关键词： 物流配送   物流行业   人力成本   计算机视觉技术   人工智能   大数据   云计算   物联网  

摘要： 一、引言随着我国经济的快速发展,居民的日常生活节奏越来越快,物流配送的需求越来越大。而传统物流配送行业普遍存在着自动化程度低、人力成本高、效率低等问题,这严重制约了物流配送行业的发展。5G技术的快速发展,物联网、人工智能、大数据、云计算等新兴技术不断应用于物流行业[1-2],尤其是计算机视觉技术在社会生活中的应用越来越广泛。

关键词： 无人机   孪生网络   轻量化网络   注意力机制   自适应加权   特征融合   视觉跟踪  

摘要： 针对传统的目标跟踪算法在无人机场景下的计算量大、实时性差等问题,提出一种基于孪生网络融合Transformer的轻量化算法(SiamTMA)。通过在孪生网络目标跟踪方法上融合Transformer编解码器模块和自适应加权融合算法,帮助模型更好地建模目标的运动轨迹,提高目标跟踪的准确率和鲁棒性;引入轻量化的主干网络MobileNetV2,使算法在保持较高的准确性同时可以在计算资源有限的无人机设备上运行。在目标跟踪标准数据集OTB100、UAV123及VOT2018上进行对比实验评估,结果表明,与传统的目标跟踪算法相比,SiamTMA在无人机场景中展现出更优越的性能。

关键词： 图像处理   滑坡检测   遥感图像   语义分割   注意力机制  

摘要： 针对现有的遥感影像滑坡语义分割网络存在模型参数量大、训练速度较慢,滑坡边界区域识别模糊、遥感影像多尺度语义信息分类差异化等问题,本文提出一种改进的RTformer轻量级语义分割模型,在模型不同层级模块间嵌入空洞卷积注意力ASPP模块和通道注意力SE模块,以捕捉不同尺度的语义信息和通过计算通道关系从而增强特征表示能力,提高模型特征提取能力,使其更加适用于滑坡遥感影像识别任务。利用Cityscapes数据集针对模型中空洞卷积的膨胀率设置和不同批量大小进行对比试验以得到最优解,以毕节滑坡灾害数据集做为预训练数据集设计一个自监督训练任务,并使用其进行模型微调并检验模型针对滑坡灾害遥感影像的分割性能。最终得到的模型在Cityscapes数据集和毕节市滑坡灾害数据集上均获得了最优表现,相比原始RTformer模型,两个数据集的平均交并比(mIOU)分别提升了2.26%和4.34%。并且与FCN、U-Net、DeeplabV3、SegFormer等经典语义分割模型相比,改进模型以最少的参数和最快的推理速度实现了识别任务,并达到了最优分割效果。

关键词： 机械视觉   工业机器人   工件识别   工件定位   图像处理  

摘要： 文章阐述了工业机器人的定义及应用领域,概述了机械视觉系统的硬件组成和工作原理,揭示了机械视觉辅助工业机器人在工件识别与定位中的作用,并探讨了其具体应用,以期提高生产线的自动化与智能化水平。

关键词： 3D点云   孪生网络   目标跟踪   Transformer   特征融合  

摘要： 三维点云目标跟踪的过程中时常会出现遮挡、稀疏性和随机噪声等问题。为了解决这些问题,提出了一种新颖的多级Transformer特征融合的三维点云目标跟踪方法。该方法主要由点注意嵌入模块和点注意力增强模块组成,且这两个模块分别用于特征提取和特征匹配的过程中。通过将两个注意力机制相互嵌入构成点注意力嵌入模块,并将其和PTTR所提出的关系感知采样法融合,实现充分提取特征的目的。将提取到的特征信息输入点注意力增强模块中,通过交叉注意力机制对不同层次的特征依次匹配,达到全局特征和局部特征深度融合的目标。为了获取判别性特征融合图,利用残差网络的方式对不同层的融合结果进行连接。将特征融合图输入目标预测的模块中,实现对最终3D目标对象的精准预测。在KITTI数据集、nuScenes数据集和Waymo数据集上的实验验证了该方法的有效性。若不计小样本数据,在目标跟踪的成功值中该方法平均提高了1.4个百分点,在跟踪的精确值上也提高了1.4个百分点。

关键词： 深度学习   目标检测   量化   YOLOv3-Tiny   FPGA  

摘要： 随着神经网络技术的发展,深度学习在目标检测领域取得了非常好的性能和应用效果,但深度学习算法的边缘部署一直是一个挑战。为了克服这一挑战,设计了一种基于YOLOv3-Tiny网络的实时目标检测硬件加速器,旨在实现高效准确的目标识别和跟踪,并满足边缘计算对性能和功耗的要求。为了减少FPGA在浮点运算上的开销,将神经网络的浮点数量化成了定点数进行计算;同时使用了DSP乘法优化、深度可配置的行缓冲机制,流水与并行划分等一系列的策略来提高性能。在口罩识别与运动跟踪以及COCO数据集的基准测试中,该文的加速器功能得以实现,有效算力为107.5 GOPs,帧率可达27.6 fps。

