关键词： 蔬菜   图像检测   目标检测   YOLOv5  

摘要： 蔬菜的准确分类与检测对蔬菜的生产加工效率具有重要意义。为了提升蔬菜在生产加工过程中的效率,提出了基于YOLOv5的常见蔬菜图像检测方法。首先,通过LabelImg工具对常见的6类蔬菜图像进行位置信息和类别的标注,为YOLOv5的训练提供数据集。其次,搭建基于YOLOv5的目标检测网络对蔬菜图片进行特征提取,获取蔬菜图像检测网络。最后,在蔬菜测试集上对本文方法的性能进行验证。实验结果表明,本文方法可以有效实现常见蔬菜的图像检测任务。

关键词： 茶芽   深度学习   光源系统   智能采摘   目标检测   机器人  

摘要： 实现茶芽的自动识别与定位是优质茶叶智能采摘设备研发的基础。针对茶芽细小,且采摘环境受光照影响较大等问题,本研究提出了一种基于深度学习网络模型的茶芽识别方法,开展识别系统的光源设计,能够为实现全天候和高效率的智能茶芽采摘设备提供技术支撑。首先,搭建铝合金框架的密闭遮光黑暗环境;然后,通过调节横杆高度和光源亮度创造出3种高度和3种光照强度组合;最后,采集不同组合情况下的茶芽图像数据集,利用改进YOLOv5模型对一芽一叶和一芽两叶开展识别测试。试验结果表明,YOLOv5s的总体准确率为77.13%,总体平均精度均值为86.14%,对于改进后的识别模型YOLOv5s-SPD的总体准确率为80.30%,总体平均精度均值为87.3%,单张图片的平均检测时间为5.7 ms,满足实时检测的要求,比原YOLOv5s总体准确率提升3.17%,总体平均精度均值提升1.16%,有效地提升了茶芽的识别性能。在高度90 cm和亮度L7(0.164~0.328μmol/m^(2))的条件下,一芽一叶和一芽两叶的检测准确率、召回率和AP平均值分别为86.70%、92.45%和95.00%。该方法可以有效快速地检测茶芽,光源设计方案为全天候优质茶叶智能采摘设备的研发提供了支持。

关键词： 图像取证   数字图像篡改定位   图像来源分析   图像拼接篡改区域定位   深度学习  

摘要： 图像过滤方法通过分析和匹配图像特征,检索得到可疑篡改来源图像,分析篡改图像和篡改来源图像的派生关系。本文提出一种基于目标检测约束的图像过滤方法,首次整合了目标检测算法和分布式加速的鲁棒特征索引,一方面利用目标检测算法使得特征检索范围得到约束,另一方面采用分布式局部特征提取方法,有效提高了图像特征检索的效率和准确度。此外,使用尺度可变的有约束图像拼接检测与定位网络在图像特征检索基础上进行深度匹配,进一步对篡改区域和篡改来源区域进行精确查找。实验结果证明,本文算法在篡改图像检索准确性、查询效率方面有明显改进。

关键词： 数字化技术   实验室抽样   人工智能   机器学习   图像处理  

摘要： 随着科技的快速发展,数字化技术已经深入到各行各业,尤其是在科学实验和检测领域,其影响日益加强。本文探讨了数字化技术在检测实验室抽样中的应用,并分析该技术在优化抽样流程、提升数据质量以及预测未来等方面发展趋势。

关键词： 图像处理   水下图像增强   Transformer   生成对抗网络   多项损失函数  

摘要： 由于水下环境的多样性和光在水中受到的散射及选择性吸收作用,采集到的水下图像通常会产生严重的质量退化问题,如颜色偏差、清晰度低和亮度低等,为解决以上问题,本文提出了一种基于Transformer和生成对抗网络的水下图像增强算法。以生成对抗网络为基础架构,结合编码解码结构、基于空间自注意力机制的全局特征建模Transformer模块和通道级多尺度特征融合Transformer模块构建了TGAN(generative adversarial network with transformer)网络增强模型,重点关注水下图像衰减更严重的颜色通道和空间区域,有效增强了图像细节并解决了颜色偏差问题。此外,设计了一种结合RGB和LAB颜色空间的多项损失函数,约束网络增强模型的对抗训练。实验结果表明,与CLAHE(contrast limited adaptive histogram equalization)、UDCP(underwater dark channel prior)、UWCNN(underwater based on convolutional neural network)、FUnIE-GAN(fast underwater image enhancement for improved visual perception)等典型水下图像增强算法相比,所提算法增强后的水下图像在清晰度、细节纹理和色彩表现等方面都有所提升,客观评价指标如峰值信噪比、结构相似性和水下图像质量度量的平均值分别提升了5.8%、1.8%和3.6%,有效地提升了水下图像的视觉感知效果。

