关键词： 低照度图像增强   HSV颜色空间   卷积神经网络   计算机视觉   正则化  

摘要： 为改善恶劣情况下低照度图像亮度不均匀、细节信息丢失等问题,将传统的红、绿、蓝(RGB)颜色空间转换到色调、饱和度、亮度(HSV)颜色空间,通过HSV颜色空间进行分量提取和图像增强。利用特征提取网络和纹理细化网络构建级联卷积神经网络,并与视觉感官色彩空间相结合,进行低照度图像的增强。采用正则化缓解模型的过拟合现象,并通过仿真实验对比验证了该模型在低照度图像上的增强效果,亮度、对比度、饱和度以及色调方面均表现出良好的增强效果。模型在RELLISUR数据集和Exclusive-Dark数据集上的峰值信噪比分别为24.32和26.70,结构相似度分别为0.97和0.96,对比度分别为9.12和8.89,在两个数据集上的运算时间分别为1.33 s和1.38 s。除运算时间方面较为落后外,其余指标均为最优值,并且结构相似度最接近于1,表明该模型能够有效还原图像细节信息,具有良好的科学性与实用性。

关键词： 多目标跟踪   多模态融合   跟踪嵌入   轨迹修正  

摘要： 点云和图像的多模态特征具有很强的优势互补性,能够有效提升三维多目标跟踪的性能。然而,由于跟踪场景的复杂性和目标状态的不确定性,使得目标跟踪仍面临许多挑战。基于此,提出多模态嵌入与轨迹修正的三维多目标跟踪算法。首先构建多模态嵌入学习网络,通过多尺度语义特征学习与多模态再融合模块,学习更具判别性的嵌入表示;其次,提出多特征综合关联模块,联合跟踪嵌入和几何信息,同时修正角度预测错误,实现更精确的数据关联;最后,提出双流轨迹修正与管理算法,修正错误消失轨迹,以提升轨迹的准确性。在KITTI数据集上对提出的方法进行评估并与其他先进方法进行比较,该方法的HOTA指标达到了77.72%,MOTA指标达到了88.24%,整体体现出较好的跟踪性能。实验证明该方法有效地提升了跟踪精度,并减少了跟踪错误的发生,具有良好的跟踪性能。

关键词： 人工智能   机器视觉   FasterR-CNN   自动识别结算   硬件设计   图像处理  

摘要： 设计了一款基于人工智能视觉技术的菜品自动识别结算设备,旨在提高餐饮业效率和用户体验。硬件方面,采用高性能图像数据采集装置和图像处理单元的自助结算AI智慧餐台,确保系统能够快速响应并确保稳定性。软件方面,菜品图像通过机器视觉算法快速准确识别,生成订单并传输至支付端,实现自动结算。销售数据可与云端大数据分析对接。相较传统点餐结算方式,该设备提供了更便捷的结算方式,减少了人工操作,最大限度避免了计算错误,有助于精准运营。实验证明,该设备在不同环境下表现出色,对提升餐厅服务质量和效率具有明显效果。

关键词： YOLOv5   羽毛球   目标检测   卷积神经网络  

摘要： 提出一种基于YOLOv5目标检测模型的羽毛球落点检测与统计系统.该系统通过摄像机拍摄羽毛球运动视频或图片,运用YOLOv5目标检测模型对羽毛球进行识别和落点统计,实验验证了系统的有效性和准确性,应用该系统有助于提高羽毛球运动员的训练水平和竞技水平.

关键词： 目标检测   YOLOv7   GSConv   WIoU   特征融合  

摘要： YOLOv7是一种目标检测算法,但其在一些资源受限的设备上可能面临计算和内存压力。为了解决该问题,本文提出了使用GSConv对YOLOv7模型进行改进,在减轻复杂度的同时,添加P2检测层和WIoU损失函数增加模型的检测性能。为了验证我们提出的方法的有效性,我们进行了一系列实验和比较。我们选取了标准的YOLOv7模型作为基准,并使用PASCAL VOC2007公开数据集进行训练和测试。实验结果表明,相较于标准模型,本文提出的模型可以显著减少参数量,同时保持较高的检测精度,为在资源受限的设备上部署和运行YOLOv7模型提供了可行的解决方案。YOLOv7 is an object detection algorithm, but it may encounter computational and memory pressures on certain resource-constrained devices. To tackle this challenge, this paper proposes enhancing the YOLOv7 model using GSConv, incorporating a P2 detection layer and a WIoU loss function to bolster the model’s detection capabilities while minimizing complexity. To validate the efficacy of our approach, we conducted a series of experiments and comparisons. We adopted the standard YOLOv7 model as the baseline and trained and tested it using the PASCAL VOC2007 public dataset. The experimental results demonstrate that, compared to the standard model, our proposed model can significantly reduce the number of parameters while maintaining high detection accuracy, offering a viable solution for deploying and running the YOLOv7 model on resource-limited devices.

