关键词： 方形扁平无引脚封装缺陷检测   YOLOX   目标检测   深度学习  

摘要： 为了实现方形扁平无引脚封装(QFN)芯片表面缺陷检测自动化检测,针对现有检测算法耗时长且准确度不高等问题,提出一种基于YOLOX改进算法的QFN芯片表面缺陷检测方法。通过在主干特征提取网络中添加CA注意力模块,并使用VariFocal损失函数代替原模型中的目标分数损失函数,在轻微增加网络参数量的基础上提升了检测精度。通过改进模型YOLOX-PRO、主流算法和添加模块在自制QFN芯片缺陷样本数据集上的训练测试,以及对比分析,实验结果表明:改进后的算法模型能准确地识别划痕、孔洞、引脚缺失三种缺陷,置信度相对较高,并且模型的平均精度均值达到98.61%,单张缺陷图像的检测速度不超过40 ms,优于传统机器学习算法,能够满足工业生产中对QFN芯片缺陷的实时性检测要求。

关键词： 深度学习   YOLOv8   草莓   目标检测  

摘要： 【目的】解决转色期草莓特征不明显而难以分类及检测的问题,提高机械化采摘场景下草莓检测及成熟度分类的精度与效率。【方法】首先,完成了草莓图像采集和标注、数据集制作等预处理步骤,对数据集的标注情况进行分析与可视化;其次,研究了基于YOLOv8的改进模块,将主干网络替换为FasterNet,引入BiFormer注意力机制,将损失函数修改为FocalEIoU;最后,将YOLO-BiFaster改进模型与YOLOv8n基线模型进行对比,验证改进算法的优越性。【结果】改进后模型的参数量大幅减少,浮点运算量由8.1G降为5.9G,mAP50相比YOLOv8模型提高了1个百分点,达到90.9%;YOLO-BiFaster的mAP50指标在训练初期振荡较小,收敛速度高于基线模型,平均精度均值在训练后期超过基线模型。【结论】改进后的模型具有较高的分类效率和检测精度,为采摘机器人的开发提供了视觉基础,为自动采收的实现提供了基于深度学习的目标识别技术支持。

关键词： 高分影像   地理空间信息   高分辨率遥感影像   尺度分析   道路提取   多分辨率   光谱差异   不连续性  

摘要： 以建筑物和道路为代表的人工目标的空间位置、面积等信息不仅在城市规划、社会经济环境分析、交通管理等领域发挥着重要作用,而且也是基础地理数据库和智慧城市建设的重要地理空间信息。高分影像中的建筑物与道路提取主要面临以下几个难点:①高分影像放大了对地观测尺度,地表信息高度细节化使得地物类内光谱差异增大而类间光谱差异相对减小,“同物异谱”与“异物同谱”现象更加显著;②高分影像中的地物具有多分辨率特点,基于单一尺度分析方法无法取得最好的结果,同时也很难充分发挥高分辨率遥感影像多分辨率的作用;③语义环境复杂,由于阴影、车辆等干扰信息的影响,高分影像中道路目标表现出的空间拓扑不连续性、区域光谱异质性高等特点,导致现有方法稳健性低。论文围绕高分影像多尺度形态学特征分析及其在建筑物和道路检测中的应用开展相关研究工作。对高分影像建筑物和道路提取中的关键技术进行了研究和探索,并提出了相应的解决方案。具体研究内容和成果如下。

关键词： 目标跟踪   稀疏内嵌注意力机制编码器   类间特征聚合编码器   运动特征嵌入  

摘要： 针对现有视觉目标跟踪方法仅使用初始帧的目标单一外观特征,导致当背景复杂或外观发生剧烈变化时跟踪失效的问题,提出一种基于多层特征嵌入的单目标跟踪算法。增强目标的外观区分度,使用稀疏内嵌注意力机制编码器,嵌入具有高实例区分度的外观特征;采用类间特征聚合编码器嵌入目标的类别信息,在外观发生变化时保持类内的紧凑性;同时将预测的历史帧跟踪框坐标转化为目标运动轨迹特征嵌入,为算法提供高置信度的时间上下文特征。研究结果表明:所提算法在OTB100基准测试中成功率和准确率分别达到71.4%和92.6%,在GOT-10K、LaSOT、TrackingNet共3个大规模公开数据上取得了鲁棒的效果,成功率分别达到64.9%、72.0%和78.7%;基于多层特征嵌入的单目标跟踪算法有效地克服了现有算法的局限,具有较好的准确性和鲁棒性。

