关键词： CLRNet   车道线检测   路面病害定位   深度学习   计算机视觉   道路养护   智慧公路  

摘要： 为了满足道路路面病害检测系统对病害定位的要求,本文提出了把基于CLRNet的车道线检测识别技术应用到路面病害检测工作中,实现路面病害的车道级定位。该方法融合全局特征与局部特征,对破损或被遮挡的车道线也有较好的检测效果,进而获得路面病害的定位数据。经实践检验,该方法可以满足路面病害的车道级定位要求,适用于道路病害的快速检测和定位,有利于提高智慧道路养护工作的数字化与智慧化水平。

关键词： 机器视觉   图像处理   模板匹配   亚像素边缘检测   端齿研磨  

摘要： 为提高企业磨削铣刀时的效率,对铣刀端齿研磨角度与铣刀螺旋线之间的关系进行研究,提出了一种基于机器视觉技术的立铣刀端齿磨削时刃角在机测量方法,通过铣刀径向拍照获取图像实现刀尖角度在机测量。采用模板匹配粗定位周刃交点位置确定ROI区域,通过亚像素轮廓提取,获取铣刀周刃交点的精确坐标,并根据该坐标与端面位置偏移量计算铣刀刀尖的角度。实验结果表明,该系统最大绝对误差为0.094°,且平均计算时间为0.086 s,符合企业误差不超过0.1°的要求。

关键词： 图像处理   激光修整成形砂轮   轮廓检测   引导滤波   阈值分割  

摘要： 为了解决复杂轮廓成形砂轮激光修整过程中在线检测难、轮廓检测精度低、速度慢等问题,搭建了一套基于砂轮激光修整机床的图像采集系统,提出了一种多轮廓图像合成检测方法,定义了轮廓波动带的概念。首先利用引导滤波和灰度变换预处理砂轮轮廓图像,增强轮廓特征;再使用全局阈值分割和反二值化得到二值图像,将二值图像序列合成为带有像素频率信息的轮廓频率图像,通过阈值分割提取出轮廓波动带;最后使用随机抽样一致算法结合最小二乘法对波动带最外侧的边缘点集进行拟合,完成直线和圆弧特征的检测。结果表明,该检测方法与单一截面视觉检测法相比,检测效率接近,但误差范围缩小了66.67%;与磨削复映检测法相比,检测结果存在一个固定偏差,平均误差在7μm左右,但检测效率提高了91.67%。该方法能高精度、高效地检测成形砂轮轮廓,为成形砂轮轮廓检测方法提供了新思路。

关键词： 弱光图像   目标检测   全局特征   特征交互结构  

摘要： 针对当前主流、先进的目标检测算法在弱光场景下对目标检测精度较低的问题,分析弱光图像削弱了传统卷积神经网络依赖的局部相关性归纳偏置,引入对全局特征有着出色建模能力的Swin Transformer stage以实现全局注意,增强特征信息量。将全局注意以并行方式与局部卷积共同抽取弱光图像特征,并提出了一种特征交互结构(feature interaction structure,FIS),通过精心设计的二次交互方式,能有效解析、利用和结合局部与全局信息。基于FIS堆叠构造交互式并行双流骨干网络FISNet,实现对两类特征的深度融合,并提供对密集预测型任务十分重要的层级特征结构。FISNet在弱光图像数据集ExDark上达到了40.6 AP,与EfficientNet等基准模型相比,得到了+0.5~2.9 AP的检测精度提升,在弱光目标检测场景中具有良好的应用。

关键词： 多旋翼无人机   目标检测   立体匹配   深度视觉   软件在环仿真  

摘要： 随着多旋翼无人机的智能化发展,在无人机执行任务过程中,无论是对动态还是静态障碍物都要进行感知和规避,而且感知系统作为无人机自主飞行过程中的第一步,也是极其重要的部分。针对这个问题,本文主要研究了无人机对动、静态障碍物的检测。首先,使用目标检测算法实时地检测图像中障碍物,并确定其在像素级别上的位置,结合立体匹配算法估计障碍物的深度信息,从而得到障碍物的三维坐标;实现了基于深度视觉的障碍物检测。本文的研究内容可以为无人机及其它机器人在复杂、动态的环境中安全运行提供重要的方法论指导,具有重要的工程实践意义。

关键词： 图像识别   目标检测   杨梅树   YOLOv7   单木检测  

摘要： 为了快速检测和统计杨梅树的数量,该研究提出了一种基于改进YOLOv7的杨梅树单木检测模型:YOLOv7-ACGDmix。首先,对YOLOv7的可扩展高效长程注意力网络(extended-efficient long-range attention networks, E-ELAN)进行改进,通过融合兼具卷积和注意力机制优势的ACmix(a mixed model that enjoys the benefit of both self-attention and convolution)结构得到AC-E-ELAN模块,提升模型的学习和推理能力,引入可变形卷积(deformable convolutional networks version 2, DCNv2)结构得到DCNv2-E-ELAN模块,增强模型对不同尺寸目标的提取能力;其次,采用内容感知特征重组(content-aware reassembly of features, CARAFE)上采样模块,提高模型对重要特征的提取能力;然后,在主干和头部网络部分添加全局注意力机制(global-attention mechanism, GAM),强化特征中的语义信息和位置信息,提高模型特征融合能力;最后,采用WIoU(wise intersection over union)损失函数减少因正负样本数据不平衡造成的干扰,增强模型的泛化性。在公开数据集上的试验结果表明,YOLOv7-ACGDmix模型的精确率达到89.1%,召回率达到89.0%,平均精度均值(mean average precision, mAP)达到95.1%,F_(1)-score达到89.0%,相比于原YOLOv7模型分别提高1.8、4.0、2.3和3.0个百分点。与Faster R-CNN、SSD、YOLOv8模型相比,改进模型的平均精度均值(mAP_(0.5))分别提高了9.8、2.2、0.7个百分点。实地采集杨梅树样本数据的检测精确率87.3%、召回率85.7%。试验表明,改进模型为基于无人机影像的杨梅树单木检测提供了一种有效的解决方案,对果园精准管理的发展具有重要意义。

