关键词： 目标检测   特征融合   边界框回归   轮胎生产缺陷   注意力机制  

摘要： 轮胎内部缺陷检测能够及时发现轮胎生产中存在的潜在问题,可为工艺调整及行驶安全提供有力保障。而轮胎X光图像中的缺陷目标具有多尺度、极端长宽比、形状各异且不规则、小目标多以及正负样本不均衡等特点,致使缺陷检测精度低。针对以上情况,提出一种基于高效编码器与多尺度特征融合的轮胎缺陷检测方法。首先结合可变形注意力机制和通道注意力机制设计一个高效的编码器,以增强特征提取和表示能力,然后构建多尺度特征提取和融合模块,融合浅层与深层特征信息,来保留重要上下文信息并增强特征表示的多样性,最后在模型训练中自适应边界框回归方法,动态分配难易样本权重,减少无效样本,实现模型快速收敛、提高模型泛化能力。实验结果表明,改进后模型在轮胎缺陷数据集上的平均精度(mAP)达到95.5%,较基线网络提高3.6个百分点,为轮胎缺陷检测的实际落地应用奠定了一定的基础。

关键词： 混凝土坝   人-机-环   多要素识别   计算机视觉   YOLOv5-SS  

摘要： 混凝土坝施工空间狭窄、工序转换不断、人员-机械-环境(人-机-环)等要素繁多,而且存在要素遮挡、密集重叠、尺寸和方向各异等情况,导致传统机器视觉目标识别方法难以满足复杂施工现场目标识别要求。因此,本文提出混凝土坝施工场景人-机-环多要素识别的YOLOv5-SS新方法。通过插入CBAM注意力模块,改进目标检测器的性能,增强目标检测器对不同尺寸和位置的人-机-环要素敏感性;同时融入加权双向特征金字塔网络(BiFPN),使得目标检测器聚焦于实时人-机-环要素等关键图像信息。为验证所提方法识别能力,以混凝土拱坝施工现场的图像信息为基础数据集,通过对比YOLOv5-SS、YOLOv5和Faster R-CNN等模型,验证了所提方法能有效提高混凝土坝施工场景中各类目标的效率和精准度。

关键词： 指针式仪表   读数   识别   数字检测   刻度线  

摘要： 针对传统图像处理技术实现指针式仪表读数识别中漏检率和误检率高的问题,文章提出一种基于数字检测的仪表读数识别方法。首先,基于霍夫变换检测仪表图像中的刻度线区域;然后,在刻度线检测的基础上,进一步检测和识别刻度线上的数字;最后,利用霍夫变换检测仪表指针,并基于识别出的数字得到仪表刻度量程,通过计算实现仪表指针读数识别。仪表刻度线检测相较于圆形表盘检测,增加了仪表目标识别的可靠性,而且与刻度线上的数字识别互相验证,进一步降低了误检率。针对变电站实际场景中的指针式仪表进行自动读数识别,实验结果表明,基于数字检测的仪表读数识别方法误检率低、识别精度高。

关键词： 机器视觉   动态检测   目标跟踪   Mean Shift  

摘要： 针对实际生产中机器人对移动目标检测与跟踪问题,该文提出一种基于机器视觉的解决方案。首先,采用改进的两帧差分法和混合高斯背景建模方法,从目标视屏中识别动态目标,通过对动态目标定位算法进行进一步改进和优化,完成动态目标的检测和定位,为移动机器人准确跟踪动态目标提供一定的几何参数。接着,利用基于Mean Shift优化算法解决动态目标跟踪问题,使得对应的函数值收敛于概率密度函数的极大值,优化的跟踪算法可以有效地提高滤波器的约束性和目标追踪的稳定性,解决动态目标跟踪过程中存在的问题。最后,通过试验和结果分析,表明该方法在实际应用中能够有效地跟踪和检测动态目标,并能为后续进一步应用提供借鉴和参考。

关键词： 车辆检测   YOLOv5s   车辆检测算法  

摘要： 为解决车辆密集、遮挡严重导致的目标检测算法误检、漏检等问题,提出一种基于改进YLOv5s的车辆检测算法。首先,基于C2f特征提取模块结构中卷积共享和多层次特征融合的思想,对原YOLOv5s中的特征提取模块进行改进,提高网络针对多尺度特征的提取能力;其次,引入一种考虑位置信息的轻量型特征选择模块,并设计4种不同引入方式的对比试验,探究该模块在面向车辆检测任务时对模型性能的影响;最后,利用OTA动态标签分配策略对原YOLOv5s的损失函数进行优化,提高正负样本分配的精准度。在经过筛选的UA-DETRAC车辆数据集上进行试验分析,结果表明,改进后的算法能够满足实时交通检测需求,以期为相关研究提供借鉴。