关键词： 工业机器人   视觉引导   深度学习   目标检测  

摘要： 为了进一步提高复杂环境下的工业机器人的适应性,本研究提出了一种基于深度学习的视觉引导方法。首先,本文研究了视觉引导系统的基本组成。其次,研究了基于卷积神经网络(convolutional neural network, CNN)的目标检测与分割模型。再次,探讨了基于模型匹配的姿态估计技术。最后,为了验证所提方法的有效性,搭建了以JAKA-ZU3工业机器人为平台的实验系统,并进行了抓取实验。结果表明:本研究设计的视觉引导方法具有良好的操作精确性和重复性。

关键词： 机器视觉   耐火度检测   影像式系统   图像处理   智能检测  

摘要： 随着工业自动化和智能化的发展,传统的耐火度检测方法逐渐暴露出效率低、精度差等问题。本文对机器视觉的影像式耐火度检测系统应用的情况进行了分析,介绍了机器视觉技术在耐火度检测中的基本原理,探讨了影像式检测系统的硬件和软件构成,验证了该系统在实际应用中的有效性和可靠性。研究结果表明:基于机器视觉的影像式耐火度检测系统不仅提高了检测效率和精度,还具备良好的稳定性和可扩展性,具有广阔的应用前景。

关键词： 动态称重   外廓尺寸测量   参数识别   DenseNet   计算机视觉  

摘要： 针对现有研究中缺乏能够综合测量车辆外廓尺寸并精确识别车辆信息的方法,提出一种新的车辆尺寸和信息识别方法。首先,通过YOLO V5s网络实现目标车辆的自动识别,并建立了一个包含车辆型号、尺寸、轴数、轴距、悬架和轮胎参数等详细信息的车辆数据库。接着,利用convolutional encoder-decoder network(CEDN)提取出车辆轮廓,并通过膨胀腐蚀算法对轮廓进行优化。为了提高处理速度并减少计算资源需求,将深度可分离卷积技术融合进DenseNet。最终,将车辆轮廓图输入至优化后的DenseNet,以预测车辆的具体尺寸。实验结果显示,该方法能够在宽度和高度测量上实现±60 mm的误差范围,并将长度测量的误差控制在±85 mm以内。此外,该方法还能提供车辆的轴数、轴距、悬架和轮胎参数等附加信息。这表明结合图像识别和深度学习技术,能够有效地测量车辆尺寸并识别相关信息,对于提高动态称重系统等应用的准确性具有重要价值。

关键词： 深度学习   智能视频监控   目标检测   行为分析   异常预警  

摘要： 随着社会安全需求的提升及人工智能技术的发展,智能视频监控系统成为保障公共安全的重要手段。设计了一个基于深度学习的智能视频监控系统,其功能模块设计包括目标检测功能、行为分析功能和异常预警功能;硬件模块设计包括图像采集设备、数据处理单元和存储与传输模块。经过系统测试,该系统能够有效地进行目标检测、行为分析和异常预警,提高了监控系统的性能。

关键词： 孪生网络   目标跟踪   无锚框设计   无填充   通道注意力  

摘要： 孪生(Siamese)网络是解决视觉目标跟踪任务的一种重要方法。无填充孪生网络(SiamDW)的跟踪器采用区域推荐网络(RPN)来进行目标的定位,需要预先设置锚框的高宽比等超参数,不仅调参繁杂,而且跟踪的准确率较低。为解决此问题,提出一种考虑通道注意力且无锚框的孪生网络目标跟踪方法。该方法以SiamDW为基线,引入无填充的DenseNet来提取目标的特征;在通道特征拼接的时候加入通道注意力模块,以提高目标特征的表征力;在无锚框设计的时候,采用一种矩形范围的方式对正负样本进行划分。实验结果表明,在VOT2016和VOT2018数据集上,该算法跟踪的准确率分别比基线算法提高3百分点和6百分点。