关键词： 集装箱   箱损识别   深度学习   YOLOv3算法   目标检测  

摘要： 为了节省集装箱检测人力和时间成本,实现对集装箱箱损的精准评估,提出基于改进的YOLOv3算法的箱损区域定位方法:通过改进的YOLOv3网络精准定位集装箱可能受损的区域,并借助网络结构优化,显著提升细微损伤识别能力;同时,针对箱损特征实施深度定制化网络调整,包括调整模型先验框以适应不同尺寸损伤,从而确保箱损识别的准确性。试验证明:基于改进的YOLOv3网络定位箱损区域不仅有利于降低计算成本,还能确保系统实时响应,实现箱损自动化快速识别。

关键词： 孔测量   数学模型   计算机视觉   人工智能   智能制造  

摘要： 现有孔参数测量方法,难以适用于复杂环境条件测量需要,急需设计新的满足工程实际应用的方法。基于此,设计了识别测量算法,包含了同数控加工机床主轴配置的孔图像获取装置,构建了基于残差卷积网络用于提取孔特征的数学模型,用于精细识别孔径回归数学模型与孔位度量数学模型。采集加工现场零部件孔表面状态图像进行分析,提出方法较主流CH、RH、SH、Hh方法,20组测试样本半径偏差累积分别降低为原来的5/16、1/3、5/16、1/4,累积孔位偏差分别降低为原来的5/39、5/32、5/29、10/83,孔口缺陷平均F1-score值为0.94达到了工业应用0.9的标准。基于实验结果,说明了说提出算法更优的半径拟合与孔位测量能力,满足实际识别检测需要的同时可有效助力航空装置智能化转型升级。

关键词： 计算机视觉   图像处理   肌内脂肪含量   猪  

摘要： 旨在开发基于计算机视觉技术的猪肉质图像快速鉴别方法,为解决猪肉质传统测定方法缺陷和构建猪肉质快速测定系统奠定技术基础。本研究采用canny边缘检测算法、归一化、伽马校正、自适应直方图均衡化和阈值化等方法进行图像处理,利用二维信息模拟了猪背最长肌的三维模型,开发了基于图像的猪肌内脂肪含量计算机视觉测定方法。利用人工描绘和计算机视觉轮廓搜寻技术开发了基于图像处理的眼肌面积识别方法。利用Open CV和C++实现各方法的底层算法程序,研发了一套猪肌内脂肪含量和眼肌面积的测定系统,并利用250头不同品种的试验猪进行了应用测试。测试结果显示,肌内脂肪含量检测模块能够快速实现肌内脂肪图形信息的提取与预测,单个样品检测时间平均不超过2 min,准确性可达0.54,且测定离散系数为0.062,具有较强的稳定性。眼肌面积与背膘厚检测模块能够通过人工与计算机结合的方式快速测定眼肌面积和背膘厚。本研究建立的检测方法和软件系统能够实现猪肌内脂肪含量、背膘厚和眼肌面积的快速检测。

关键词： 《计算机应用》   自然语言处理   计算机视觉   人工智能   训练数据   视觉感知   逻辑推理能力   典型应用  

摘要： “大模型”(大规模预训练模型)是引领人工智能领域的变革式新范式,能够提供强大的知识表示与聚合能力,已展现出媲美人脑的视觉感知与逻辑推理能力。在超大参数规模、海量训练数据和强大计算资源支撑下,大规模基础模型(CLIP、SAM、GPT-4V、Sora等)已成为一系列下游任务的基石,展示出强大的任务性能与卓越的泛化能力,在自然语言处理、计算机视觉、工业数字化和智能化等多个领域有着重要突破和广泛应用。

关键词： 小目标检测   交通标志识别   注意力机制   YOLOv5s   深度学习  

摘要： 交通标志识别应用中待检测目标多为小目标,因其携带信息少、定位精度要求高、易被环境噪声淹没等特点成为当前交通标志检测的难点.针对小目标交通标志漏检、误检、检测准确率低等问题,本文设计了一种用于小目标检测的STDYOLOv5s(Small target detection YOLOv5s)模型.首先,通过增加上采样和Prediction输出层数获得了更丰富的位置信息,解决了YOLOv5s模型在处理小目标时信息不足的问题,增强了对图像的全局理解能力;其次,在每个C3模块之后添加CA(Coordinate attention)注意力机制并在每个输出层前添加Swin-T注意力机制模块,增加了网络对多层特征信息的捕捉,提高了小目标的检测性能;最后,充分利用SIoU惩罚函数同时考虑目标形状、空间关系的特点,更好地捕捉不同尺寸的目标在图像中的位置关系,提高目标位置的精确性.所提模型在TT100K数据集上进行了验证实验,实验结果表明本文方法不仅保持了YOLOv5s模型的轻量性和快速性,在精确率、召回率和平均精度三个指标上也有所提升,提高了小目标检测的精确性.

