装箱偏载问题,具有重要的研究价值与实用意义。

关键词： 机器视觉   卷烟   分水岭算法   分段长度   图像处理   图像分割  

摘要： 随着卷烟行业的快速发展,在生产过程中对卷烟质量的要求越来越高。传统的长度测量方法通常需要人工操作,不仅效率低,而且容易受主观因素影响。卷烟分段长度(卷烟的纸烟部分和滤嘴部分的长度比例)作为一个重要的质量指标受到业界关注。为了提升卷烟分段长度识别精度,提出一种基于机器视觉和分水岭算法的卷烟分段长度识别方法。该方法根据图像的亮度变化区分不同区域,可以有效地对卷烟长度进行分段分割并实现长度测量。实验结果表明,该方法可以实现卷烟分段识别和长度测量,确保卷烟产品的质量稳定性,为卷烟生产过程中的质量控制提供了一种可行的解决方案。

关键词： 煤矿轮式机器人   智能巡检   目标检测算法   金字塔结构   注意力机制   深度学习  

摘要： 在复杂煤矿环境和光照不均等恶劣条件下,现有的目标检测技术难以满足智能巡检需求。为解决这一问题,提出了一种基于改进卷积神经网络和自注意力机制的目标检测方法。首先构建了基于金字塔结构与注意力机制的特征提取网络;在此基础上,设计了双向特征金字塔网络模块,进一步强化特征提取功能;最后,利用YOLO Head模块进行预测处理。试验结果表明:经过2398次迭代后,模型的损失最终稳定在0.01左右,达到了理想的loss效果;模型在迭代至1598次时准确度达到0.95,并在1845次左右进入稳态,是达到稳态最快的模型之一,整体检测时长为3.2 ms;模型能够提升复杂环境下目标检测的精度和效率。

关键词： 目标检测   危险驾驶行为检测   YOLO11   深度膨胀卷积   大型可分离核注意   减少通道空间对象注意力  

摘要： 全球范围内,交通事故发生率不断增长,成为日益突出、不容忽视的严重社会问题。基于此,文章针对危险驾驶行为检测提出了一种目标检测算法——Faster-YOLO11,旨在提高危险驾驶行为检测的效率和准确性。算法以YOLO11作为基础,使用FasterNet作为主干网络,在SPPF(spatial pyramid pooling-fast)中LSK注意力机制,并将颈部网络的C3K2替换为RCSOSA(reparameterized convolution based on channel shuffl e and one-Shot aggregation),以及后处理阶段的Soft-NMS,实现了在保持高检测精度的同时,显著提升了模型的推理速度,为危险驾驶检测领域提供了一种新的解决方案。

关键词： 深度学习   神经网络   目标检测   YOLO  

摘要： 对于野生动物的目标检测与识别,目前仍然存在诸多问题:如野生动物图片标签匮乏、人工采集野生动物图像工作过程单调且低效,利用深度学习方法检测识别野生动物应用较少且精度不高。文中选用YOLOv5神经网络,在图像的预处理阶段,采用归一化和灰度处理方法,增加图像细节,使模型在预测光照条件不均匀时也具有良好的效果;针对数据集尺寸变化较大的特点,采用K-means聚类分析,计算了合适的锚点值,提高了模型识别速度。结论表明,在自建数据集上,整体准确率达到了98.7%,在复杂的野外环境下,准确率达到了91.8%。

关键词： 纸页结构   图像处理   计算机模拟   X-ray CT   渗透性能  

摘要： 纸张作为纤维交织构成的多孔介质,其微观孔隙特征不仅关系到渗透性,还与物理特性及光学表现密切相关。近年来,随着显微图像采集技术、计算机图像处理技术以及计算机模拟技术的飞速发展,纸张的三维结构可视化及其与性能间的相关性成为研究热点。基于此,阐述了纸页结构特点和影响纸页三维结构与性能的主要因素,探究了人工智能技术、计算机技术在纸页结构表征与性能分析中的应用以及研究进展,并以涂布纸为例,基于X射线计算机断层扫描技术(X-rayCT)对纸页进行扫描成像和图像处理,建立纸页三维可视化虚拟结构模型,进一步对纸页渗透性能进行了计算机模拟分析,以期助力新型纸张的结构设计与性能预测。

关键词： 点云   三维目标检测   激光雷达   多模态融合   自动驾驶  

摘要： 三维目标检测是自动驾驶中最关键的技术之一,基于激光雷达的三维目标检测通常在点云构建的场景中进行。目前的三维检测方法不能充分地利用点云的结构信息,这将导致目标物体的误检和漏检。为此,提出了基于动态加权图卷积的DEG R-CNN。首先,在RoI中对节点设置主邻点和次邻点,为目标物体构建点云的图结构,恢复物体的几何信息;然后,在图中利用Gaussian函数和一维卷积,高效地聚合点云的结构特征;最后,使用交叉注意力机制自适应地融合不同粒度的图像特征,为点云补充图像语义信息。在KITTI数据集上进行实验,验证了各个模块的有效性,三维目标检测的3D mAP达到88.80%,相比基线模型提高了1.22%。同时,对三维目标检测的结果进行了可视化,并对可视化结果进行了分析。