关键词： 计算机   视觉技术   工业检测  

摘要： 计算机视觉技术在工业检测中的应用要点包括图像采集、预处理、特征提取、目标检测与识别、实例分割、异常检测、深度学习与模型训练、实时监测与反馈等。通过这些技术要点,计算机视觉技术为工业检测提供了高效、准确的解决方案。工业检测中,首先要对被检测物体进行图像采集,通过高分辨率摄像头、无人机、机器人臂等设备实现。图像采集的质量直接影响到后续的图像处理和分析结果,对采集到的图像进行预处理,以提高图像质量,包括去噪、对比度增强、图像归一化等。而特征提取是指从原始的图像序列中抽取感兴趣区域并将其分类。

关键词： 板栗栗蓬   YOLOv3   目标检测   CBAM   焦点损失  

摘要： 板栗人工采收效率低、劳动强度大、易伤人,基于机器视觉的无人机采摘板栗栗蓬既高效又安全、为了快速识别和准确定位自然环境下板栗栗蓬目标,提出一种改进YOLOv3网络结构的YOLOvc栗蓬目标检测方法。通过在网络YOLOv3层前端添加融合通道注意力与空间注意力机制的CBAM注意力机制模块,提高深度学习网络模型对小栗蓬目标特征提取能力。在YOLOv3原有损失函数基础上添加焦点损失函数,提高对栗蓬遮挡等难分样本的检测识别能力。试验结果表明,YOLOvc算法能够有效检测板栗栗蓬,其查准率和平均精度分别达到89.35%、89.37%。消融试验对比结果显示,改进YOLOv3卷积神经网络对板栗树上栗蓬的检测识别精度比YOLOv3提高2.21%。研究结果表明,对YOLOv3添加注意力机制和焦点损失函数的深度学习算法YOLOvc可有效实现板栗树上栗蓬检测定位,为无人机采收板栗提供有效技术支持。

关键词： YOLOv8   深度学习   目标检测   损失函数  

摘要： 目前,目标检测已经广泛应用在各个领域,并且日趋成熟。但在河道废弃瓶检测任务中,现有图像处理技术存在精度低、成本高且难部署等问题仍然是该项研究的难点。本文提出一种基于改进YOLOv8的深度学习检测模型。首先,针对无人船图像中小目标容易错检、漏检的共性问题,引入Bi-PAN-FPN思想改进YOLOv8-n中的Neck部分。通过充分考虑并复用多尺度特征,在尽量维持参数成本的情况下实现更高级、更完善的特征融合过程;其次,使用EIoU替换原网络中的CIoU来优化损失函数,考虑将预测框和真实框的纵横比的影响因子进行拆分,解决CIoU损失函数中难易样本不平衡的问题,提升模型的优化能力。本文以国际公开的FloW数据集进行实验,并设计消融实验、对比实验、损失函数性能分析实验以及特殊场景对比实验,从多个角度阐述所提方法的可行性和有效性。消融实验结果表明:改进后的YOLOv8-n模型相比基线网络,漏检情况得到明显改善,平均精度均值达到85.2%,比基线网络模型提升了2.7个百分点,检测效果提升明显。对比实验结果表明,改进模型的平均精度均值相比于Mobilnet-SSDv2、YOLOv4s、YOLOv5s、YOLOv7-tiny、YOLOv3-SPP、YOLOv5-MobileNetV3s这6个模型分别提升60.15%、18.99%、3.90%、7.30%、28.7%及55.47%,在FPS、参数数量、模型大小方面均体现了较优的综合性能,并在特殊场景中表现最优。因此,本文的改进模型的综合性能优于目前流行的河道垃圾检测模型,更加适用于河道废弃瓶的实时检测。

关键词： 智慧交通   目标检测   目标跟踪  

摘要： 为了提高监测与跟踪精度及效率,探讨智慧交通目标检测及跟踪实现方案。基于智慧交通系统概述,明确其工作原理与功能,指出实时目标检测与跟踪重要性,之后分析如何利用YOLOv5-NAM模型对目标进行检测,配合SD-NMS非极大值抑制解决密集目标遮挡引发的漏检问题;进一步地,构建卡尔曼滤波模型跟踪目标,融合误差影响因子对卡尔曼滤波算法进行改进,确定移动轨迹并提取特征,完成车辆违法行为、可疑敏感区域等的判断。实验结果显示,能在智慧交通多场景下可以取得合格效果,且相较于对比方法而言,在IDsw、MOTP与MOTA上表现均更为优异,可在智慧交通领域得到较好应用。