关键词： 计算机视觉   机器学习   自动化监测   辅助决策  

摘要： 阐述基于计算机视觉的电气安装与维修自动化技术。通过分析和识别电气设备的图像信息，结合智能算法和机器学习方法，实现对电气安装和维修过程的自动化监测和辅助决策。

关键词： 道路检测   图像处理技术   研究   实践  

摘要： 在现代社会飞快发展的背景下，图像处理技术在诸多领域得到广泛应用，极大促进了信息的传播和共享，但是图像处理技术在道路检测系统中的运用却面临着重重挑战。借助图像处理技术能够提高信号传输质量、缓解传输压力、推动道路检测系统高水平发展。文章围绕道路检测系统中图像处理技术的应用情况展开论述，在剖析道路检测系统发展难点的基础上，多角度促进图像处理技术的有效应用。

关键词： CT扫描   图像处理   煤体裂隙结构   细观参数   三维数值模型  

摘要： 煤岩体内部含有大量形态迥异的裂隙结构，其间接影响并决定着煤岩体的力学性质，准确把握裂隙结构并重构三维数值模型是研究煤岩体力学性质的必要途径。采用CT扫描、岩石力学试验、图像处理技术、RFPA3D-CT相结合的方法对煤样切片进行阈值分割，提取煤样三维裂隙结构，建立与所研究煤样内部裂隙结构、力学性质基本一致的三维数值模型，嵌入RFPA3DCT进行单轴加载数值模拟分析。结果表明：煤样三维数值模型能较好地反映其内部复杂的细观裂隙结构，其单轴压缩试验与数值模拟试验在破坏形态、应力应变曲线上具有较强的相似性，且两者单轴抗压强度平均误差仅为1.56%，弹性模量平均误差仅为2.22%，进而验证了煤样三维数值模型构建方法的正确性。

关键词： 水面目标   小目标检测   轻量化   YOLOv5   模型剪枝   知识蒸馏  

摘要： 为提升内河航行场景下水面小目标的检测效果，降低模型复杂度，提出一种基于改进YOLOv5l的轻量化水面目标检测模型。首先，对定位损失函数进行改进，提出NWD-CIoU函数，可提升模型对小目标的召回率，增加模型的多尺度目标检测能力。其次，将FasterBlock模块与C3模块结合，提出C3＿Faster模块，对YOLOv5l模型的主干网络进行优化，减少网络参数，降低模型复杂度。再次，基于Slimming方法对模型进行剪枝，大幅修剪冗余连接，以减少模型参数和运算复杂度，提升推理速度。最后，基于通道知识蒸馏方法，以YOLOv5x作为教师模型对剪枝后模型进行蒸馏，以提升模型的检测效果。实验结果表明，本文模型对内河航行场景下的水面目标具有较好的检测效果和检测速度，相比原YOLOv5l模型，参数量减少了81.48%,GFLOPs减少了80.69%。该模型更适合在计算资源受限的移动设备上部署，具有一定的工程意义。

关键词： 数据融合  

ISBN: (纸本)9787518454389

摘要： 本书以多模态数据融合研究为目标，以可见光图像和深度图像融合的RGB-D图像为例，着重介绍多模态数据在目标检测与跟踪的最新研究成果以及应用案例。

关键词： 北极   北极气旋识别   ERA5   深度学习   YOLOv5s模型  

摘要： 北极气旋是影响北极环境的主要天气系统之一,对其准确识别对北极航海保障具有至关重要的意义。本文基于欧洲中期天气预报中心推出的第五代大气再分析产品（ERA5）平均海平面气压数据,构建北极气旋目标检测的数据集,训练北极气旋识别的深度学习目标检测You Only Look Once version5（YOLOv5s）模型,并与其他深度学习目标检测模型Single Shot Multibox Detector（SSD）、Faster R-CNN、YOLOv4进行性能的验证与比较。试验结果表明,YOLOv5s的检测精确率、平均准确率和刷新频率分别为95.26%、98.09%和64.85 s-1,刷新频率较其余4种模型中效果最好的SSD模型提高了15.65 s-1。YOLOv5s模型检测速度快、精度高且具有更好的识别能力,能够有效识别北极气旋目标,对北极气旋的识别具有较好的应用前景。因此,本文选取2021年冬季、夏季的北极气旋进行个例分析。结果显示,冬季3月8日12时产生的北极气旋生命周期为48 h,平均强度为54.62,夏季9月21日6时的气旋生命周期为84 h,平均强度为42.82,符合北极气旋生命周期夏长冬短,气旋强度冬强夏弱的特点。YOLOv5s模型为北极气旋的检测识别提供了新方法和新思路。

