关键词： 微小目标检测   循环层聚合网络   特征金字塔   高斯感受野   标签分配   Wasserstein损失  

摘要： 针对航拍场景中包含的目标尺寸小、有效特征信息少的问题,提出一种基于改进的变焦网络VFNet(VariFocalNet)的航拍场景中微小目标检测算法。首先,为增强微小目标的特征表征能力,采用特征提取性能更好的循环层聚合网络(RLANet)代替ResNet作为主干网络;其次,为解决特征金字塔自顶向下融合时顶层特征信息丢失问题,引入特征增强模块(FEM);然后,为解决现有标签分配方法在微小目标标签分配上的样本分布不平衡问题,改进的VFNet采用了基于高斯感受野的标签分配方法;最后,为减小微小目标对位置偏移的敏感性,引入一种边界框回归损失函数Wasserstein损失测量预测边界框高斯分布和真值框高斯分布的相似性。在AI-TOD数据集上的实验结果表明:改进后的VFNet算法的平均精度均值(mAP)达到了14.9%;与改进前的算法相比,在航拍场景下的微小目标上的检测mAP提高了4.7个百分点。

关键词： 目标检测   建筑护栏   改进YOLOv5s   Biformer注意力机制   CBAMC3   CLAHE算法  

摘要： 目前,建筑场所上仍存在因建筑护栏缺失或建筑护栏安全性降低而导致的建筑工人高空坠亡事件。针对该问题,提出一种基于改进YOLOv5s的建筑护栏检测算法。首先,针对建筑护栏普遍存在的安全隐患,收集影响护栏安全性较大的情况的图像,例如:建筑护栏栏板的存在图像、建筑护栏栏板的缺失图像、护栏网图像、护栏栏板衔接错位图像和护栏栏板衔接正确图像等,并且制作成训练数据集。为提升YOLOv5s在复杂环境下多目标检测任务和区分任务结果的准确率,将新型的Biformer注意力机制与SE注意力机制相结合,嵌入到原模型的特征提取网络中,并利用CBAMC3取代原特征提取网络的C3模块。最后,使用CLAHE算法较大程度地解决部分图像亮度偏暗,影响检测精度的问题。实验结果表明,所提检测算法的mAP50值和召回率分别达到了79.6%和83%,相比于原YOLOv5s算法分别提高了3.7%和6.8%。

关键词： 桥梁病害   深度学习   算法YOLOv8   方法应用  

摘要： 为解决无人机系统应用于桥梁巡检碰到的主要问题,本文首先通过对深度学习神经网络和拟采用的目标检测算法YOLOv8的原理和损失函数构造进行详细研究分析,并研究改进YOLOv8的桥梁表观病害识别方法,然后通过模型对比,最后将改进的YOLOv8的桥梁表观病害目标检测方法应用于桥梁典型病害分析、融入人工标注数据研究、仿射变换数据开展图像增强研究,得出改进后的YOLOv8实现了对桥梁表观缺陷小目标的精确检测,从检测的识别率和准确率都较相关的SSD、YOLO这类单阶段检测算法具有较大提升,有效证明该方法的有效性,为桥梁检修和维护提供了便利和支持。

关键词： 目标检测   样本扩充   水面波动  

摘要： 针对真实场景下水面波纹影响鱼群检测的问题,本文通过叠加水面波纹的方法扩充训练集,使得模型能够更好地适应实际场景,并设计了对应的告警系统。该方法以自行采集的实验环境的图像为基础训练集,通过叠加正弦水波的形式扩充数据集,然后使用扩充的数据集训练PP-YOLO模型实现鱼群的检测与计数。结果显示,新的模型能够适应水面波纹影响下的鱼群。本文还设计了一个告警系统,根据检测模型的结果和鱼群计数的结果,按照用户配置的策略和方式发出告警,为水产养殖的自动化、智能化发展提供了技术支持。

关键词： 表面缺陷检测   计算机视觉   金属表面缺陷   自动化检测  

摘要： 针对平面及三维结构金属材料的工业表面缺陷检测,概述了视觉检测技术的基本原理和研究现状,并总结出视觉自动检测系统的关键技术包括光学成像技术、图像预处理技术与缺陷检测器.首先介绍了如何根据检测对象的光学特性选择合适的二维、三维光学成像技术;其次介绍了图像降噪、特征提取、图像分割和拼接等预处理技术的重要作用;然后根据缺陷检测器的实现原理将其分为模板匹配、图像分类、图像语义分割、目标检测和图像异常检测五类,并对其中的经典算法进行了归纳分析.最后,探讨了工业场景下金属表面缺陷检测技术实施中的关键问题,并对该技术的发展趋势进行了展望.

