关键词： 图像处理   轻量化   Ghost Bottleneck   C2f-GAM模块   多尺度特征融合   可变形卷积   YOLOv7-tiny  

摘要： 为了解决现有室内视觉辅助算法检测性能低、模型参数量大、不易部署于边缘设备等问题，对YOLOv7-tiny进行改进，提出一种新的网络YOLOv7-Ghost。首先，针对模型参数量大的问题，引入幽灵瓶颈代替部分池化操作和高效层聚合网络ELAN，大幅度降低模型参数量；其次，通过构建一个全新的高性能轻量化模块C2f-GAM，综合考虑全局和局部特征信息，更好地捕捉节点的上下文信息，然后引入多尺度特征融合模块SPPF-GB，对特征进行重组和压缩以融合不同尺度的特征信息，增强特征的表达能力；最后在Head部分引入可变形卷积DCN，增强感受野的表达能力，以捕获目标周围更细粒度的目标结构和背景信息。经过对新网络的测试，改进后的模型参数量下降了20.33%，模型大小下降了18.70%，mAP@.5%和mAP@.5:.95%分别提升了1.2%和3.3%，在保证轻量化的同时检测精度得到了大幅度的提升，更利于室内场景目标检测算法实际应用的部署。

关键词： 单轨吊   无人驾驶   机器视觉   目标检测   YOLOv5   接缝检测  

摘要： 单轨吊作为煤矿井下辅助运输的重要设备形式之一,具有运载能力大、爬坡能力强等优点,在煤矿智能化建设背景下无人驾驶是其必然的发展方向。为确保无人驾驶单轨吊在井下巷道内的安全行驶,对轨道接缝和关键目标的可靠检测尤为重要,从提高单轨吊无人驾驶安全通过性出发,对单轨吊无人驾驶目标识别算法与轨道接缝检测方法两大主要方面展开了研究。首先,对矿井图片数据集进行了增强处理,提高了其多样性;提出了一种加入改进通道注意力机制ECA_s和EIOU回归损失函数的YOLOv5算法,并对改进后的YOLOv5算法进行试验分析,结果表明,采用改进后的YOLOv5算法,识别准确率提高了9.1%,mAP提升了3.6%。其次,建立了基于机器视觉的单轨吊轨道接缝检测方法,采用图像预处理、直方图信息统计、形态学处理等技术,根据标定系数计算轨道接缝距离,结果表明,基于机器视觉的轨道接缝检测算法处理一张接缝图像的检测误差仅为0.3 mm。最后,开展了单轨吊无人驾驶目标检测试验,结果表明,改进后的YOLOv5目标检测算法平均精度达到90.3%,具有更高的检测准确率;单轨吊轨道接缝检测算法处理接缝图像的平均检测误差为0.73 mm、最大检测误差不超过1.1 mm,具有更高的检测精度。为保障煤矿井下单轨吊无人驾驶安全通过性和可靠性,提供了务实可行的检测方案和精确可靠的检测算法。

关键词： 国画颜色特征   HIS色系   亮度匹配   图像处理  

摘要： 为实现国画作品的数字化重建,提出一套HSI色系下的国画颜色再现方案。基于国画材质反射特性对颜色信息特性加以分析,发现在实际操作中可以采用亮度匹配的方式实现国画作品的数字化再现,最后针对该颜色再现方法进行对比实验。经实验研究发现,所提出的国画颜色再现技术能够实现较高精度的色彩重建,重建效果十分接近拍摄效果。

关键词： 目标检测   防溺水   DyHead   注意力机制   Focal-EIoU  

摘要： 针对情况复杂而无法实现人员全天全面监管的场所,在实时检测人员防溺水方面存在困难的问题,提出了一种融合统一注意力机制动态头的YOLOv5-Dy-GBCA模型。首先,通过在YOLOv5的Head前引入动态检测头(DyHead),增强头部感知目标的空间位置、尺度和检测任务的能力;其次,将Backbone中的C3模块替换成由GhostBottleneck结构和坐标注意力模块(CA)构成的幻影坐标注意力特征提取模块(GBCA),有效改善了因水上人员相互遮挡、人体在水面浮现体积较少而造成输入的特征语义信息不丰富,特征信息提取不足的问题;然后,引入加权双向特征金字塔网络(BiFPN),增强模型在不同尺度上的特征融合能力;最后,采用Focal-EIoU损失函数,改善难易样本不平衡对检测结果的影响。实验结果表明,YOLOv5-Dy-GBCA模型在维持了原模型检测速度的同时,取得了91.50%的平均精度(mAP),相较于传统算法和其他主流算法检测效果更优。

关键词： 簧片   X光片   间距检测   图像处理  

摘要： 针对磁保持继电器中的簧片在经过高强度测试后会发生形变,而形变量的检测较为困难的问题。提出了一种针对簧片X光片图像的处理方法。首先对X光片图像进行灰度提取,以减少图像的数据处理量;再通过图像模式匹配精准定位,以截取出目标簧片所在位置的图像区域;最后通过轮廓提取,获取到较为精准的簧片轮廓曲线,此曲线中包含有簧片轮廓的像素点坐标信息,直接计算两曲线的像素点坐标距离,就可得到两簧片间的最短距离,即所要检测的簧片形变量。经过实验验证,此方法可以准确而高效地完成对簧片形变量的检测。

