关键词： 目标检测   表面缺陷   可变形卷积   YOLOv8  

摘要： 针对带钢表面缺陷检测精度不足的问题,提出一种改进的YOLOv8n检测模型。基于可变形卷积对Head网络中的C2f模块进行了重新设计;通过利用采样点的可变性,有效提高了对表面不规则缺陷的检测能力。添加多头自注意力机制捕捉不同的关注点,从而提供全面且多样化的特征表示,进一步增强模型的检测性能。拼接Backbone和Head的特征,提升特征的质量和丰富度,解决缺陷局部信息丢失问题。在NEU-DET带钢数据集的实验验证中,该方法在平均精度和mAP50上较YOLOv8n分别提升了5.6和2.2个百分点。值得注意的是,裂纹缺陷的检测精度和mAP50分别提升了15.2和9.9个百分点,效果显著。

关键词： 目标检测   YOLOv8   深度学习   Soft-NMS  

摘要： 近年来,随着新能源汽车的发展趋势日益火热,对辅助驾驶、自动驾驶等技术要求也越加严格,但是在现实的驾驶情景中,道路环境复杂程度较高,特别针对遮挡的现象,现有的算法检测精度不高,且车载电脑的算力有限。针对这些问题,文章设计了三点改进方案。改进后的模型在BDD100k数据集下计算量只有6.1GFLOPs,为原模型的75%,同时Map50提升了8.4%。研究结果为后续辅助驾驶的目标识别和移动端的部署提供了参考和依据。

关键词： 表面缺陷   迁移学习   目标检测   改进YOLOv7算法   机器视觉   注意力机制  

摘要： 在智能制造的背景下,企业中传统冶金锯片的缺陷检测存在实时性不足、漏检误检率高和精度低等问题,难以满足现代工业的需求。提出了一种改进深度迁移学习的冶金锯片缺陷检测方法。首先,通过提取目标域的特征信息,以余弦相似性作为评价指标,从源域中选择与缺陷数据集相关性高的源域样本作为训练对象,对其进行预训练;然后,在YOLOv7算法中引入条件参数化卷积(CondConv)模块,显著提升了推理效率;同时提出了一种高效层聚合网络(ELAN-CA),优化了特征之间的空间信息融合,从而增强了网络性能;其次,通过引入全新的特征模块(AFPN),有效整合了不同尺寸的缺陷信息;最后,基于改进深度迁移检测算法与Mysql数据库相融合开发了在线冶金锯片表面缺陷检测系统,能够实时进行多种方式缺陷检测,并对检测信息进行存储与分析,便于实时统计锯片缺陷信息,提升了检测的灵活性和适应性。所改进算法将冶金锯片缺陷的检测精度提升至93%,相较于基础网络,参数量降低了约46%,准确率和平均精度均值A均提高了5.2%,能够满足冶金生产现场对缺陷实时检测的要求,显著提高了质量控制的快速反应能力,减少了人工检测的误差和劳动力成本,为产线质量检测的全自动化和智能化提供了重要的技术支持。

关键词： 目标检测   YOLOv5s-SCB   改进的DehazeFormer去雾网络   RAFT光流网络  

摘要： 针对某发电厂捞渣机状态监测系统设计需求,将机器视觉技术应用到捞渣机状态监测系统中,设计了一种粉尘环境下的捞渣机刮板状态监测算法。该监测算法基于轻量化的YOLOv5s-SCB目标检测模型,实现了对电厂捞渣机刮板异常状态的监测。由于捞渣机所处环境粉尘较大,在YOLOv5s-SCB模型的基础上,前端引入DehazeFormer去雾网络,并对其进行了改进,将尺度、空间以及通道3种注意力融合到DehazeFormer网络中来提高其去雾能力。此外为了进一步提升检测精度,在监测算法中加入了RAFT光流网络来提取刮板的运动特征,利用RAFT光流网络提取的运动特征与YOLOv5s-SCB提取的卷积特征进行特征融合。最终,通过选取400副粉尘图像进行刮板监测测试,误检率为0%,漏检率为4.9%,实验表明,该模型具有良好的准确性和泛化能力,达到了预期目标。

关键词： 轮式机器人   目标识别   机场跑道异物   图像处理   深度学习  

摘要： 文章针对航空器起降间隙较大的支线机场跑道的异物自动识别与定位问题展开研究,提出了一种基于具备自主导航功能的轮式机器人结合工业相机与激光雷达系统的跑道异物自动识别定位系统。该研究主要采用图像分块处理与深度学习框架相结合的计算机视觉算法,对跑道微小异物目标进行自动识别与定位,具备跑道自主巡航检测的能力。该研究实现了系统样机的集成与跑道环境现场测试的一系列工作,获得了对5 mm直径微小异物80%的综合检出率,有利于该类型机场跑道异物检测的进一步研究并取得了积极的效果。