关键词： 目标检测   目标分割   卷积神经网络   工业智能化  

摘要： 在部分生产线上,钢坯从炉内出炉的过程中,需要依靠人眼判断钢坯是否到达指定位置,到位后再利用推钢机推动炉内的钢坯完成出炉过程。在这个过程中,人眼长时间观察摄像头屏幕容易疲劳,人工劳动强度大成本高,生产工作效率较低。针对以上问题,文中提出利用机器视觉系统替代人类视觉系统进行钢坯位置的实时定位,首先将钢坯定位问题转换为关键点检测问题,然后提出了基于ResNet网络和基于关键点分割网络(Key Point Segmentation Network,KPSN)的两种模型来进行关键点检测,最后,通过测试和分析所提出的两种方法,提出了多方法融合的关键点检测方案,降低了极端情况下误检的风险,实际应用表明,文中所提方法具有较高的鲁棒性,达到了实际应用的要求。

关键词： 机器视觉   缺陷检测   图像处理   深度学习  

摘要： 随着技术发展,缺陷检测技术逐渐由基于传统图像处理技术演化成基于深度学习的缺陷检测技术,两种方法各有优缺点,也都有值得借鉴的地方。文章调研机器视觉发展相关文献,列举不同时期机器视觉研究者的检测方法,并进行综述。通过列举国外机器视觉发展路程与国内视觉检测应用实例,对今后缺陷检测领域发展提出展望,希望为后续研究提供一定参考。

关键词： 目标检测   小目标   注意力机制   感受野   损失函数  

摘要： 为了解决遥感图像中小目标的误检、漏检难题,提出了一种改进的YOLOv7-tiny算法。首先,引入高效多尺度注意力模块(efficient multi-scale attention,EMA),基于此设计了多尺度特征提取模块ELAN-EMA,这大大增强了骨干网络对于多尺度特征的提取能力;其次,在特征金字塔网络(feature pyramid network,FPN)中引入内容感知特征重组(content-aware reassembly of features,CARAFE)优化最近邻上采样方法,设计了FPN-CARAFE结构,扩大了感受野,从而能够获取小目标更多的细节信息和丰富的语义信息;最后,采用归一化距离损失函数(normalized wasserstein distance,NWD)优化CIoU损失函数,设计了NWD-CIoU损失函数,降低了CIoU对小目标位置偏移的敏感性,能够更好地提升小目标的检测效果。在公开的遥感数据集RSOD和NWPU VHR-10上进行的实验表明,与基准模型相比,在计算量和参数量略增长的情况下,改进的模型在平均精度均值(mAP)mAP@0.5上分别提升了3.6%和1.8%,有效地提高了遥感图像中小目标的检测精度,综合性能优于其他算法,满足部署在遥感检测系统上的要求。

关键词： 目标跟踪   点群共存   轨迹泊松多伯努利混合滤波  

摘要： 针对传统群目标跟踪算法在点群共存场景下跟踪精度低的问题,提出了可以同时对点目标和群目标进行跟踪的轨迹泊松多伯努利混合(trajectory Poisson multi-Bernoulli mixture,TPMBM)滤波算法。该算法对目标的状态空间进行扩展,在标准点目标和群目标模型的基础上引入关于目标类别的概率信息,通过TPMBM滤波器的预测和更新过程实现对目标类别的判断和对目标运动状态的估计。仿真结果表明,与现有算法相比,所提算法在点目标和群目标共存时漏检误差明显降低,具有更优的跟踪性能。

关键词： 双目视觉   运动目标检测   三维重建   YOLOv3   移动机器人  

摘要： 移动机器人凭借其工作性能可靠、减少生产制造成本等优势,在现代集成智能制造业中具有广阔的市场应用前景。但目前移动机器人室内环境感知系统存在感知维度单一、精度不高等问题,往往难以满足多维度实时精确感知环境的需求。因此,在模拟物流储仓的实验室环境下构建了一种可同时进行二维动态目标检测和三维场景地图重建的环境感知系统,将双目相机采集的图像分别输入增加树形特征融合模块的改进YOLOv3网络与加入带色彩恢复的多尺度视网膜增强算法和关键帧筛选机制的优化RTAB-MAP算法,运行结果在机器人可视化平台实时显示,从而进行多维度环境感知,满足多任务需求。实验结果表明,动态目标检测中查准率与查全率较原算法分别提高1.78%和1.73%,检测耗时为16.57ms/f,平均定位误差为1.49%;改进后的RTAB-MAP算法相较原算法各误差均显著下降,实际室内场景重建中三维点云地图质量更佳。