关键词： 旋转目标检测   注意力机制   优化损失函数   改进概率霍夫变换  

摘要： 针对指针表图像中刻度线与指针精确定位困难及在复杂环境下易出现误检和漏检的问题,提出一种基于改进旋转目标检测模型的指针表读数全自动识别方法。首先以YOLOv5s网络为基础,设计了高效的通道与空间注意力融合模块,以提升表盘示数特征提取能力;其次设计了E-CIoU Loss以优化损失函数,增强指针边界框回归能力;同时,引入环形平滑标签以适应旋转目标检测任务;然后,利用改进的概率霍夫变换实现指针精确重定位;最后,利用极坐标平面上指针和刻度线的相对位置关系计算读数识别结果。实验结果表明:与基准模型相比,该方法有效提升了表盘示数特征检测精度,mAP值达到了96.8%,且最终读数识别平均相对误差达到了0.52%,可满足实际应用需求。

关键词： 厚德强技   产教融合   三创教育   精品在线课程  

摘要： 传统职业教育在人才培养过程中往往较为侧重技能训练,相对忽视了德育在人才培养各个环节中的有效渗透。在新的时代背景下,课程建设不仅要保证学生对职业技能的掌握,还要将“大思政”理念融入课程的建设,以适应现代职业教育课程体系的发展需求。从深化产教融合、推进“三创教育”改革、完善人才培养体系等方面入手,并为更好地服务区域产业升级发展,帮助学生树立正确的世界观、人生观和价值观,提高学生的社会责任感和创新能力,探索新时代精品在线课程在厚德强技教育背景下的优化策略。

关键词： 网络监控   图像处理   深度学习算法  

摘要： 为实现公共场域下网络监控运动目标的跟踪识别,通常利用网络摄像机、红外传感器等装备采集不同时间点的帧图像。而后基于改进SSD、CNN或DAN深度学习算法模型,利用候选框框选待测图像目标像素、扩展卡尔曼滤波或图聚类法滤除干扰噪声,但以上卷积神经网络模型的目标跟踪监测,容易出现图像帧或像素特征提取的重复问题。基于此,选用Faster-RCNN(faster region convolutional neural network)深度学习算法模型,设置涵盖卷积层、池化层、全连接层的图像处理层级,基于HOG(histogram of oriented gradient)方向梯度直方图将红外传感器监测到目标图像转化为灰度图、提取监测物体的整体特征,而后基于Faster-RCNN深度学习算法作出图像动态目标的锚框特征谱输出、数据集学习分析,得到公共空间的物体运动位置,提高计算机网络监控的图像处理与识别准确率。

关键词： 高光谱成像   苹果   图像处理   光谱超分   糖度预测  

摘要： 苹果风味独特,清脆可口,深受全世界消费者的广泛喜爱。糖度是衡量苹果品质的关键指标。高光谱成像(HSI)由于含有丰富的图谱信息在糖度无损检测中有着广泛的应用前景,然而仍面临仪器笨重昂贵、操作耗时等问题。光谱超分辨率(SSR)可通过建立映射关系从低光谱维度RGB图像获得对应高光谱维度HSI图像,在HSI图像的高效获取上有着极大的优势。因而,将探索苹果RGB图像的SSR,并基于SSR数据进行糖度预测。首先,选取大小均匀的苹果作为研究对象,利用黑色哑光胶纸对感兴趣区域(ROI)进行标定。采集苹果RGB图像和HSI图像后,利用全局阈值法确定ROI并经过图像分割得到220个RGB-HSI图像对。然后,使用密集连接网络、多尺度层级回归网络和Transformer网络实现苹果RGB图像的SSR。最后,提取SSR后图像的反射率光谱,采用全光谱和竞争性自适应重加权选择后的有效波长光谱结合偏最小二乘回归(PLSR)、随机森林(RF)和极限学习机(ELM)构建糖度预测模型。结果表明,基于Transformer网络SSR结果最好。在SSR预测集中,平均相对绝对值(MRAESP)为0.1359,均方根误差(RMSESP)为0.0262;SSR后方法的反射率光谱与真实光谱一致性最好。在糖度预测的过程中,全光谱下ELM模型预测效果最好,预测集决定系数(RP2)和均方根误差(RMSEP)为0.9255和0.003,PLSR次之,RF最差。经过有效波长光谱提取后,预测结果有所提升,其中ELM模型预测结果最好,RP2为0.9609,RMSEP为0.0022,PLSR次之,RF最差。总之,基于Transformer图像SSR完成了苹果糖度的准确检测,提供了低成本高效率HSI图像的获取方式,实现了快速便捷的新型糖度检测,扩展了图像在水果品质分析中的应用场景,为促进智慧农业和食品领域的发展提供了理论依据。

关键词： 工时测定   机器视觉   目标检测   拖拉机装配线  

摘要： 针对混合品种装配产线下不同机型装配导致产线工人作业工时存在较大差异的问题,提出一种基于Faster-RCNN的卷积神经网络的工序状态检测模型。首先通过工位装配任务工时测定分析明确该工位各道工序后将采集的工人作业工序图片进行特征提取和状态框选,然后使用区域预测网络RPN(Region Proposal Network)来获取候选框的建议信息,使用R-CNN对候选框的位置和物体类别进行预测识别,最后将视频帧数信息转换成时间信息,计算得到该道工序所测时间。分析结果表明,检测模型可以对视频中工人的工作状态进行识别并计算出工人的实际作业工时,模型检测的平均检测均值(map)达到96.4%;视频识别到的工时相对误差都在10%以内,满足产线实际工时观测的相对误差要求。