关键词： 煤矿井下   巡检机器人   目标检测   金字塔结构   注意力机制  

摘要： 近年来,煤矿机器人已成为现代煤机装备领域的研究热点,多数煤矿的主煤流运输系统基本实现了连续化、机械化和自动化,因此对主运输巷道内的安全监控与巡检效率提出了更高的要求,而精准的目标检测是实现煤矿井下智能化安全监控的必要保障,但现有的目标检测算法应用于复杂恶劣的煤矿井下巷道环境,存在目标检测精度较低的问题。面向井下低照明、环境杂乱的特殊工况检测需求,制作了井下巷道环境内目标物数据集,完成数据集标注并展开多维度分析;提出一种基于金字塔结构与注意力机制融合的PT目标检测算法,利用注意力机制模块替换金字塔结构中的卷积模块,在控制特征计算量的同时提高对全局特征的提取能力,实现目标物局部特征与全局特征融合的提取效果,提高了图像中目标感兴趣区域特征的表达能力。最后,面向煤矿井下巡检机器人应用场景,将提出的PT算法与传统经典的Faster R-CNN、YOLOv4算法进行对比分析。结果表明:所提出的PT目标检测算法能够有效识别复杂环境下巷道内目标物,相较于主流的Faster R-CNN、YOLOv4目标检测网络,PT算法有更好的综合识别能力,识别煤矿人员的准确率分别提升了2.90%和4.30%,识别井下障碍的准确率分别提升0.20%和4.80%,识别矿井裂缝的准确率分别提升了4.40%和8.60%,识别井下设备的准确率分别提升了3.00%和8.70%。因此,PT目标检测算法能够更好地适应井下环境,目标检测算法较其他算法能够获得更高的准确率与检测速度,可为井下巷道安控系统建设提供理论依据与技术支撑。

关键词： 海产生物目标检测   YOLOv5n   Gsconv   模型剪枝   知识蒸馏  

摘要： 对于海产生物科考与捕捞等行业,在海上远洋的船只在利用水下机器人进行海产生物的捕捞与识别时,由于通信带宽受限,计算资源有限,而采用轻量化网络模型可以更好地适应这样的条件。为此,提出了一种改进YOLOv5n的海产生物目标检测模型。首先,引入高效的轻量化卷积模块(Group Shuffle Convolution,Gsconv),对模型主体进行缩减;然后改进损失函数,引用α-giou损失函数进行优化,提升预测框回归精度;再引L1-norm正则化剪枝,裁剪不必要的通道以及相关的卷积核;最后采用L2知识蒸馏,将模型精度调整到接近剪枝前的水平。结果显示,与原有基线模型YOLOv5n相比,改进后的模型计算量下降了53%,参数量下降了51%。所提出的改进算法在保持模型性能的同时保证了轻量化处理的有效性。

关键词： 弹载图像   目标跟踪   代价敏感   平滑约束   结构化SVM  

摘要： 目标自寻的炮弹打击目标时,传统的目标跟踪方法易受混杂背景的影响,产生模型漂移从而导致跟踪失败。近年来,随着结构化SVM技术的发展,基于结构化SVM的目标跟踪方法能够有效解决复杂背景的问题。弹载成像条件下,在结构化SVM目标跟踪方法的基础上,增加代价敏感权重解决弹载图像中背景混杂所引起的正、负样本不平衡问题,同时利用t时刻超平面法向量w_(t)与t-1时刻超平面法向量w_(t-1)差值的L_(2)范数作为平滑约束抑制模型漂移问题。通过基于对偶坐标下降原理设计了模型的求解算法并实现一种多尺度目标跟踪方法Scale-CS_SSVM。在弹载数据集上进行实验验证,结果表明:与Scale-DLSSVM方法相比,Scale-CS_SSVM在跟踪精度和成功率上分别提高了5.5和5.0个百分点,达到了最优的性能。

关键词： 遥感影像   港口   深度学习   目标检测  

摘要： 港口是一种重要的交通枢纽,通过遥感影像确定港口的位置分布具有巨大的价值。针对目前港口的识别方法不够直接、样本数据集规模不足的问题,首先采集大量的港口可见光遥感影像,并直接对港口目标进行标注,形成可见光遥感的港口目标检测数据集。并使用YOLO系列算法进行实验,证明文中提及的港口标注方法和所标注的港口检测数据集的有效性。同时,根据港口的形态特征,在YOLOv8算法的基础上引入边缘检测模块,提升模型对于港口目标的查出率和检测效果。