关键词： 自适应图像预处理   仪表识别   高斯模糊值   多尺度Retinex   YOLOv5  

摘要： 为解决工业生产中的弱光和强光环境导致仪表识别读取困难,提出一种光照自适应图像预处理方法,对相机采集的仪表图片进行增强,采用三通道像素调整和自适应Retinex算法处理。最后,使用YOLOv5识别并提取仪表区域并进行仪表读数实验,实验结果表明,预处理之后的图像,仪表读数率提升32.11%,读数速度提升14.8%,验证了图像增强预处理的有效性。

关键词： 道路目标检测   YOLOv5   特征提取   MPDIoU   注意力机制  

摘要： 主流道路车辆目标检测算法在复杂环境下对小目标识别精度低,易因遮挡和定位不准确造成漏检、误检。提出了改进版YOLOv5算法。针对道路上的小目标,改进Head检测层结构,添加大尺度目标检测层,提高道路上小目标检测精度。为适应目标的形状和尺度变化多样,在颈部网络引入全维动态卷积(Omni-Dimensional Dynamic Convolution,ODConv),对原卷积模块进行替换,提高特征提取能力。为了充分利用全局信息,在颈部网络引入全局注意力机制(Global Attention Mechanism,GAM),提升特征提取能力。针对定位精度问题,引入MPDIoU损失函数,使预测框与真实框更加符合。实验结果表明,改进的YOLOv5算法在自动驾驶数据集KITTI上平均精度均值(mean Average Precision,mAP)达到88.7%,相较于基准模型提高了2%,每秒帧数(Frames per Second,FPS)提升了12%。改进算法的检测精度更高,检测速度更快,有效改善了复杂道路条件下的目标检测问题。

关键词： 体育训练   视频分析   区域检测   骨架提取   动作识别  

摘要： 为进一步提升体育训练中的数据智能分析水平,以体育教学中的武术训练为研究对象,提出一种基于多视角的视频智能分析系统。其中,以体育训练视频分析模块为主要研究对象,分别进行人体区域分割检测、人体骨架提取、步态特征提取和姿态估计,最终完成武术动作的检测识别分类。实验结果表明,分析系统中所构建的混合颜色空间以及改进的ZS细化算法均具有一定的有效性,能够在人体运动区域分割检测和骨架提取中有效提升数据提取精度,进而为后续的武术训练的动作识别分类奠定基础;所构建的分析系统能够精度较高的武术训练过程的动作识别,准确率达到90%以上。综上,所构建的基于多视角的视频智能分析系统能够进行效果良好的武术训练动作识别,可应用于实际的体育训练数据分析中,辅助进行教学质量的提升,可行性较高。

关键词： 目标检测   注意力机制   标签分配   特征交互   深度学习  

摘要： 目标检测技术已成为计算机视觉领域重要的研究方向,在智能制造、自动驾驶等领域发挥关键作用。现有检测算法在复杂场景下仍面临目标尺度变化大、特征表达不充分等挑战。针对这些问题,提出了一种融合多尺度特征交互与动态标签分配的检测框架。该框架通过特征感知增强模块实现深浅层特征的双向交互,利用动态标签分配策略优化样本质量。实验表明,改进的检测框架在复杂场景下取得33.3%的平均精度,较基线模型提升8.0%,在小目标检测任务上尤为显著。

关键词： YOLOv8算法   无人机   目标检测   智能巡检  

摘要： 传统的目标检测算法在无人机应用中面临一些挑战,如高空拍摄环境下的目标过小导致特征不明显、模糊和视角变化等。为克服这些困难,提出了一种基于深度学习的小目标检测算法。该算法基于YOLOv8模型深度改造,以提高在高空环境下对小目标的检测准确性和稳定性。在真实的露天采矿场景中进行了大量的实验和测试,并与传统的目标检测方法进行了比较。实验结果表明,所提算法在30~100 m高空范围内能够有效地检测出矿区中的目标,如人员和车辆。通过应用所提算法和技术,结合无人机的灵活性和机动性,矿区的巡检工作效率得到极大提升,并为危险或难以到达的区域提供了重要的安全保障。

关键词： 目标跟踪   自注意力机制   ROS   位姿检测  

摘要： 针对传统方法在移动机器人位姿检测过程中存在的目标丢失和数据漂移等问题,提出了一种基于ViT深度学习框架的视觉跟踪器,优化了利用ArUco码作为辅助特征标识的位姿检测方法,有效改善了检测效果。通过ROS系统分布式通信方法构建视觉处理平台和移动机器人之间桥梁,测试了不同数据集下跟踪器的性能和跟踪器的加入对整个位姿检测方法的提升效果,实验结果验证了提出的基于视觉优化的移动机器人位姿检测方法的可行性,可以较好地支撑移动机器人展开实时任务。