关键词： 钢管目标检测   PPYOLOE   HGNetV2   SPPELAN   Dysample  

摘要： 在特钢企业向“灯塔工厂”转型升级中,实现钢管物料实时跟踪是其中的核心内容,由于物料多样性以及产线的复杂性使得接近式传感器无法满足物料检测可靠性要求。为此,依据车间内现有环境和需求,搭建物料跟踪摄像系统,采集了物料及产线上部分特征组成图像数据集;基于视频分析,引入了一种面向特钢车间内物料实时跟踪的钢管目标检测算法。该算法以PPYOLOE网络为基础。首先,将PPYOLOE中的CSPRepResNet主干网络替换成HGNetV2轻量级主干网络,在提升特征提取能力同时减小参数量;其次,在Neck中融合HG-Block和SPPELAN进一步减小参数提升速度;最后,在上采样阶段,运用Dysample动态上采样算子提升不同尺度特征的融合效果,提升算法的检测精度。实验结果表明,相比于原始的PPYOLOE算法,改进后的算法在检测精度上提升了1.6%达到80.5%,检测速度提升了16%达到56.4帧,GFLOPs和参数分别下降35%和33%。改进后算法有效提升了检测精度和检测速度,通过现场部署实施,满足了钢管物料实时跟踪要求。

关键词： 双语教学   PBL模式   课程建设   教学改革   遥感数字图像处理  

摘要： 双语教学是我国高等教育适应经济全球化的必然选择,也是高等院校教育教学改革的重点内容之一。该文首先从教学资源、语言角色、教学实践等角度分析当前双语教学中存在的问题。其次,探讨了基于PBL(Problem-Based Learning)的双语教学模式在本科生遥感数字图像处理课程教学上的应用,从课前预习、课内深化、课后巩固三个维度阐述双语课程构建方式,并深入分析这种新型教学模式对学生的促进作用。实践结果表明,基于PBL的双语教学能够有效地提升学生在不同语言环境下的思维和表达能力,拓宽学生的国际视野,达到利用英文的思维逻辑体系看待问题、解决问题的目的,为课程今后实现全英文授课提供有力支撑,并使教师可以在实践中逐步发现问题和解决问题,不断深入指导其他课程的双语教学改革。

关键词： 图像处理   图像增强   清晰区域筛选   模糊区域  

摘要： 针对目前图像处理方法在待测物尺寸超出成像系统景深条件下图像部分区域模糊的问题,提出基于清晰区域筛选的图像增强方法。首先对成像系统使用步进截获的方法,完成同目标多清晰区域的图像组抓取。之后结合双边滤波和边缘提取算法弱化图像低清晰度区域,保留其强边缘特征,再进一步进行强边缘及区域衔接组合,解决模糊区域对边缘的误导问题。最后引用基于图像方差特征的高清晰度区域筛选算法筛出非边缘区域清晰图像,与强区域边缘图匹配,获得目标图像。实验结果表明,综合三个实验用例,与常用图像增强算法相比,所提算法处理后的图像的清晰区域变化幅度小,模糊区域得到有效加强。与直方图均衡化、自适应滤波、Retinex三种算法的结果相比,所提方法的信息熵、信噪比、结构相似度和清晰度平均提高了4.1%、21.3%、36%、9.53%,标准差平均降低了23.3%。

关键词： 无人机平台   输电线路   树障识别   图像处理   巡检效率  

摘要： 本研究以无人机平台为载体,针对输电线路周边树障识别问题,开展了一系列关键技术的研究。通过设计无人机飞行控制系统、图像采集与处理系统以及深度学习算法,实现了对输电线路周边树木的快速监测与智能识别。研究内容包括无人机选型、图像预处理、特征提取、分类器设计及系统优化等。实验结果表明,所研发的树障识别系统能够有效提高输电线路巡检的效率和安全性,为保障电网安全稳定运行提供了有力技术支撑。

关键词： 三维目标检测   多模态融合   点云   视锥   轻量化  

摘要： 三维目标检测准确且轻量化,是移动智能机器人感知模块的关键部分。本文提出一种基于视锥的多模态融合目标检测算法F-ResPoint。它是一种轻量化的二阶段目标检测算法,是根据二维目标的检测结果,生成包含目标对象的视锥点云,再利用基于Residual-SA模块构建的点云检测网络,对视锥点云中的三维目标进行检测。实验表明:该方法在轻量化的前提下,可实现较高的检测准确率及较好的实时性。

关键词： 金属表面划痕   目标检测   YOLO算法   数据集  

摘要： [目的]传统的人工目测方法已无法满足对金属表面划痕进行快速、准确和自动化检测的需求。因此,基于数据集的构建和卷积神经网络模型的搭建,提出了复杂形状表面划痕识别的方法。[方法]首先,创建金属表面划痕的数据集。其次,设计并训练一个基于Yolov8n的卷积神经网络模型。该模型包括主干网络、头部网络和颈部网络,可应对不同划痕的识别需求。[结果]在模型训练完成后,F1曲线在0.3~0.5达到最优,表明该模型在处理各种划痕时具有良好的泛化能力。通过PR曲线分析,当精确率为0.65、召回率为0.8时,该模型的预测效果最佳。[结论]模型优化为金属表面划痕的自动检测和识别提供了有效的技术支持,具有实际应用价值。

