关键词： 烟草   计算机视觉   机器人   自动化  

摘要： 针对烟草制丝车间自动解包工序中存在的问题,提出了基于计算机视觉技术的库卡机器人智能识别与安全控制系统设计方案。通过结合计算机视觉技术,系统设计包括图像采集、数据处理、控制执行及用户交互界面,旨在实现烟包的快速识别、精确定位和安全抓取。尽管存在环境适应性、成本效益及算法泛化能力等局限性,但研究成果对烟草制丝行业及工业自动化领域具有重要的实际应用价值和参考意义。

关键词： 遥感   SAR   目标检测   跨模态   特征对齐   注意力机制  

摘要： 合成孔径雷达(SAR)舰船检测是近年来的研究热点。然而,与光学图像不同,SAR成像的特点会导致不直观的特征表示。此外,由于SAR图像数据量不足,现有的基于大量标记SAR图像的方法可能难以达到较好的检测效果。为了解决这些问题,本文提出了一种基于多级跨模态对齐的SAR图像舰船检测算法MCMA-Net(Multi-level Cross-Modality Alignment Network),通过将光学模态中丰富的知识迁移到SAR模态来增强SAR图像的特征表示。该算法首先设计了一个基于邻域—全局注意力的特征交互网络NGAN(Neighborhood-Global Attention Network),通过对骨干网络的浅层特征采用邻域注意力机制进行局部交互、对深层特征采取全局自注意力机制进行全局上下文交互,在兼顾全局上下文建模能力的同时,提升局部特征的编码能力,使得网络在不同层级更合理的关注相应的信息,从而能够促进后续的多级别模态对齐。其次,本文设计了一个多级模态对齐模块MLMA(Multi-level Modality Alignment),通过从局部级别到全局级别再到实例级别的对两种模态不同隐含空间中的特征进行对齐,促进模型有效地学习模态不变特征,缓解了光学图像和SAR图像之间的模态鸿沟,实现了从光学模态到SAR模态的知识传输。大量的实验证明我们的算法优于现阶段的检测算法,取得了最好的实验结果。

关键词： PCB缺陷检测   膨胀挤压卷积   空间向通道集中卷积   细微特征增强   目标检测  

摘要： 为了解决现阶段的印刷电路板(Printed Circuit Board,PCB)缺陷检测方法没有同时关注缺陷的细节信息以及全局信息,跨像素卷积或池化的降采样操作更是造成了PCB表面缺陷全局信息与细节信息的丢失。虽然部分方法使用注意力进行层内信息的关注,但是对普通卷积提取特征后造成的权重偏差问题缺乏关注的问题。本文提出了PCB表面缺陷检测网络(PCB defect detection Network,PCBNet),该方法通过设计膨胀挤压卷积(Dilation and extrusion Convolution,DeConv)提取PCB表面缺陷全局信息与细节信息,使用空间向通道集中卷积(Spatial to Passage Directed Focused Con⁃volution,SPD-Conv)进行降采样以减少信息丢失,设计细微特征增强模块(Subtle Feature Enhancement Module,SFEM)调节PCB表面缺陷特征的层内关系以及减少权重偏差的同时增强算法对细微特征的感知能力。在现场采集的PCB表面焊接缺陷数据集以及PCB Defect-Augmented数据集上与多种先进方法进行的对比的实验结果表明,PCBNet不仅在PCB表面焊接缺陷数据集上能够以每秒83帧的速度进行准确识别,还在PCB Defect-Augmented数据集上取得了COCO数据集评价指标mAP0.5的最佳精度。表明本文的方法拥有可部署在嵌入式设备上运行的潜力。

关键词： 目标检测   Detection Transformer   棉花幼苗   杂草检测  

摘要： 基于深度学习的目标检测技术在棉花幼苗与杂草检测领域已取得一定进展。论文提出了基于改进Detection Transformer的棉花幼苗与杂草检测模型,以提高杂草目标检测的准确率和效率。首先,引入了可变形注意力模块替代原始模型中的Transformer注意力模块,提高模型对特征图目标形变的处理能力。提出新的降噪训练机制,解决了二分图匹配不稳定问题。提出混合查询选择策略,提高解码器对目标类别和位置信息的利用效率。使用Swin Transformer作为网络主干,提高模型特征提取能力。通过对比原网络,论文提出的模型方法在训练过程中表现出更快的收敛速度,并且在准确率方面提高了6.7%。

