关键词： 目标检测   目标分割   卷积神经网络   工业智能化  

摘要： 在部分生产线上,钢坯从炉内出炉的过程中,需要依靠人眼判断钢坯是否到达指定位置,到位后再利用推钢机推动炉内的钢坯完成出炉过程。在这个过程中,人眼长时间观察摄像头屏幕容易疲劳,人工劳动强度大成本高,生产工作效率较低。针对以上问题,文中提出利用机器视觉系统替代人类视觉系统进行钢坯位置的实时定位,首先将钢坯定位问题转换为关键点检测问题,然后提出了基于ResNet网络和基于关键点分割网络(Key Point Segmentation Network,KPSN)的两种模型来进行关键点检测,最后,通过测试和分析所提出的两种方法,提出了多方法融合的关键点检测方案,降低了极端情况下误检的风险,实际应用表明,文中所提方法具有较高的鲁棒性,达到了实际应用的要求。

关键词： 结构光   图像处理   焊缝成形   检测系统  

摘要： 为了实时检测铝合金焊缝成形质量,搭建了一套基于线结构光的视觉检测系统。首先理论分析了传感器的成像模型,并结合相机标定和光平面标定获取了坐标系间的映射关系;其次根据激光条纹的灰度分布以及连续性特点,利用改进的几何中心法得到拟合准确度高、连通性好的中心线;最后,采用该系统对搭接焊缝的成形尺寸参数进行了在线检测试验。结果表明,该系统的检测精度和图像检测速度分别达到0.3 mm和25 Hz,且稳定性良好,满足工业实时检测需求。

关键词： 目标检测   小样本学习   遥感图像   注意力机制   对比学习  

摘要： 对遥感图像进行目标检测,具有广阔的应用前景。针对小样本背景下遥感图像目标检测任务存在特征提取不足、定位困难和分类易混淆的问题,本文提出了一种基于协同注意力模块和对比学习分支的小样本目标检测算法。首先,对训练样本进行数据增强操作,以扩充数据集规模;其次,提出了一种协同注意力模块,包括设计的背景衰减注意力和空间感知注意力,利用遥感图像丰富的背景与目标特征信息,指导网络关注与目标定位相关的重点信息,从而便于RPN网络生成更好的区域建议框,减少遗漏目标的概率,提升模型对小样本类别的定位性能;然后,设计了一种对比学习分支。基于设计的对比损失函数,通过联合训练策略,在训练时从特征学习逐步过渡到分类器学习,提高了分类的准确率;最后,设计出一种基于微调的迁移学习范式的小样本目标检测模型,分为基础训练阶段和微调阶段,在基础训练阶段借助充足的基类样本训练模型学习类无关的参数,在微调阶段使用制作的小样本数据集帮助目标检测模型适应特定类别目标,提升其检测性能。此外,本文以两阶段微调方法TFA(Two-stage Fine-tuning Approach)为基准,通过在遥感数据集NWPU VHR-10和DIOR上验证本文提出算法的有效性,结果显示本文算法在NWPU VHR-10和DIOR数据集上与其他基准算法相比,平均精度均有大幅提升。

关键词： 小目标检测   注意力机制   特征融合   损失函数  

摘要： 小目标检测作为目标检测中一项极具挑战性的项目,广泛分布于日常生活中,在视频监控场景中,距离摄像头约20 m远处的行人人脸就可以被认为是小目标.由于人脸可能相互遮挡并容易受到噪声和天气光照条件的影响,现有的目标检测模型在这类小目标上的性能劣于中大型目标.针对此类问题,本文提出了改进后的YOLOv7模型,添加了高分辨率检测头,并基于GhostNetV2对骨干网络进行了改造;同时基于BiFPN和SA注意力模块替换PANet结构,增强多尺度特征融合能力;结合Wasserstein距离改进了原来的CIoU损失函数,降低了小目标对锚框位置偏移的敏感性.本文在公开数据集VisDrone2019以及自制的视频监控数据集上进行了对比实验.实验表明,本文提出的改进方法mAP指标在VisDrone2019数据集上提高到了50.1%,在自制视频监控数据集上高于现有方法1.6个百分点,有效提高了小目标检测的能力,并在GTX1080Ti上达到了较好的实时性.

关键词： YOLOv5   OpenCL   视觉测距   目标检测  

摘要： 视觉目标检测与测距是一种利用计算机视觉技术实现对图像或视频中目标物体进行检测和测距的技术。该技术在工业自动化领域发挥着重要的作用。基于YOLOv5算法,进行目标检测时,采用视差计算算法透视变换来估计每个像素的视差值,并利用训练的视差神经网络模型代替传统三角测量原理实现目标检测和测距,为了加快计算速度,使用最新并行计算框架OpenCL来充分发挥计算设备的并行计算能力,运行效率提高了43%,实现了更准确、更快速的检测目标,并提高了测距精度。首先系统调用双目摄像机检测出目标物品,并得到相应的边界框和置信度,然后利用相机的视角差异,双目视觉的立体匹配功能,计算目标物体的实际距离。实验在室外进行,结果表明该系统能准确检测室外目标障碍物,并实现目标测距,在0.5~1.5 m范围内测距误差不超过4%,为巡检机器人自动避开障碍物提供技术参考。