关键词： 水平回油管   两相流型辨识   图像处理   小波分解   Elman循环神经网络  

摘要： 为探究航空发动机回油管尺度下以润滑油和封严空气为主要介质的油气两相流相分布特征，实现回油管内流型准确辨识，提出了一种基于图像处理的两相流型辨识模型。该模型基于航空发动机工况下水平回油管内油气两相流实验获取的4种典型流型图像结果，以双边滤波、二值化、小波分解等图像处理技术提取的流型特征数据集为输入，采用Elman循环神经网络模型实现流型辨识。结果表明：在航空发动机工况范围内，回油管内会出现4种典型流型：弹状流、层状流、波状流和环状流。基于流型图像的辨识模型能够成功辨识4种不同流型，且在验证集上辨识准确率为93.06%、宏F1为97.60%，具有较好的准确性和稳健性。

关键词： 日光温室   场景识别   特征聚合   视觉Transformer   图像处理  

摘要： 场景识别可作为温室环境空间定位的替代方案，也是智能农机装备视觉系统的重要功能之一。针对以特征聚类为基础的场景识别范式无法适应高动态变化且高度相似的温室场景识别的问题，提出一种基于深度特征聚合的温室场景识别方法，以预训练的视觉Transformer网络为基础，提取场景图像局部特征，应用多层感知机全局感受野特性，考虑局部特征空间关系，融合图像局部特征，生成场景图像全局描述子，以多重相似性损失最小化为优化目标，构建温室场景识别模型。试验结果表明，模型场景识别R@1(top-1召回率)、R@5和R@10分别达到78.43%、89.21%和92.47%,具有较高的场景识别精度。所提出的基于多层感知机的特征混合方法是有效的，与采用池化操作进行特征聚合相比，R@1提高8.01个百分点。模型对光照条件变化具有一定的鲁棒性，与正常的中等光照条件相比，强光及弱光条件下，R@1下降未超过4.00个百分点。相机视角及采样距离的变化也会影响模型识别性能，20°以内的视角变化，R@1下降6.61个百分点，2倍以内的距离变化，R@1下降17.87个百分点。与现有场景识别基准方法NetVLAD、GeM、Patch-NetVLAD、MultiRes-NetVLAD和MixVPR相比，R@1分别提高7.82、6.59、3.56、4.14、1.88个百分点，在温室场景识别任务上模型性能有较大提升。该研究构建的基于多层感知机的图像全局特征聚合方法，能够生成可靠的全局描述子，用于温室场景识别，且具有一定的光照、视角、距离及时间变化的鲁棒性，研究结果可为智能农机视觉系统设计提供技术参考。

关键词： 深水检测   隐蔽病害识别   损伤识别   目标检测   人工智能  

摘要： 大坝长期服役过程中，在水环境和外部荷载的交互耦合作用下，其深水结构部位易出现各类缺陷病害，影响工程服役安全稳定和功能发挥。水下机器人搭载可见光相机，可以非接触形式实现结构损伤的高分辨率空间信息采集，如何从海量图像视频数据中提取结构损伤密切相关信息成为当前亟待解决的关键问题。结合机器视觉和深度学习理论方法，提出了一种兼顾检测精度和推理效率的大坝深水多类别缺陷实时目标检测方法。该框架以单阶段目标检测网络YOLOv5-s为基模型，构建大坝多类别缺陷识别器；利用模型稀疏化和剪枝策略，改变模型批处理层权重分布并去除模型冗余参数；进一步地，综合运用模型迁移和知识蒸馏理论，恢复由于剪枝压缩带来的精度劣化问题，据此构建出强背景干扰下大坝深水多类别缺陷实时检测方法。以某高坝深水探测工程为实例，引入多种深度学习目标检测算法作为对比，验证所提方法在障碍物遮挡、低可见度、光照不均等复杂深水检测场景的效果。案例分析结果表明，该方法可有效克服多种水下不利成像环境干扰，并准确辨识、区分不同类型缺陷，量化其真实尺寸。此外，剪枝后轻量化模型每秒可推理超过100张缺陷图像，具备较强的实时推理能力。

关键词： 3D目标检测   多尺度特征   自适应非极大值抑制  

摘要： 3D目标检测是自动驾驶感知系统的关键技术之一,能准确检测驾驶环境的状态从而保证行车安全。针对自动驾驶场景中行人和骑行者等小目标的3D检测精度较低的问题,提出一种基于多尺度特征和自适应非极大值抑制的3D目标检测算法。首先,设计多尺度特征提取器,以获取大、中、小尺度的特征。其次,设计多尺度检测头以生成不同尺寸目标的候选框,从而补充小目标候选框。为了平衡多尺度候选框的数量,设计一种基于ANMS的候选框筛选算法,提高了对不同尺寸目标的检测精度。在KITTI数据集上的结果表明,改进算法在确保汽车类目标检测精度的同时,对行人和骑行者的检测精度达到62.57%和73.30%,比基线算法高2.04%和1.33%,验证了改进算法在小目标检测方面具有较好的3D检测性能。