关键词： 计算机视觉   显著性目标检测   全卷积网络   上下文信息  

摘要： 显著性目标检测目的是识别和分割图像中的视觉显著性目标,它是计算机视觉任务及其相关领域的重要研究内容之一。当下基于全卷积网络(FCNs)的显著性目标检测方法已经取得了不错的性能,然而现实场景中的显著性目标类型多变且尺寸不固定,这使得准确检测并完整分割出显著性目标仍然是一个巨大的挑战。为此,该文提出集成多种上下文和混合交互的显著性目标检测方法,通过利用密集上下文信息探索模块和多源特征混合交互模块来高效预测显著性目标。密集上下文信息探索模块采用空洞卷积、不对称卷积和密集引导连接渐进地捕获具有强关联性的多尺度和多感受野上下文信息,通过集成这些信息来增强每个初始多层级特征的表达能力。多源特征混合交互模块包含多种特征聚合操作,可以自适应交互来自多层级特征中的互补性信息,以生成用于准确预测显著性图的高质量特征表示。此方法在5个公共数据集上进行了性能测试,实验结果表明,该文方法在不同的评估指标下与19种基于深度学习的显著性目标检测方法相比取得优越的预测性能。

关键词： 动态场景   低慢小无人机探测   动态提取   空间匹配   极小像素检测  

摘要： 为了提升动态大视角场景下对极小像素的低慢小无人机目标探测能力,本文提出了融合帧间信息与模板匹配的检测方法。首先,设计了一种动态信息提取模块,通过滤除背景信息干扰,引导算法关注动态变化的小目标区域;其次,提出多模板匹配策略对筛选出的动态区域进行相似度判断,完成无人机目标检测;最后,在天空、山地、楼宇等不同背景下,按照不同尺寸、不同模态进行了无人机目标检测实验。结果表明,本文方法可有效弥补深度学习方法对大视角极小像素目标检测的不足,对低慢小目标检测准确率达到0.81,虚警率为0.06,在像素占比不小于0.01%数据集上准确率能达到0.70。该方法适应可见光、红外多种模态数据处理,可满足后续多种智能算法组合探测应用。

关键词： 人工智能   自然语言处理   智能机器人   问答系统   虚拟现实   知识图谱   语音识别   目标检测  

摘要： 一、引言。人工智能的目标是使计算机具备类似于人类的智能水平,并且能够模拟、理解并执行相关任务。该领域的主要研究包括智能机器人、语音识别、目标检测、问答系统、推荐系统、虚拟现实、知识图谱和自然语言处理等。人工智能的快速发展。

关键词： YOLOv5   OpenCL   视觉测距   目标检测  

摘要： 视觉目标检测与测距是一种利用计算机视觉技术实现对图像或视频中目标物体进行检测和测距的技术。该技术在工业自动化领域发挥着重要的作用。基于YOLOv5算法,进行目标检测时,采用视差计算算法透视变换来估计每个像素的视差值,并利用训练的视差神经网络模型代替传统三角测量原理实现目标检测和测距,为了加快计算速度,使用最新并行计算框架OpenCL来充分发挥计算设备的并行计算能力,运行效率提高了43%,实现了更准确、更快速的检测目标,并提高了测距精度。首先系统调用双目摄像机检测出目标物品,并得到相应的边界框和置信度,然后利用相机的视角差异,双目视觉的立体匹配功能,计算目标物体的实际距离。实验在室外进行,结果表明该系统能准确检测室外目标障碍物,并实现目标测距,在0.5~1.5 m范围内测距误差不超过4%,为巡检机器人自动避开障碍物提供技术参考。

关键词： 计算机视觉   深度学习   YOLOv5   轮对踏面缺陷  

摘要： 针对传统机车轮对踏面缺陷检测方法难以准确、快速、有效地检测出踏面缺陷的问题,文章提出了一种基于YO⁃LOv5算法的两阶段目标检测模型。首先,对YOLOv5检测网络采用Ghost进行轻量化设计,并引入注意力机制以强化重要特征的表达能力,从而提高模型的检测速度,降低模型复杂度。同时,精简踏面提取特征融合网络结构,改进原始先验框以适配数据集。实验结果表明:在踏面提取阶段,算法仅损失0.26%精度的基础上,检测速度提高了43.4%;在缺陷检测阶段,检测精度提高了1.72%,检测速度提高了30.4%。改进后的模型算法复杂度显著降低,具有一定的工程应用价值。