关键词： 偏振图像   特征提取   目标跟踪   空间偏振混叠梯度  

摘要： 基于分焦平面的红外偏振摄像仪体积小、实时性好、精确度高,并能有效应对复杂天候与红外伪装等干扰,但输出的偏振马赛克视频需要去马赛克并计算偏振参数,这种耗时较长且存在误差的处理方式限制了该设备在实时目标跟踪领域的应用。为解决这一问题,分析了红外偏振马赛克图像中空间信息与偏振信息的混叠特性,提出基于空间偏振混叠梯度的马赛克图像空间偏振梯度方向直方图特征。特征利用偏振通道之间的空间相关性,设计空间梯度算子获取图像的空间信息,并利用偏振伪全色图像与偏振通道之间的关联性设计偏振梯度算子,结合图像空间信息与偏振信息构建目标特征。将该特征应用于AutoTrack目标跟踪方法,实现了基于空间-偏振混叠信息的实时红外偏振视频目标跟踪。在实拍的红外偏振马赛克视频数据上的实验结果表明,该特征提取方法可提高红外偏振图像的目标跟踪实时性和准确性,并有效利用马赛克图像的偏振信息。

关键词： 激光焊接   熔池   图像处理   数值模拟  

摘要： 硅钢片由于其良好的磁性能被广泛运用于电机定子铁芯生产。熔池是焊接过程中重要的物理现象,其动态行为影响焊接质量。对焊接熔池进行研究,通过焊接过程视觉监测和数值模拟相结合的方式研究了焊接参数对熔池的影响规律及熔池的温度场变化情况。同时,改进U-Net模型,在实现网络轻量化的同时提高网络性能,改进后的模型能够准确分割出熔池并提取特征。改进模型的平均交并比和平均像素精度分别达到95.91%和98.59%,均优于原始模型。数值模拟结果表明,熔池面积和焊接深度与熔池温度呈正相关,监测熔池面积能够较好反映焊接深度变化。这有助于实现焊接过程的在线监测和焊接深度预测。

关键词： 小麦种子   旋耕播种机   图像处理   破损率   机器学习  

摘要： 旋耕播种机推广鉴定时,需要人工检测种子的破损率。为提高检测效率,以小麦种子为例,对种子破损率快速检测方法进行研究。设计种子破损率自动检测平台,可一次性采集50 g小麦种子图像,基于图像处理技术和机器学习方法,提取小麦种子图像13个形状特征和8个纹理特征,建立基于特征的种子破损识别模型;识别的破损种子图像与种子质量的关系,建立基于图像的破损种子质量预测模型,按照鉴定大纲要求实现小麦种子破损率的快速检测。对江苏省“丹阳001”“A888”“泰州014”“无锡004”4个品种的小麦种子破损率进行试验测试,每个品种3次取样测定。结果表明:4个品种小麦种子破损率自动检测的平均相对误差分别为0.08%、0.07%、0.06%、0.08%,检测的相对均方根误差为0.08%,检测平均时长为5.216 s。该研究实现小麦种子破损率自动、快速检测,节省农机鉴定时间,推动农机鉴定过程的标准化和智能化。

关键词： 激光雷达   恶劣天气   真实数据集   仿真数据集  

摘要： 自动驾驶车辆高度依赖传感器收集环境信息,其中LiDAR传感器因能提供精确的三维空间信息而在该领域广泛应用。然而,恶劣天气条件(例如雾、雪、雨等)会导致LiDAR光束散射与折射,进而降低探测精度并影响目标检测性能。因此,研究如何有效缓解LiDAR在恶劣天气下目标检测性能的下降显得尤为重要。利用恶劣天气条件下的真实数据集,探讨了通过数据增强技术模拟恶劣天气以生成仿真数据集的方法,通过分析这些方法的优势与局限性,指出了未来研究的重点与难点。

关键词： 图像处理技术   机器人   焊接焊缝跟踪   灰度变换   图像语义分割   卡尔曼滤波  

摘要： 为解决焊接机器人面对不同焊接工况时,焊缝跟踪精度低的问题,文章提出了基于图像处理技术的机器人焊接焊缝跟踪方法。利用CCD传感器采集机器人焊接焊缝图像,基于点操作的图像增强方法,灰度变换机器人焊接焊缝图像。利用SegFormer图像语义分割模型,通过Transformer编码器与多层感知机解码器,采用递归空洞自注意力机制,从机器人焊接焊缝的灰度图像中提取焊缝跟踪路径。利用卡尔曼滤波算法消除焊缝跟踪路径中的非焊接点,通过机器人焊接焊缝图像的坐标系转换,更新焊接焊缝轨迹堆栈,实现机器人焊接焊缝跟踪。实验结果表明,该方法能够依据机器人焊接焊缝图像处理结果,精准跟踪焊接焊缝,圆弧型与S型焊缝的跟踪误差低于3mm。