关键词： 钢材表面缺陷检测   深度学习   目标检测   YOLOv5   空洞卷积   微小目标检测头  

摘要： 针对钢材表面缺陷检测的难点,提出一种基于YOLOv5算法的钢材表面缺陷检测方法。采用二等分的方法进行数据扩充,提高了模型的鲁棒性和泛化性;加入了通道注意力机制,提升了网络对重要特征的提取能力;增加了全局上下文特征提取模块,增强了模型对全局上下文特征的提取能力以及对不同尺寸缺陷的检测能力;增加了微小目标检测头,提升了网络对于微小瑕疵的检测能力。改进后的算法在NEU-DET数据集和GC10-DET数据集上的检测精度分别达到了83.1%和76.24%,较原YOLOv5算法提升了8.11个百分点和6.03个百分点。实验结果表明,改进后的算法性能优异,具有先进性,可以为钢材表面缺陷检测提供新的研究思路,助力于工业生产与发展。

关键词： 古建筑砌体结构   壁画   裂缝   结构健康监测   数据挖掘   计算机视觉  

摘要： 通过接触式和非接触式的裂缝监测技术获取古建筑砌体结构健康监测数据,深入挖掘监测数据的有效信息,解析裂缝特征对古建筑结构监测具有重大意义。该文针对古建筑砌体结构健康监测数据提出了异常识别方法,研究了预测模型,并基于数理方法判断实时监测数据的异常概率;以砌体结构裂缝开合监测数据与结构内部场环境温湿度监测数据为研究对象,探究砌体结构裂缝开合监测数据的周期性特征及其影响因素。考虑到壁画裂缝在成像时相较于单一背景裂缝具有显著的干扰特性,研究了适用于藏式古建壁画裂缝的监测算法,改进U-Net形成了对环境干扰具备鲁棒性的壁画裂缝分割模型。针对大尺寸壁画裂缝,进一步研发了基于组件树SSR的图像分割算法,随后针对监测系统在图像采集过程中的环境影响因素进行了分析与试验,并通过模拟裂缝发展验证了监测系统在裂缝静止和扩张状态下应用的可行性。

关键词： 桑叶病害   YOLOv8   目标检测   模型改进  

摘要： 为提高桑叶病害检测精度,实现将模型方便快速部署到移动端,针对自然环境下桑叶病害病斑小、背景复杂等问题,以YOLOv8为基线模型进行改进,提出了一种YOLOv8-Evo的桑叶病害识别算法。首先在Backbone模块中加入了可变形卷积模块从而更灵活地捕捉病害的细节和形状,其次在Neck模块中增加了CBAM(Convolutional Block Attention Module)注意力机制,发掘图像中的关键特征和区域,最后在18849张桑叶病害数据集上进行验证,相较YOLOv8s模型,YOLOv8-Evo的识别精度提高2.4%,召回率提高1.5%,mAP50提高1%,mAP50-95提高0.7%,实验证明改进的YOLOv8-Evo模型为桑叶病害识别的自动化提供了理论依据与技术支持。

关键词： 肺结节   术前定位   微变放大   计算机视觉   多尺度检测  

摘要： 目的开发一种能够帮助医师定位肺结节的新型识别算法。方法纳入2023年12月于南京大学医学院附属鼓楼医院胸外科行胸腔镜手术的肺结节患者。采集患者60帧/s帧率、1920×1080分辨率的胸腔镜肺表面探查数据,并以定间隔保存帧图像,对帧进行分块处理。用以上数据构建一个针对肺部结节识别的算法数据库。结果共纳入16例患者,其中男9例、女7例,平均年龄(54.9±14.9)岁。在经过优化的多拓扑卷积网络模型中,测试结果显示准确识别率达94.39%。进一步通过整合微变放大技术的卷积网络模型,在识别肺部结节方面的准确率提高至96.90%。将这2个模型的表现综合评估,整体的识别准确率达95.59%。据此,我们推断所提出的网络模型适用于肺部结节的识别任务,且融合微变放大技术的卷积网络在准确率上表现更为优异。结论我们提出的技术模型能够显著提高肺部结节识别的精度和定位准确度并帮助术者在胸腔镜手术过程中定位肺结节。

关键词： 地铁车辆   附着异物   图像识别   深度卷积神经网络   目标检测   数据集   模型训练   训练方法  

摘要： 现有的地铁车辆异物检测模型存在真实训练数据匮乏、检测精度低等问题,难以满足实际应用的需要。对此,从公开数据集和互联网中收集废弃塑料袋等异物图像并标注异物轮廓,利用随机旋转、缩放等方法扩展图像数据,利用泊松融合算法,将异物图像与可能附着异物的图像随机融合,生成附着异物图像数据集。采用随机mixup方法,利用扩充后的数据集,训练基于YOLOv4网络的地铁车辆附着异物检测模型,并开展验证试验。试验结果表明,利用扩充后的异物数据集,采用随机mixup方法训练后的检测模型,检测效果更佳。