关键词： 多传感器融合   图像识别   目标检测   神经网络   准确性  

摘要： 随着科技的飞速发展,智能设备在导航、自动驾驶、安全监控等领域的应用日益广泛,但单个传感器往往难以应对复杂多变的环境条件,多传感器信息融合技术应运而生,成为提高目标检测准确性和鲁棒性的关键手段。为优化图像识别和目标检测技术,文章主要分析了多传感器融合技术在图像识别与目标检测中的优化应用方案,通过整合不同的传感器信息,提出一种改进的多传感器融合算法,以增进目标检测准确性和鲁棒性。研究结果表明,在图像识别与目标检测中融合多传感器可显著增进目标检测的效率与精度,尤其可高效应对动态环境和复杂环境。

关键词： 铁路货车技术作业   货车故障轨旁图像检测系统(TFDS)   动态检车作业   作业质量评价   培训与考试   图像处理   故障分析  

摘要： 货车故障轨旁图像检测系统(TFDS,Trouble of moving Freight car Detection System)是保障铁路货车运行安全的重要技术装备。为适应TFDS检车作业场所集中化的管理变革,建设了TFDS集中检车系统(简称:TFDS检车平台),通过汇集多个轨旁TFDS探测站的检测数据,实现TFDS动态检车任务的统一分配和作业过程的闭环管理。随着TFDS动态检车任务量不断加重,亟需强化动态检车作业质量考核,提高检车员辨识车辆故障的能力,以确保运用货车安全运行、满足货运装车需要。本文针对TFDS检车平台在应用中存在的不足,充分利用该平台的TFDS货车图像数据,研究开发TFDS货车图像数据应用系统,满足动态检车作业质量评价、检车员培训等实际需求,有助于提升TFDS集中检车作业的质量和效率。

关键词： DR图像   管道焊缝   目标检测   迁移学习  

摘要： 针对管道焊接领域所产生的人工焊缝缺陷质量检测结果过于主观的问题,本文提出一种基于迁移学习的管道焊缝缺陷质量智能检测方法,使其能够在焊接过程中对管道焊缝缺陷的关键特征进行识别和定位。主要思想是利用YOLOv5目标检测方法,并结合去噪和数据增强的图像预处理策略对模型进行构建,同时结合真实世界的焊缝缺陷数据对模型进行迭代更新,使得模型拥有泛化的能力。通过实验对比分析出本方法的优势,其中,定性实验显示出本方法在DR图像上的识别有效性,定量实验展示模型的识别准确度。结果表示,本方法在DR图像上具有良好的焊缝质量缺陷检测能力。

关键词： 电力巡检   目标检测   联邦学习   激励机制   公平性  

摘要： 基于深度学习的目标检测算法能够高效处理电力巡检图像,及时发现故障隐患。然而,由于数据整合困难及数据隐私保护等原因,单个电力公司或第三方机构可能不足以训练出高性能模型。为解决这一问题并激励更多参与方加入面向电力巡检图像目标检测的联邦学习,该文构建了基于模型公平和基于收益公平的电力巡检图像目标检测联邦激励机制。基于模型公平的激励机制适用于所有参与方都是数据拥有方的情况,通过贡献评估分配不同性能的模型;基于收益公平的激励机制针对同时存在数据拥有方和数据需求方的模式,数据拥有方获得相应的收益,而数据需求方获得高性能模型。实验结果显示,在这两种激励机制中,公平性相关系数分别可达到0.96和1。这表明所提出的激励机制可有效地提升公平性,并能够激励更多的参与方加入到面向电力巡检图像目标检测的联邦学习中。

关键词： 海面救援   无人机图像   小目标检测   注意力机制   特征融合  

摘要： 针对无人机(UAV,unmanned aerial vehicle)图像中小目标所包含的特征信息少,导致模型检测精度不足的问题,面向无人机海面救援任务提出了一种融合多尺度和上下文信息的图像小目标检测算法。首先,针对小目标特征信息设计上下文增强模块,通过增强特征层的上下文信息,有效地增加了模型对小目标的处理能力。其次,为提高模型的鲁棒性,设计了空间注意力模块加强对重要特征的学习。最后,使用平衡L1损失函数优化基线算法的损失函数,加强了模型检测时的稳定性。基于Tiny-Person数据集,与基准算法进行大量实验对比,所提算法在AP50_tiny上提高了2.06%,一定程度上提高了对海面小目标的检测性能,对救援行动具有积极影响。