关键词： 图像处理   目标检测   YOLOv7算法   聚类算法  

摘要： 为解决水表示数自动识别问题,探索一种高效、准确的图像识别技术,以替代传统的人工读取方式。采用YOLOv7算法,结合图像处理技术,构建了一套自动化的水表示数识别系统。在水表公司内采集大量水表图片,以此为基础构建训练数据集。利用YOLOv7算法训练神经网络模型,实现对水表图像中关键元素(如水表字轮、整体水表及带指针的圆形分度盘)的精准检测。实验结果显示,该识别系统在识别水表字轮、水表整体及带指针圆形分度盘时的准确率(mPA@0.5)达到了97%,展现出卓越的性能。该系统不仅实现了快速检测,还确保了高准确率,显著提升了水表读数的效率与准确性。相较于传统的图像处理方法,基于YOLOv7算法的水表示数自动识别方法无需固定安装相机,对图像采集条件的要求更为宽松,因而具有更高的泛用性和实用性。该方法在水表等仪器仪表读数自动化领域具有重要的应用价值,有望推动相关行业的智能化进程。

关键词： 大豆   玉米   种子计数   YOLOv8   Focal-IOU   数据增强  

摘要： 【目的】作物种子的重量是产量构成的重要因素之一,而传统百粒重/千粒重计算过程耗时、费力,急需一种快速测定作物种子数量、计算重量的方法。【方法】以大豆和玉米为研究对象,首先针对种子计数环境复杂、目标小以及密度大等问题,采用Albumentations库对数据集进行增强处理;然后通过对比YOLOv8的5个子模型,筛选出表现最佳的YOLOv8n模型,在此基础上用Focal-IOU替代CIOU损失函数,得到改进后的模型;最后将改进后的模型与多种经典目标检测模型作对比。【结果】改进后的模型在大豆和玉米种子计数上的平均精度mAP50-95分别达到88.78%和86.89%,比原模型提高了1.29%和0.51%,且性能显著优于YOLOv5、SSD等目标检测模型。此外,改进后的模型在2种作物测试集上的平均绝对百分比误差(MAPE)分别为0.035%和0.045%,每秒帧率分别达到70.17和100.41。【结论】改进后的模型在大豆玉米种子计数上的结果与实际数量差异不显著,实时处理速度快,研究结果可以满足考种中百粒重和千粒重计算对种子的计数需求。

关键词： 域自适应   课程学习   伪标签   目标检测   置信度估计  

摘要： 针对域自适应网络在不同学习阶段对不同样本学习能力存在差异性问题,提出一种基于课程学习的域自适应伪标签样本选择算法。算法利用置信值将目标域数据集中的易学习样本转入源数据集,解决了模型前期学习能力不足可能造成的错误累积问题;同时通过模型的学习状态更新各类样本的伪标签阈值,得到无监督条件下难易学习样本类估计,输出可靠的置信值并减少噪声伪标签对模型学习的影响。提出的算法在三个主流无监督域自适应目标检测数据集上进行了仿真,仿真结果表明,上述算法相比最近提出的非对抗或增强的无监督域自适应方法在精确度上得到了有效提升。

关键词： 红外探测   目标跟踪   核相关滤波   尺度滤波  

摘要： 随着天基红外探测器接近目标,目标在焦平面的成像会由小变大,在近距离时以面目标形式成像,随着距离的接近,目标的尺度变化会越来越剧烈。针对经典核相关滤波算法无法应对尺度变化及遮挡的问题,论文提出了一种融合尺度滤波的核相关滤波跟踪算法。在位置滤波器预测目标位置之后,由尺度滤波器计算尺度响应以解决目标尺度变化问题。针对目标跟踪过程中的遮挡问题,提出了一种遮挡判别依据,遮挡情况下停止更新模板以实现稳定、鲁棒的跟踪。通过对比实验表明,该算法可以有效地应对尺度变化及遮挡情况,且帧率可以达到120 FPS,满足实时要求。

关键词： 机器视觉   芯片植球   缺陷检测   图像处理   特征提取   分类算法  

摘要： 植球缺陷是芯片制造过程中常见的问题之一,如果不及时检测和修复,可能会导致芯片性能下降或故障。基于机器视觉技术,研究并设计了一种用于芯片植球缺陷检测的方法,旨在提高芯片制造过程中的质量控制能力。通过收集大量包含正常与缺陷样本的芯片植球图像数据集,运用计算机视觉算法进行深入处理与分析。研究过程中,对图像进行了预处理,例如去噪和图像增强,以提升缺陷检测的准确性。进一步采用图像分割算法,有效地将芯片植球从图像背景中分离,便于精确检测缺陷。此外,利用特征提取算法识别芯片植球的独特性质,并通过分类算法准确区分正常与缺陷芯片样本。不仅提高了芯片缺陷检测的精准度,而且为工业生产中的质量控制提供了重要依据,具有积极的现实意义。