关键词： 图像处理   天文观测   海量数据   天文数据   高效传输   AI   承载方案   指数级  

摘要： 近年来,Y省依托西南地区得天独厚的天文观测优势,逐步成为国内重要的天文观测站点,吸引着国内外的天文工作者前来观测研究,被誉为观测“圣地”。随着天文观测技术的快速发展,各类巡天项目观测的广度不断拓展、精度大幅提升,然而,这也致使天文数据量呈指数级迅猛增长,天文观测领域面临严峻的“数据雪崩”困境。因此,如何高效传输观测站内众多望远镜采集的数据,以及对海量数据进行快速梳理并完成相关图像处理的工作,成为天文观测领域亟待解决的新课题。

关键词： 漏磁内检测   管道环焊缝   自动识别   YOLOv5算法   小目标检测  

摘要： 基于漏磁内检测技术,采用PyTorch框架,应用YOLOv5算法对实际管道环焊缝缺陷漏磁信号图像进行了自动识别,通过对算法的进一步优化与改进,分析了其对自动识别准确率的影响。试验结果表明,模型在图像数据混合增强后,各指标均有了显著提升,IoU阈值大于0.5的平均精度提升了近30%;通过增加小目标检测层,大幅降低了目标检测损失函数均值,改善了缺陷的目标检测效果;显著提升了缺陷的识别率,最高提升11.05%,获得了较好的自动识别结果。该方法为管道环焊缝信号异常数据判读提供了高效的方法和技术手段,对于管道智能化检测实际生产作业具有重要作用。

关键词： 图像处理   FPGA   背景差分算法   缺陷检测  

摘要： 为应对传统印刷电路板(PCB)缺陷检测方法存在的检测速度慢、准确率低等问题,设计了基于FPGA的PCB缺陷检测系统。系统采用CMOS OV5640传感器采集PCB图像数据,并对采集的图像进行灰度化、滤波及边缘检测等图像预处理。提出了改进的灰度拉伸算法,通过整体线性拉伸灰度值,图像对比度显著增强;提出了改进的边缘检测算法,扩展传统Sobel边缘检测2算子至8算子边缘检测,提高图像边缘信息的清晰度,增强图像分析与识别的准确性。系统将预处理后的PCB图像和标准模板图像存储在SDRAM中,采用背景差分比算法进行缺陷检测,并选用EP4CE10F17C8N芯片实现系统各模块的FPGA设计。实验结果表明:改进的检测系统在检测精度方面较其他方法显著提升,且相比于PCB缺陷检测软件,FPGA硬件处理速度明显提高。

关键词： 形位测量   坐标变换   图像处理   板式换热器   机器视觉  

摘要： 板式换热器作为新能源汽车制冷系统的重要组成部件,其安装位置精度直接影响整机的装配质量,进而关系到整车制冷系统的稳定性。由于板式换热器生产量大、检测指标多,现有的人工检测方式存在效率低下、无法定量追溯、容易错漏等缺点。因此,提出了一种基于机器视觉的板式换热器孔组形位在线检测方法,以实现板式换热器孔组形位检测的自动化与智能化。通过建立孔位置坐标变换模型,使用单部工业相机经不同位置的多次拍摄获取安装孔与接头孔的二维图像,通过相机标定、图像预处理、特征提取等手段,实时测取换热器孔组之间的位置关系,实现孔组位置度的在线检测。实验选用六组样品分别采用三坐标影像仪以及线激光测量产品位置度并与本文方法测得位置度结果进行对比,同时对测量系统进行不确定度分析,结果表明:所提检测方法的测量误差小于0.025 mm,具有较高的检测精度,能够满足生产线自动化检测需求。

关键词： 柑橘果实   目标检测   YOLO   生育期识别  

摘要： 为解决现阶段柑橘生育期信息的获取主要依靠人工观测的效率低、主观性强等问题。首先提出一种基于FEAConv-YOLO v5的柑橘果实目标检测算法,提出FEConv与FEAConv等2种特征增强卷积核,替代YOLO v5网络中卷积核,然后进行消融试验验证各改进点的有效性,再与Faster-RCNN、YOLO v4、SSD等3个网络模型进行检测能力的对比,最后用测试集验证改进后的模型性能。其次,设计一种融合大气环境特征与果实表型特征的多模态特征果实生育期识别模型,利用ResNet18作为CNN的分类网络,提取柑橘表型特征;利用ANN作为大气环境数据特征提取网络,对FEAConv-YOLO v5所检测到的柑橘目标进行分类识别,并用混淆矩阵评价模型的分类性能。结果表明,改进后的目标检测模型收敛效果好,损失值比YOLO算法更低,消融试验中将FEConv替代主干部分卷积核后,准确率、召回率和平均精度均值分别较原模型提高0.9、0.6、0.7百分点;将FEAConv替代Neck部分卷积核后,准确率、召回率和平均精度均值分别提高1.4、1.0、1.5百分点;同时融入FEConv与FEAConv后,准确率、召回率和平均精度均值分别提高2.1、2.2、2.7百分点。在对比试验中,改进模型的平均精度均值达到了90.3%,检测速率达到了2.72帧/ms,在4个网络模型里面显示最优。其次,生育期识别模型中幼果期分类精度为96.7%,果实膨大期的分类精度为93.6%,果实成熟期的分类精度为100%,平均分类精度为96.8%。FEAConv-YOLO v5网络可以在满足时间要求的前提下,有效提升检测精度,减少小柑橘目标与遮挡目标的漏检问题。同时,多模态融合的果实目标发育期识别网络具有较高的分类精度。