关键词： 机器视觉   目标检测   Transformer   YOLOv5s算法   交通标志  

摘要： 交通标志检测作为自动驾驶的组成部分直接影响着行车安全。针对现有算法对图像中尺寸小、被遮挡的标志存在漏检、误检的问题,文中提出了基于改进YOLOv5的交通标志检测算法。首先对原模型注意力缺失的问题经过对比后构建了BiFormer-y,使模型可以更好获取长期依赖;接着针对层数较深造成的具有丢失特征的缺陷,利用残差结构重新设计检测层,从而更好地保留特征;最后对耦合头的空间错位问题引入解耦头并进行优化。CCTSDB2021的实验表明,精确率、召回率、mAP分别为97.0、95.9、97.9与先进工作相比具有明显优势。

关键词： 点云   稀疏卷积   局部信息   注意力机制   交叉融合  

摘要： 针对当前基于点云的三维目标检测算法缺乏目标准确的空间位置信息,提出局部信息编码模块和后期交叉融合模块的三维目标检测算法.在特征提取阶段,模型通过三维稀疏卷积高效地编码全局特征.局部信息编码模块利用目标内部的原始点云信息,构建目标的细粒度语义信息,通过自注意力机制对这些信息进行重新加权,增强局部特征的表达能力.提出交叉融合模块,用于局部特征与全局特征的信息交互,产生表达能力更强的目标检测特征.使用KITTI和Waymo公开数据集,验证所提出的方法.在KITTI数据集的简单、中等和困难任务上,本文方法的平均准确率AP0.7分别达到了91.60%、82.53%和77.83%,在Waymo数据集上的平均准确率AP0.7达到74.92%.

关键词： 自动驾驶   三维目标检测   单目   立体   多视图   激光雷达   多模态  

摘要： 新兴的三维目标检测技术在自动驾驶领域中扮演着关键的角色,它通过提供环境感知和障碍物检测等信息,为自动驾驶系统的决策和控制提供了基础。过去的许多学者对该领域优秀的方法论和成果进行了全面的检验和研究。然而,由于技术上的不断更新和快速进步,对该领域的最新进展保持持续跟踪并坚持跟随知识前沿,不仅是学术界的一项至关重要任务,同时也是应对新兴挑战的一项基础。本文回顾了近两年内的新兴成果并针对该方向中的前沿理论进行系统性的阐述。首先,简单介绍三维目标检测的背景知识并回顾相关的综述研究。然后,从数据规模、多样性等方面对KITTI(Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago)等多个流行的数据集进行了归纳总结,并进一步介绍相关基准的评测原理。接下来,按照传感器类型和数量将最近的几十种检测方法划分为基于单目的、基于立体的、基于多视图的、基于激光雷达的、基于多模态5个类别,并根据模型架构或数据预处理方式的不同对每一种类别进行更深层次的细分。在每一种类别的方法中,首先对其代表性算法进行简单回顾,然后着重对该类别中最前沿的方法进行综述介绍,并进一步深入分析了该类别潜在的发展前景和当前面临的严峻挑战。最后展望了三维目标检测领域未来的研究方向。

关键词： TFT-LCD   Mura缺陷   机器视觉   图像处理   深度学习  

摘要： 液晶显示屏幕的表面缺陷检测是保证TFT-LCD等液晶显示屏质量稳定性的关键。得益于在检测表面缺陷方面高效率、低成本的优势,机器视觉技术目前已经成为TFT-LCD质量检测的主要手段。本文首先概述了液晶屏的发展历程,列举了常见Mura缺陷的类型,分别介绍了基于传统图像处理和基于深度学习的Mura缺陷检测方法,概述了图像滤波和图像亮度校正等图像预处理技术的研究动态。本文重点阐述了监督学习、无监督学习和迁移学习等人工智能技术在TFT-LCD表面Mura缺陷检测领域的应用,并对基于机器视觉的TFT-LCD表面Mura缺陷检测的技术发展趋势进行了展望。

关键词： 目标检测   热红外图像   YOLOv7   ELAN-P   坐标注意力机制   WIoU  

摘要： 热红外图像具有分辨率低、高噪声、空间相关性强的特点。为解决道路交通红外目标检测算法存在的检测精度低、漏检和误检等问题,提出一种改进YOLOv7的算法。将主干网络原有的ELAN模块替换成ELAN-P模块,降低模型的参数量和计算量,使模型更加轻量化,增强对红外目标的提取能力;在主干网络和颈部网络引入CA注意力机制,将坐标信息嵌入到通道中,增强对模糊目标和密集目标的定位能力;将原有的CIoU损失函数替换成WIoU损失函数,提高对遮挡目标和弱小目标的检测精度。在中国热红外数据集CTIR上实验表明,改进算法相较于YOLOv7算法,参数量和计算量分别减少11.6百分点和19.5百分点,检测精度mAP值提高了3.1百分点,其中Car、Pedestrian、Cyclist、Bus和Truck五个类别的检测结果AP值分别提高了1.9百分点、1.9百分点、1.5百分点、4.9百分点和5.3百分点,检测性能有所提升。在公开数据集FLIR上进行泛化性对比实验,结果表明改进算法具有通用性。