关键词： 重载铁路   钢轨缺陷   机器视觉   深度学习   目标检测  

摘要： 为实现重载铁路轨道典型缺陷的准确、快速、智能检测,基于深度学习算法,提出一种针对重载铁路钢轨图像的特征加强卷积神经网络模型,研制一套基于机器视觉的便携式轨道图像采集系统;整理创建重载铁路钢轨表面多目标图像数据集,并基于此数据集进行训练,实现裂纹、擦伤、块状损伤、接缝4种典型缺陷目标的智能识别;针对数据集中目标尺度分布不平衡的特点,使用聚类算法重新设置锚框的尺寸和数量;对比分析重载铁路钢轨缺陷图像的纹理复杂性与固有特点,引入加权融合池化模块和纹理特征增强模块对自适应训练样本选择(ATSS)算法进行改进。应用所提算法对重载铁路轨道进行检测,4类典型缺陷目标的全类平均正确率达到85.8%。通过与其他9种检测算法的对比,充分验证了所提算法的有效性。

关键词： 图像处理   红外热成像   人脸对齐   多尺度卷积注意力   归一化平均误差  

摘要： 红外热成像人脸对齐在提取人脸面部温度方面起着至关重要的作用,其定位精度直接关系到对人脸各区域温度数据的准确采集与分析。当前,主要的人脸对齐方法多数应用于可见光人脸图像,但将其直接应用于红外热人脸图像存在精度不足等问题。为解决这一问题,提出了一种基于多尺度卷积注意力的热红外人脸对齐算法。利用多尺度信息的优势,将多尺度卷积注意力机制与倒置残差卷积网络相结合,并引入wing loss作为损失函数,增强了网络模型的特征提取能力。实验结果显示,所提出的算法在公开热红外人脸数据集和自采的面瘫人脸数据集上的归一化平均误差分别达到了3.23%和3.94%。相较于传统方法,该算法针对各器官的定位精度均有一定程度的提高,应用范围可扩大至面瘫人群,意义较大。

关键词： 目标检测   模型轻量化   YOLOv5   Varifocal loss   SIoU  

摘要： 针对红外图像分辨率差、对比度低、信噪比低、视觉效果模糊等检测难点,提出一种基于YOLOv5的轻量化红外目标检测(Lightweight Infrared Target Detector-YOLO,LITD-YOLO)算法。LITD-YOLO算法重新设计网络结构,针对红外目标成像特征,将特征提取网络与特征融合网络结构重构。提高小感受野权重,重建浅层特征和深层特征之间的多尺度融合关系,提高浅层网络语义信息表征能力权重,增强对红外小目标的检测能力。引入Varifocal loss以实现交并比感知分类评分(Intersection over Union-Aware Classification Score, IACS)回归,使模型对密集目标的检测能力进一步加强。使用SIoU作为边框损失函数,用于提升预测框的准确度,同时加速模型收敛。实验结果表明,在FLIR和OSU数据集下模型检测精度分别提高至88.5%、99.7%,模型体积仅3.9 MB,参数量和算法复杂度大幅降低;与主流算法相比,LITD-YOLO在各项指标上均取得了不错的进步,在检测精度、模型体积和推理速度等方面具有先进性,能满足对红外目标的高质量检测。

关键词： 手术器械   人工智能   识别   分类   定位   目标检测  

摘要： 目的:基于改进型You Only Look Once V5(YOLOv5)人工智能开发手术器械识别系统。方法:收集常用外科手术器械10类,包括治疗碗、药杯、弯盘、针持器、血管钳、刀柄、组织拉钩、手术刀片、缝针、棉球。将收集的器械置于同一视野下,随机改变不同器械放置位置和状态,在不同拍照方位、布料背景、光线角度和强弱环境下拍摄照片806张。将拍摄的照片按照7∶3随机划分为人工智能训练组和验证组。采用精确度、召回率、平均精度、平均精度均值和F1得分值等参数比较原始YOLOv5模型和改进模型S-YOLOv5的算法识别性能。结果:与原始YOLOv5模型相比,改进模型S-YOLOv5表现出更高的识别性能,其精确率、召回率、平均精度和F1得分值分别为0.978,0.973,0.926,0.975。改进模型S-YOLOv5对各手术器械的识别准确率均高于原始YOLOv5模型。结论:基于S-YOLOv5的人工智能辅助手术器械识别系统具有较好的分类能力和定位能力,为人工智能辅助手术器械清点提供了初步探索和思路。