关键词： 无监督域自适应   注意力机制   循环域三元损失函数   目标检测  

摘要： 目前大多数深度学习算法都依赖于大量的标注数据并欠缺一定的泛化能力.无监督域自适应算法能提取到已标注数据和未标注数据间隐式共同特征,从而提高算法在未标注数据上的泛化性能.目前域自适应目标检测算法主要为两阶段目标检测器设计.针对单阶段检测器中无法直接进行实例级特征对齐导致一定数量域不变特征的缺失,提出结合通道注意力机制的图像级域分类器加强域不变特征提取.此外,对于域自适应目标检测中存在类别特征的错误对齐引起的精度下降问题,通过原型学习构建类别中心,设计了一种基于原型的循环域三元损失(Cycle domain triplet loss,CDTL)函数,从而实现原型引导的精细类别特征对齐.以单阶段目标检测算法作为检测器,并在多种域自适应目标检测公共数据集上进行实验.实验结果证明该方法能有效提升原检测器在目标域的泛化能力,达到比其他方法更高的检测精度,并且对于单阶段目标检测网络具有一定的通用性.

关键词： 目标检测   主动学习   不确定度   对抗网络  

摘要： 基于主动学习的目标检测通常使用更少的标注数据来提高目标检测模型的性能,即学习者可以从大量未标注样本中选取有价值的样本进行人工标注,并通过迭代训练来优化模型。然而,现有基于主动学习的目标检测方法仍然无法有效平衡样本不确定性和多样性,且查询样本冗余度高。为了解决这一问题,提出一种不确定度引导的对抗主动学习目标检测方法。首先,引入损失预测模块评估未标注样本的不确定度,并利用不确定度引导对抗网络训练,构建具有不确定性和多样性的查询样本集;其次,基于特征相似度评估样本差异性,降低查询样本的冗余度;最后,采用多种目标检测框架在MS COCO数据集与Pascal VOC数据集上进行实验,所提方法能在较少标注下有效提升目标检测精度。

关键词： 机器视觉   自动化装配线   质量控制   图像处理   缺陷识别  

摘要： 文章围绕基于机器视觉的自动化装配线质量控制系统进行深入研究,提出了一套集成先进机器视觉技术的质量控制方案。通过使用高精度的图像捕捉设备和智能算法,对装配线上的产品进行实时质量监控,实现自动化识别与缺陷检测。介绍了机器视觉在自动化装配线质量控制中的应用背景和研究意义,详细阐述了系统设计的具体实施步骤,包括图像采集、图像处理和缺陷识别等关键技术。总结了研究成果,对未来的研究方向进行了展望。

关键词： 经脉穴位   深度学习   关键点定位   图像处理   ResNet152  

摘要： 提出一种基于深度学习的人体手部穴位定位方法,实现完整手部经脉寻找、穴位定位的解决方案。选择以ResNet152作为骨干网络,采用热图回归法进行穴位的定位,并引入经脉进行穴位的寻找,从而提高穴位检测模型的精度;将U-Net网络加入模型排除不同背景对实验的影响,增强了模型的定位精度和适用范围;引入注意力机制来使得模型更加关注相关特征,增强网络对有效特征的学习能力;通过实际手部照片为输入,进行模型准确度验证。模型能够识别手部的6条经脉和11个常用穴位,数据集中图像的平均准确率为93.6%;在自采集照片验证实验中,平均准确率为88.5%。该网络模型在手部穴位定位中有较好的准确率,为开发按摩机器人提供理论依据。

关键词： 冬枣   品质   注意力机制   图像处理   特征金字塔   Faster RCNN  

摘要： 为了解决冬枣分选工作准确率低、速度慢、人工成本高昂等问题,该研究提出了一种基于改进Faster RCNN模型的冬枣外观缺陷识别方法。首先,使用Resnet50替换原有的VGG16特征提取网络,并在Resnet50中添加SE模块,提高模型的特征提取能力;其次,融入特征金字塔(feature pyramid network FPN)网络,对不同尺度的特征信息充分提取;最后,将原始的NMS算法用改进的Soft-NMS算法替换,改善被检测图像中对缺陷检测目标的误删问题,进一步提高对冬枣缺陷识别的准确率,试验结果表明:改进的Faster RCNN模型对冬枣缺陷检测平均精度均值(mean average precision,mAP)为91.60%,检测速度为17.5帧/s,mAP比SSD、YOLOv3、YOLOv5分别高14个百分点、11.32个百分点、5.94个百分点,将改进的Faster RCNN网络模型部署在冬枣检测平台上对不同品质的冬枣进行分选,其对优质果、伤果、裂果、虫果、病果的识别准确率分别为94.71%、96.99%、99.06%、93.82%、99.05%。改进的Faster RCNN网络模型能有效的对冬枣外观做出准确、快速的判断,降低冬枣检测过程中的误检率。