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： 改进YOLOv11   卷烟仓储人员   不安全行为   去噪   目标检测  

摘要： 为确保仓储环境内的人员与财产安全,改进传统的YOLOv11目标检测算法,提出一种适用于卷烟仓储复杂环境的人员不安全行为识别方法和模型。首先,统计分析卷烟仓储中常见的不安全行为类型,探讨仓储人员不安全行为的分类,包括物品类、动作类和区域类的不安全行为;其次,基于仓储人员不安全行为的特征,提出数据集增广和去噪预处理的思路,强化细粒度特征提取,进而改进人员行为的显著性映射;然后,通过功能增强模块和K-means++锚框优化改进YOLOv11算法,提出一种卷烟仓储人员不安全行为快速检测方法;最后,利用自建数据集和微软公开数据集(COCO)对比验证方法的有效性。结果表明:该方法能够快速、有效地识别仓储人员的不安全行为,相较于传统方法,识别准确率得到显著提升,2个数据集上的精度分别达到94.91%和88.69%,综合表现更加均衡。

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： 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： 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。

关键词： 高效调优   统一架构   目标检测   图像分类  

摘要： 为解决大规模参数调优问题,一系列高效微调方法诞生,但是在整合不同高效微调方法形成有效统一整体方面还存在挑战。此外,统一调优思想在视觉任务中的应用仍然不足。因此,提出统一参数高效微调架构ETTA(efficient Transformer tuning architecture)。首先通过适配器与前缀调优工作原理的相似性,得出两种方法整合形成统一调优架构的合理性;其次,在适配器选择上,选用效果更好的并行适配器,同时对前缀调优引入可调标量得到缩放前缀调优变体;然后将两种方法整合形成统一调优架构ETTA,把并行适配器作用于Transformer前馈神经网络层并设置较大瓶颈维数,缩放前缀调优作用于多头注意力层并设置较小可调前缀向量数;最后将ETTA用于6个图像分类或目标检测任务,并与三种调优策略进行性能比较。结果表明,采用统一参数高效调优架构后,只对少量参数进行微调就可以接近参数完全微调的效果同时性能良好。证明了ETTA用于计算机视觉任务的有效性及其性能表现。

关键词： 车路协同   YOLOv8   损失函数   模型剪枝   嵌入式部署   边缘计算  

摘要： 车路协同旨在通过信息交换和协作实现智能高效的交通管理,其中高精度、轻量化且易于部署的路侧视角下的车辆与行人检测至关重要。因此,提出基于改进YOLOv8的轻量化交通目标检测模型。首先,引入FasterNet中的FasterBlock替换原始C2f中的某些瓶颈组件,以减少浮点运算量(GFLOPs)和参数量,降低整体模型的复杂性;其次,在模型的颈部网络采用兼顾速度和精度的GSConv(Group Shuffle Convolution)替代原有的卷积核,并引入SlimNeck特征融合模块,使每个特征层能够同时考虑深层特征的语义信息和浅层特征的细节;再次,使用MPDIoU(Minimum Point Distance based Intersection over Union)替换原有的损失函数,以提高模型的边界框回归性能;最后,通过通道剪枝修剪模型网络中的冗余连接,以减小模型规模并提高检测速度。实验结果表明,经过改进和剪枝的模型与原始YOLOv8s相比,精度提升了1.0个百分点,平均精度均值(mAP)提升了1.2个百分点,计算量和参数量分别降低了70.1%和69.4%。并且,在边缘设备Atlas200IDKA2(算力4TOPS,功耗9W)的条件下,所提模型达到了58.03 frame/s的检测速度。

关键词： YOLOv8n   RFAConv   特征提取   C2f  

摘要： 针对现有车辆在行驶环境下检测算法精度低、易受背景环境干扰、难以检测密集小目标车辆和行人的问题,提出了一种基于YOLOv8n算法改进的车辆道路行驶检测算法。将一个P2小目标检测层添加到YOLOv8n算法模型,结合感受野注意卷积的优点重构C2f模块,并利用Focal Modulation模块替换SPPF模块改进算法模型,通过消融实验以及与原始算法进行实验对比分析。结果表明,改进的算法在Cityscapes数据集上检测平均精度达到了55.3%,总体平均精度提升2.7%,平均召回率提升3.7%,且在soda数据集上的检测效果优于其他检测算法,证明了改进算法在道路目标检测方面的有效性和卓越性。