关键词： 图像处理   压缩感知   灵敏度编码   字典学习   交替方向乘子法  

摘要： 灵敏度编码(SENSE)方法利用多个线圈的灵敏度信息来减少扫描时间,利用SENSE模型重构的图像易存在伪影,不利于医学诊断。为减少重叠伪影,提高磁共振成像质量,将分类图像块的快速正交字典引入SENSE模型中,得到一种基于多分类字典学习的灵敏度编码重建算法。该算法通过对图像块分类,在每个类中训练字典,得到不同类别的多个字典,运用交替方向乘子法进行图像重构。在人体脑部和膝盖数据上进行实验,结果表明:相比于TV-SENSE、TVLORAKS-SENSE和LpTV-SENSE算法,所提算法的平均信噪比分别提高了1.53 dB、1.22 dB和1.05 dB,重构图像与参考图像的一致性较高,图像细节部分和边缘轮廓信息保留完整。

关键词： 图像处理   目标检测   电动汽车充电口   注意力机制   多尺度融合   YOLOv5  

摘要： 针对无人自动充电桩工作过程中背景复杂导致电动汽车充电口识别精度低等问题,提出基于改进YOLOv5算法的一种电动汽车充电口识别方法。采用融入加权双向特征金字塔结构增强不同层级间的信息融合能力;引入GhostNet网络结构中的深度可分离卷积GhostConv,替代原模型中的特征提取网络中的普通卷积层,减小了模型的计算开销;主干网络中使用SENet结构增加感受野信息,提高模型对充电口特征的提取能力;同时改进模型损失函数,引入EIoU损失函数代替原始CIoU损失函数,提高边界框回归精度。实验结果表明:改进后的模型在自制的多样化电动汽车充电口数据集上相较于原始YOLOv5算法在模型体积上减小了6.94 MB,检测精度提升到94.75%。同时与目前主流的检测算法对比,检测精度与检测速度也具有一定的优越性,适用于复杂背景环境下的电动汽车充电口的目标检测。

关键词： 深度学习   小目标检测算法   铁路货场   异物侵限   SSD算法   特征金字塔网络  

摘要： 为解决铁路货场异物侵限场景中小目标检测难度大、准确率不高、检测效果不佳的问题,提出基于特征金字塔网络的改进型单阶多框检测(SSD)算法。通过研究现阶段铁路货场业务管理现状、异物侵限场景及对应的检测技术,对小目标检测现存问题进行归类总结;通过在SSD算法的检测网络部分增加不同特征层信息的金字塔网络结构,提高小目标检测效率。根据改进前后2种算法在铁路货场异物侵限场景的试验数据对比,得出改进型SSD算法推理阶段的检出精度更高,可有效提高小目标检测效率和准确率,为铁路货场智能化安全管控提供有力的技术支撑。

关键词： 多目标跟踪(MOT)   数据关联   回归损失   特征平衡性   级联匹配方法  

摘要： 目的 针对模糊行人特征造成身份切换的问题和复杂场景下目标之间遮挡造成跟踪精度降低的问题,提出AIoU-Tracker多目标跟踪算法。方法 首先根据骨干网络检测头设计了一个特殊的AIoU(adaptive intersection over union)回归损失函数,从重叠面积、中心点距离和纵横比3个方面去衡量,缓解了由于模糊行人特征判别性不足造成的身份切换现象;其次提出了一种简单有效的层级(hierarchical)关联策略,在高分检测框和低分检测框分别关联之后,充分利用关联失败检测框周围的嵌入信息再次进行关联,提高了在遮挡条件下多目标跟踪的关联精度。结果 通过一系列的对比实验,提出的AIoU-Tracker跟踪方法相比于FairMOT跟踪方法在MOT16数据集上,HOTA(higher order tracking accuracy)值由58.3%提高至59.8%,IDF1(ID F1 score)值由72.6%提高至73.1%,MOTA(multi-object tracking accuracy)值由69.3%提高至74.4%;在MOT17数据集上,HOTA值由59.3%提高至59.9%,IDF1值由72.3%提高至72.9%。结论 本文提出的特征平衡性跟踪方法,使边界框大小特征、热图特征和中心点偏移量特征在训练测试中达到了更好的平衡,使多目标跟踪结果更加准确。

关键词： 矿井智能监控   边云协同   目标检测   Swin Transformer   YOLOv5  

摘要： 矿井视频监控在保障煤矿企业生产安全方面有着关键作用。目前矿井智能监控技术主要在云端进行监控数据处理,存在着网络拥塞,计算要求高等问题。针对该问题,研究了边云协同矿井视频监控总体架构,提出了基于任务卸载的自适应视频帧卸载策略,利用边缘端检测速度快、精度高、实时性强的优点,进行模型的优化更新,实现边云协同架构的不断完善。针对YOLOv5模型检测精度低,深层网络结构易发生梯度消失和过拟合的问题,Transformer应用到视觉领域面临同一种目标的多尺度无法识别和高分辨率图像构成的序列过长,计算量大,显存资源不足的问题,构建了基于Swin Transformer-YOLOv5的目标检测模型。实验结果表明,基于ST-YOLOv5的目标检测模型,提高了平均检测精度,适用于矿井智能工作面边缘端设备部署。