关键词： 机器视觉   实训系统   标定   图像处理   特征提取  

摘要： 为培养学生解决跨学科复杂工程问题的能力,设计了由机器人、机器视觉、白酒瓶输送和计算机子系统构成的以太网架构实训系统。用五点标定法建立了从图像坐标系到机器人坐标系的变换矩阵;使用Python语言、PLC梯形图和AE机器人编程语言设计了实训系统的软件,实现了机器视觉引导机器人准确抓取滑台上任意放置的白酒瓶并放到处置箱的目的。

关键词： 桥梁工程   改进YOLO v8s算法   深度学习   裂缝检测   目标检测  

摘要： 针对混凝土桥梁裂缝因背景复杂、细小模糊导致检测精度较差的问题,提出了一种基于改进YOLO v8s的混凝土桥梁裂缝检测算法,精确定位了裂缝位置信息,并测量了裂缝长、宽等关键参数;以YOLO v8s模型为基础,引入全维度动态卷积(ODConv)获取特征图中更丰富的上下文信息,以增强目标特征提取能力,提高对细小模糊裂缝的检测能力;采用改进通道注意力模块构建了级联双层特征改进注意力(C2f-MA)融合模块,以挖掘特征图中更多的纹理信息,进一步使网络更加关注裂缝特征,从而抑制无关背景信息的干扰,提高复杂背景下的裂缝检测效果;使用焦距交并比(WIoU)损失函数来解决低质量样本的识别问题,进一步优化了模型的收敛速度和检测准确率;在桥梁检测报告中筛选出存在裂缝细小模糊、阴影、人工画线、杂草等具有复杂背景的裂缝图像,通过人工标注的方式建立了复杂背景条件下桥梁裂缝图像数据集;以召回率、平均精度和模型存储容量作为量化评价指标,并依次通过对比试验及消融试验来对模型进行综合评估。研究结果表明:改进YOLO v8s算法的召回率、平均精度和模型存储容量分别为0.829、0.893和11.14 MB,其综合评价指标优于基准方法YOLO v8s和其他目标检测模型,证明了提出的算法在复杂背景下具有良好的鲁棒性。

关键词： 大模型   计算机视觉   电网故障处置   输电巡检   客户服务  

摘要： 人工智能(AI)技术已广泛应用于电力行业多个专业领域,正在推动电力行业向智能化、自动化的方向发展。特别是在图学领域,AI大模型的应用已经成为研究热点,其在图像识别、模式识别以及图数据分析等方面展现出巨大潜力。应用大模型解决电力行业的图像识别、自然语言处理、业务内容分析等专业问题,可大幅提升电力行业各业务领域的效率和准确性。以大模型在电力调度、输电、营销等场景的应用展望为主线,首先介绍了人工智能大模型技术的研究背景、发展历程以及技术特征。其次,综述了AI技术在电力调度故障处置、输电无人机巡检、电力营销客户服务等专业的应用现状,分析了目前电力行业研究应用大模型存在的问题与挑战。最后,梳理了大模型技术在电力行业的发展趋势和技术应用分析,并对应用场景进行了展望。

关键词： 小目标检测   对比学习   双流网络   图像退化   图像增强   多尺度  

摘要： 针对小目标检测任务中目标图像尺寸小、目标特征信息模糊、目标和背景难区分等问题,提出一种基于双流对比特性学习和图像多尺度退化增强的小目标检测方法.首先,将对比学习模型的输入图像进行多尺度退化增强,增强算法对小目标的捕获感知;其次,在空间域和频率域同时进行对比学习表征,以学习更具鉴别性的目标识别特征,增强模型对目标与背景的区分能力,从而提高小目标检测的效果.为验证所提方法的有效性设计了消融实验,并对比分析了与其他先进算法的检测性能优劣.实验结果表明:所提方法在MS COCO数据集上平均精度均值mAP相较基线算法提升3.6个百分点,小目标平均精度均值mAP_(S)相较主流先进算法提升7.7个百分点;在VisDrone2019数据集上,所提方法平均精度均值mAP较基线算法提升2.4个百分点,所提方法综合性能优于基线算法与其他主流先进算法.可视化检测效果分析表明,所提方法在小目标检测上的漏检、误检问题得到较大改善.

关键词： 深度学习   目标检测   Swin Transformer  

摘要： 在目标检测任务中,基于Detection Transformer(DETR)的无锚框方法由于不需要依赖复杂的后处理步骤如非极大值抑制从而受到了广泛的关注。针对DETR使用的残差骨干网络ResNet(Residual Network)在提取全局信息能力上的不足,本文章提出一种基于改进的Swin Transformer的目标检测算法。该模型的骨干网络基于Swin Transformer改进,在这里使用了一种新的规范化方式,称为“后规范化”,这种新的方式会在整个网络产生更温和的激活值,然后将骨干网络与特征金字塔结合,获得不同尺度上的特征表示,从而能够更好地适应不同尺度的目标或图像变化。