关键词： 汽车用棒材轧制   辊缝测量   图像处理  

摘要： 目前国内棒材轧制孔型深度的检测,全部依靠人工卡量,不同的人员测量,会导致不同的结果,进而可能会导致辊缝设置存在较大的偏差。为实现上述孔型深度的自动测量目的,文章研究了一种以标准对比磁棒为标本、平行光源光学成像为手段、图像处理技术为基础的棒材机架孔型深度检测方法,以及相关的数学建模及算法。上述方法能够兼顾现场换辊操作及生产准备的便利性和精度,具有精度高、操作方便的特点。现场实验表明,以图像处理为基础的孔型深度检测方法,其实测精度可以达到0.2 mm以内,且比较稳定,对指导实际工业生产具有一定的实际应用价值。

关键词： 桥梁裂缝   智能识别   图像处理   YOLO-v5   量化评价  

摘要： 为实现钢筋混凝土桥梁损伤的准确定位和快速修复,以常见的裂缝损伤为研究对象,采用自适应匀光和直方图均衡算法增强裂缝目标特征信息,进行图像预处理。通过优化YOLO-v5和ATT-UNet算法,分别完成裂缝图像细观尺度目标快速智能识别及像素分割。采用改进的最短距离法定量分析不同形态裂缝的细节特征尺寸,构建深度学习模型评价体系。通过智能识别模型预测和实测真实数集对比实验,得到训练后模型的精确率、召回率、调和平均F1值和交并比IoU分别为89.47%、96.23%、92.73%和86.44%,裂缝长度和宽度识别计算误差分别控制在±3.2mm和±0.35mm范围内,从而验证了钢筋混凝土桥梁表面裂缝智能识别及评价技术的有效性、可靠性与泛化性。

关键词： 海杂波   目标检测   高维特征   AlexNet模型  

摘要： 目前,海面小目标已成为海洋雷达探测的重点和难点。这类目标具有低信杂比和弱机动性,导致传统检测器性能损失严重,出现检测概率低和虚警率高的问题。为了有效探测目标,常常需要雷达具备长时观测的能力,从而提高目标回波的信杂比。新体制下全极化雷达可保证足够的观测时间,且进一步拓宽信息的维度。为此,本文提出一种基于改进1D-AlexNet的新检测方法,通过充分挖掘全极化雷达的回波信息,全面提高海面小目标探测能力。首先,从时域、频域、时频域、极化域,提取24个有效特征,他们综合反映了海杂波和含目标回波在功率、分形、几何、散射等方面的差异性。其次,联合所有特征构建一个高维特征空间,并将传统二元检测问题转换为高维特征空间中的两分类问题。随后,从结构和参数两个层面,设计一种改进1D-AlexNet的两分类器,用于检测小目标。在结构层面,将传统二维AlexNet模型降低到一维并进行层数精简化,从而加快模型的训练速度。在参数层面,引入具有自适应调整斜率的激活函数,保证模型的稳定性。同时,将幂指数衰减函数替代固定学习率,进一步提高模型的分类精度。最后,通过IPIX实测数据验证,结果表明:相对现有的特征检测器,所提出的检测器具有最佳的检测性能,并在复杂的杂波环境下仍能保持稳健性。此外,改进后的分类器结构简单,训练速度快,有望应用于实际雷达快速探测中。

关键词： 目标检测   深度学习   条码   Swin Transformer   FCOS  

摘要： 条码检测是一种广泛应用于不同行业的技术,用于识别、验证和检查条码的质量和准确性。然而,传统的检测方法在处理尺度变化较大等复杂情况下的表现较差,通常存在检测速度和效率低、应用范围有限等问题,并且传统的方法通常只关注图像的局部信息,忽视了条码在不同尺度上的特征等问题。针对上述问题,提出了一种基于改进Swin Transformer的条码检测算法。首先,通过引入局部感知性和多尺度特征提取机制,具有更好的鲁棒性,能够应对不同大小和形状的条码;然后,引入了基于FCOS的检测框架的创新思想;最后,在标注好的条码数据集上对改进后的算法进行模型训练和测试。实验结果表明,所提出的改进后的模型与YOLOv4算法相比,精确率、召回率分别提高了5.78%、3.18%,整体性能优于其他主流算法,有效提升了条码检测能力并达到较高的检测精度。

关键词： 自然语言处理   人工智能   计算机视觉   机器学习   智能控制   深度学习   专科专业   修业年限  

摘要： 一、专业解析人工智能技术应用是专科专业,修业年限为三年。人工智能技术应用专业的学习内容涵盖了多个方面,主要包括人工智能的基础理论、基本知识和基本技能,以及人工智能技术在各领域中的应用。以下是该专业的主要学习内容和课程:(一)基础理论学习人工智能的基本概念、原理和方法,包括机器学习、深度学习、计算机视觉、自然语言处理、智能控制等。