关键词： 单目视觉   测距   逆透视变换   检测框下边沿中心点   目标检测  

摘要： 对车辆测距是当今驾驶领域的热门研究方向。针对传统测距方法测距精度受到车型大小影响的问题以及前车存在的X轴偏移问题,提出了基于检测框下边沿中心点的车辆测距模型。该模型通过使用单目视觉摄像头及车辆检测算法获取前方车辆的位置信息,并通过车辆检测框得出的下边沿中心点坐标,以及相机安装的俯仰角信息综合建立了车辆测距模型,解决了车型大小带来的误差问题;通过构建三角函数模型,解决了前车相对于实验车辆存在的X轴分量问题,并优化改进了前车安全距离的判定方式;设定车尾矩形框中心点横坐标与车辆外接矩形框宽度的比值λ,根据λ取值分情况讨论,使该模型更符合场景应用需要。并提出了基于测距关键点的逆透视变换模型,减小了测距误差。实验表明,改进后测距模型的测距精度不受车型大小的影响且能考虑到前车位置的X轴分量问题,改进后的测距模型相对于传统测距模型,测距误差降低了约1.5%,且测距精度明显提高。

关键词： 目标检测   周期纹理   织物表面瑕疵检测   零斜率RANSac   多度量多模型图像投票  

摘要： 为解决自动化生产线上织物表面瑕疵检测准确率低和计算速度慢的问题,利用织物表面具有周期纹理的特性提出了一种改进的RANSac检测方法,即多度量多模型图像投票。首先将输入图像裁剪为尺寸一致的子图,计算出子图多维度量的输出值矩阵;然后与改进RANSac计算出的无瑕疵背景的多维度量标准值分别对应作差,采用投票得出每张子图的基础分;再将其在4个记数模型下得到的综合评分排序,根据顺序和偏移量在输出端得到外点所代表的瑕疵子图。实验结果表明:在自采样的织物瑕疵数据集上,选择单度量和单模型的预测精度平均可达到90.9%,平均预测时间达到0.139 s,综合多度量多模型投票的平均预测精度可达到92.7%。该算法不需要大量前期数据进行训练,适用于纯色和条纹状织物的实时表面缺陷检测。

关键词： 人工智能   自然语言处理   图像处理   计算机技术   谷歌   Open   语言模型   李世石  

摘要： 随智能人工着计算机技术的不断发展,人工智能与大模型领域逐渐成为国内研究的重点。例如2016年谷歌的AlphaGo在一场历史性的比赛中战胜了围棋世界冠军李世石,这标志着人工智能在复杂策略游戏上的重大突破。而最为震撼的是OpenAI发布的ChatGPT语言模型。国外似乎一直引领着人工智能时代的发展与变迁,我国也紧跟时代潮流,但是未曾有人回过头来看人工智能的根源。我们在研究图像处理、自然语言处理等人工智能技术的同时,不妨想想人工智能的发展起源究竟是什么。

关键词： 安全帽检测   卷积神经网络   Faster R-CNN   煤矿安全   目标检测  

摘要： 传统的安全帽佩戴检测方式存在浪费人力、环境适应性差等问题,同时,实际应用中的安全帽佩戴检测需结合人体检测来进行,只有检测出戴在头上的安全帽才算符合要求,因此,需要先找出监控图像或画面中煤矿工作人员的人脸位置,再根据人脸的位置识别出人脸上方的安全帽。提出了一种基于卷积神经网络的矿用安全帽佩戴检测模型:基于Faster R-CNN网络进行改进,将VGG16作为特征提取的主干网络;为了更好地对重叠目标进行检测,使用Soft NMS方法代替原本的NMS算法对冗余的候选框进行删除,构建了符合煤矿生产需求的安全帽佩戴检测模型。实验结果表明,提出的模型算法在平均检测精度上明显优于其他现有检测算法;在召回率方面,提出的模型算法比Faster R-CNN高出3%,查全效果明显提高;与原Faster R-CNN算法相比,模型运算速度提升了23帧/s。相较其他模型,提出的模型在检测精度、运算速度上均取得良好效果,满足煤矿智能化建设所要求的部署与应用要求。

关键词： 历史信息   自监督学习   目标检测  

摘要： 视觉导航旨在通过环境中的视觉信息提供导航依据,其中关键任务之一就是目标检测.传统的目标检测方法需要大量的标注,且只关注图像本身,并未充分利用视觉导航任务中的数据相似性.针对以上问题,本文提出一种基于历史图像信息的自监督训练任务.该方法聚合同一位置的多时刻图像,通过信息熵区分前景与背景,将图像增强后传入SimSiam自监督范式进行训练.并改进SimSiam投影层和预测层中的MLP为卷积注意力模块和卷积模块,改进损失函数为多维向量间损失,以提取图像中的多维特征.最后,将自监督预训练所得模型用于下游任务的训练.实验表明,在处理后的nuScenes数据集上,本文提出的方法有效提高了下游分类及检测任务的精度,在下游分类任务上Top5准确率达到66.95%,检测任务上mAP达到40.02%.