关键词： 煤矸石识别   YOLOv8   深度学习   注意力机制   轻量化网络  

摘要： 在煤炭开采过程中,对煤矸进行有效识别不仅可以提高煤炭的燃烧质量,还可以降低污染物排放,现有传统的带式输送机煤矸识别技术操作复杂、效率低、成本高。针对上述问题,提出一种基于YOLOv8-ER的带式输送机煤矸目标检测模型。该模型在YOLOv8基础模型上,引入高效通道注意力网络,对YOLOv8的主干网络进行优化,以增强图像中的重要信息、抑制次要信息,加强主干网络的特征提取能力,降低模型计算复杂度,提升模型学习效率和检测精度。该模型还引入结构重参化技术,以简化推理过程中的网络架构,进一步降低网络体积,增强模型在深层网络中的训练稳定性,提升模型推理速度。实验结果表明,YOLOv8-ER在处理速度和检测精度上均有显著提升,实现了240.8帧/s的高速检测,m AP@0.5达到了92.3%的高准确率;与传统YOLOv8模型相比,准确率提高了3.2%,m AP@0.5提高了4.4%,PR平衡率提高了2.6%,浮点运算次数和GPU使用量分别降低了23.2%和18.6%。根据煤矸可视化结果可以得出,YOLOv8-ER模型能更精准地识别煤矸,避免误检漏检现象,且置信度更高。

关键词： 图像处理   Hough变换   纱线捻度   捻回角  

摘要： 提出了一种基于Hough变换的纱线捻度测量方法,在经过去噪、灰度化、图像增强等预处理后,进行Canny边缘检测,采用Hough变换提取纱线的边缘特征和捻回特征,根据捻度计算公式计算出纱线捻度,并与退捻加捻法进行测捻对比试验。结果表明,用Hough法测量纱线捻度的方法是可靠且准确的。

关键词： 图像识别技术   计算机视觉   电子围栏   视频监控   故障预防   安全监管能力   防撕裂   高度检测  

摘要： 针对选煤厂带式输送机运输距离长、故障率低、安装要求低、实用性强等特点,在运行中安全隐患多,需通过各类保护系统对堆煤、防跑偏、温度、防撕裂、双向急停等进行故障预防,采用图像识别技术作为计算机视觉领域的核心工具,在选煤厂输送带保护、煤量识别、刮板拉斜检测、澄清层高度检测、煤泥水检测、视频监控等方面起到重要作用,有效监测选煤厂生产环节的关键参数,为生产设备自动控制提供数据支撑;在关键位置设置电子围栏,实时监测报警不安全危险行为,提升了选煤厂自动化、智能化水平,完善了选煤厂生产安全监管能力,为选煤厂安全生产提供保障。

关键词： 目标检测   YOLOv5s   草坪杂草   精准施药   颜色注意机制  

摘要： [目的]为了实现草坪维护的精准化施药,针对自然环境中杂草与草坪草颜色相近导致杂草难以识别的问题,以YOLOv5s为基础目标检测网络,提出一种突出输入图片颜色信息的草坪杂草检测模型。[方法]对输入图片进行切片,扩展RGB通道数为原来的4倍。对切片后的图片进行全局平均池化和全局最大池化,提取原图片中的颜色信息,对颜色通道进行加权,提高对单色目标检测效果。为了进一步增强网络对于形状相似颜色不同的目标识别效果,改进SPPF模块为SPPFCSPC模块,进一步提高不同草坪环境下的杂草识别精度。[结果]改进后的YOLOv5s网络对于单色目标识别效果较好,对普通草坪杂草的检测精确率达到0.928,召回率为0.970,mAP@0.5为0.943,帧率为104 f·s^(-1),模型内存占用量13.8 MB比使用Focus模块的YOLOv5s检测精度提高4.1百分点,比使用Conv模块的YOLOv5s检测精度提高5.4百分点,在疏林草坪的检测结果mAP@0.5达到0.957。[结论]本文算法可有效识别多种自然环境中的草坪杂草,可为草坪杂草精准化施药提供支持。本文改进模块对颜色的敏感度较好,为与背景颜色相似度较高的单色目标检测提供技术参考。

关键词： 胡椒目标检测   卷积神经网络   胡椒采摘机器人   成熟度判别   YOLOv8m  

摘要： 目前,针对胡椒智能采摘领域的研究尚属空白,精确识别胡椒果穗的成熟度是胡椒智能采摘关键技术之一。通过两条技术路线判别胡椒成熟度:一是先建立胡椒目标检测深度学习模型,再根据胡椒果穗颜色特征来判别胡椒成熟度;二是直接建立胡椒成熟度判别深度学习模型。利用两条技术路线,采用SSD、Faster R-CNN、YOLOv5s、YOLOv5m和YOLOv8m这5种算法进行胡椒果穗成熟度判别对比。研究结果发现,基于YOLOv8m模型,第1种方法成熟度判别的准确度为94.81%,第2种方法的准确度、召回率等多项指标高达98%以上,可为胡椒智能化采摘机器人的开发提供依据。