关键词： 图像处理   图像识别   香梨   目标检测   YOLOv8   轻量化   消融试验  

摘要： 针对非结构化环境下香梨识别准确率低,检测速度慢的问题,该研究提出了一种基于改进YOLOv8n的香梨目标检测方法。使用Min-Max归一化方法,对YOLOv3-tiny、YOLOv5n、YOLO6n、YOLOv7-tiny和YOLOv8n评估选优;以YOLOv8n为基线,进行以下改进:1)使用简化的残差与卷积模块优化部分C2f(CSP bottleneck with 2 convolutions)进行特征融合。2)利用simSPPF(simple spatial pyramid pooling fast)对SPPF(spatial pyramid pooling fast)进行优化。3)引入了PConv(partial convolution)卷积,并提出权重参数共享以实现检测头的轻量化。4)使用Inner-CIoU(inner complete intersection over union)优化预测框的损失计算。在自建的香梨数据集上,指标F_(0.5)分数(F_(0.5-score))和平均精度均值(mean average precision, mAP)比原模型分别提升0.4和0.5个百分点,达到94.7%和88.3%。在GPU和CPU设备上,检测速度分别提升了34.0%和24.4%,达到了99.4和15.3帧/s。该模型具有较高的识别准确率和检测速度,为香梨自动化采摘提供了一种精确的实时检测方法。

关键词： 遥感图像   结构重参数化   门控通道转换   采样方式   损失权重分配  

摘要： 由于遥感图像具有背景复杂、目标较小且密集、尺度连续变化大等特点,通用目标检测器难以较好地适应,导致检测效果不佳。针对以上问题,基于YOLOv5s模型,提出一种多分支特征映射的遥感图像目标检测算法。首先,利用结构重参数化技术设计一种结合门控通道转换的RepVGG模块,采用其串联结构替换原主干网络的C3模块,聚合全局上下文信息,增强特征表达和特征提取能力;其次,使用自适应指数加权池化方法以及逆过程重构特征融合网络的采样方式,最大化地保留特征信息,改善较小目标的检测效果;最后,引入EIoU和Focal Loss组合作为模型的损失函数,优化预测框的回归速率以及难易样本的损失权重分配,进一步提高定位精度。在DIOR和NWPU VHR-10数据集上的实验结果表明,提出算法的平均精度均值分别达到92.2%、92.5%,较YOLOv5s分别提高了3.5个百分点、5.6个百分点,达到了更好的检测效果,同时实时性也满足实际场景下的遥感图像目标检测。

关键词： 无线传感器网络   移动目标跟踪   状态向量   粒子滤波   多模态数据   传播延迟  

摘要： 为了实现对移动目标的跟踪,提出了一种新颖的基于目标状态可观测性和多模态数据粒子滤波(Particle Filter,PF)的跟踪方案。通过部署在目标移动区域中的传感器获得跟踪目标的距离和到达方向测量值,对接收到的数据进行预处理来计算PF的观测值,以形成一个临时距离图像。通过利用状态更新函数和形成的候选图像模板确定目标状态向量;在PF器中加入额外的加权阶段,使得PF器可自适应地同步多模态数据流,以实现鲁棒的目标跟踪。仿真实验结果验证了所提方案能够有效地跟踪移动目标。

关键词： OpenCV   边缘检测   仪表数据自动读取   工业自动化   图像处理  

摘要： 随着工业自动化水平的提升,仪表在生产中的重要性日益凸显。传统的人工读取仪表数据方式存在成本高、效率低和易出错等问题。利用强大的开放式计算机视觉库(open source computer vision library,OpenCV),通过摄像头采集仪表图像,经过图像预处理、边缘检测和分割等步骤,可以实现仪表数据的自动化读取。基于OpenCV优化边缘检测的仪表数据自动读取系统不仅可克服传统人工读取仪表数据方式存在的问题,还可显著提高仪表数据的处理速度、识别准确率和可靠性,降低工厂人力成本,提升工业生产效率。

关键词： 深度学习   遥感图像   目标检测   局部自适应特征加权  

摘要： 遥感图像目标检测已成为目标检测领域的重要组成部分。为了解决复杂背景下高分辨率遥感图像中小尺度目标的漏检与误检问题,结合YOLOv5s算法并在检测端提出一种局部自适应特征加权算法,通过学习已有的标注框信息将含有目标特征的前景与背景分离,获得前景中具有关键信息的目标局部特征,并自适应计算各层局部特征的空间尺度和权重。同时在主干部分引入全局注意力机制用于加强通道与空间之间的跨维度特征信息交互能力,增强特征间的关联性,以弥补检测端局部特征的全局信息丢失,从而降低目标的漏检率和误检率。实验表明:该改进算法的准确率和召回率均得到一定的提升,其均值平均检测精度mAP达到72.33%,相较于传统YOLOv5s算法提升了2.66%。