关键词： 铝铸件   X射线图像   缺陷评级   图像处理   特征提取  

摘要： 针对铝铸件X射线探伤图像人工缺陷评级方法存在的评级结果不稳定、量化困难等问题,设计了一个基于特征提取算法的铸件缺陷评级系统。首先,通过分析特征参数与缺陷级别间的关系,选择面积作为气孔、夹杂、缩孔和缩松的评级指标,并对照国标图谱建立缺陷评级量化体系。然后,对X射线图像进行预处理、边缘检测、轮廓提取和量化计算,并依据所建立体系进行评级;最后开发出一个集成上述功能的自动缺陷评级系统。经验证,该系统与专家评片结果存在±1级的误差。该系统能在一定程度上保证评级品质,便于实现铸件的品质监测。

关键词： 小目标   解耦合头   图像识别  

摘要： 为解决无人机捕获场景中小目标检测存在的检测精度不高和漏检问题,提出基于YOLOv5改进的小目标检测算法DE_YOLOv5。DE_YOLOv5的数据集采用VisDrone2019。实验包括两个方面,一是引入解耦合头机制,通过独立的中心点预测减小感受野限制对小目标定位的影响,初始模型的mAP@0.5为0.334,加入解耦合头之后mAP@0.5值为0.344。二是将损失函数更换为Focal-EIoU,更换损失函数之后mAP@0.5值为0.351。实验结果表明,DE_YOLOv5可有效提升小目标的检测精度。

关键词： 多尺度船舶   目标检测   深度学习   注意力机制   特征融合  

摘要： 水上交通场景环境复杂,通过普通光学摄像设备获取的水面图像,面临着视觉目标清晰度低、尺度多样化等问题,使得可见光视觉信号里中、小尺度目标检测相对困难。为服务于各类智慧海事应用,提出了一个旨在提高复杂水域背景下多尺度水上船舶目标检测性能的算法(multi-scale ship object detection,MS-SOD)。该算法基于当前计算机视觉技术中主流的单阶段目标检测模型框架,在其主干网络中嵌入卷积注意力模块,来优化船舶特征提取能力;在多尺度特征融合网络中引入富含细节信息的浅层特征,并使用跨阶段局部残差结构,来优化多尺度船舶特征的融合机制;同时,使用焦点损失函数,来优化模型的学习过程;并设计自适应锚框聚类算法优化先验锚框,以提高多尺度船舶目标检测能力。为验证提出算法的有效性和实效性,在构建较大规模水上船舶目标数据集的基础上,开展了广泛实验验证。结果表明:提出的算法在测试数据集上的检测准确度超过了各主流的对比方法;特别是对于大、中、小各尺度船舶目标的检测精度,相对于主流的YOLOv4算法,提出的算法分别提升了11.3%、6.0%和10.5%。

关键词： 低照度   矿井目标检测   图像增强   无监督学习  

摘要： 煤矿井下工作环境复杂,存在人造光源亮度低、粉尘多和水气密度大等不利因素,导致现有的目标检测算法在应用到煤矿井下时,存在提取特征困难、目标识别和定位精度低等问题。提出一种煤矿井下低照度环境目标检测算法,由矿井低光图像增强模块LMIENet和目标检测模块组成,使用图像增强模块对原始图像进行画质提升,恢复各类图像信息,再使用目标检测网络对增强图像进行特定目标检测,有效提高检测的精确度。在图像增强模块中,改进Zero-DCE算法设计轻量级增强参数预测网络,计算像素级增强参数矩阵,用于低光照图像的亮度调整和画质增强,该网络通过设计的非参考损失函数隐性衡量图像的增强效果,引导网络进行无监督学习,使网络能够不依赖配对数据集对原始图像进行自适应的画质增强。目标检测模块中,采用YOLO v8n目标检测模型,其轻量化的模型尺寸和高灵活性可避免模型整体复杂度过高;采用Focal-EIoU Loss改进回归损失函数,有效加速模型收敛并提升模型检测精度。实验结果显示:与经典目标检测算法Faster R–CNN,SSD,RetinaNet,FCOS等相比,提出算法在自建矿井人员数据集上表现出色,低光照环境下目标检测的mAP@0.5达到98.0%,mAP@0.5∶0.95达64.8%,在实验环境中单帧图像推理时间仅11 ms,优于其他对比方法,证明提出算法能够有效实现在煤矿井下低照度复杂环境下的目标检测,且耗时短、计算效率高。

关键词： 轨道车辆   图像处理   遗传算法   路径优化  

摘要： [目的]针对人工对轨道车辆车体表面进行打磨作业后,油漆缺陷部位需进行找补时,因车辆运用环境不确定性及车体表面油漆失效程度不同,导致表面检修作业过程难以管控,且工艺不稳定等问题,需研究面向轨道车辆车体表面质量的检修工艺技术。[方法]建立轨道车辆车体打磨机器人工艺系统,采用视觉传感器依据车体表面打磨路径获取表面油漆黄斑、划痕、脱落等缺陷并进行图像处理;变换为油漆缺陷区域中心坐标,运用“九点法”对机器人进行手眼标定并求出变换矩阵;将图像采集的中心坐标转化为机器人工作空间坐标,以路经最短原则运用改进自适应遗传算法对机器人坐标进行路径优化;形成机器人车体表面缺陷打磨最优路径。[结果及结论]该系统能够根据获取图像自动提取缺陷区域中心坐标,并转化为机器人工件坐标系内的末端移动坐标,通过改进自适应遗传算法优化机器人缺陷打磨路径,改善人工作业效率的同时提升车体表面质量检修工艺稳定性。

关键词： 图像识别   配网设备   设备状态监测   特征匹配   图像处理  

摘要： 目前电力系统中需要的配网设备复杂繁多,并且随着用电需求量不断加大,配网设备的状态监测显得尤为重要。针对传统的电力巡检过程中人力物力的耗费以及主观因素的判断失误问题,本文提出一种改进尺度不变特征变换(scale-invariant feature transform,SIFT)算法的配网设备状态监测方法。首先,使用Canny边缘检测算法进行检测并去除边缘点;其次,对特征图进行降维处理;最后,基于标准欧氏距离进行配网设备的特征匹配。所提算法在三种不同的配网设备与传统的SIFT算法进行比较,均能够在较短的时间内取得良好的判断结果,为后续配网设备的在线监测提供了思路和方法。

关键词： 红外图像   目标检测   注意力机制   可变形卷积   多尺度特征  

摘要： 针对低信噪比与复杂任务场景下,YOLOv8模型对红外遮挡目标和弱小目标检测能力不足的问题,提出了改进的DCS-YOLOv8模型(DCN_C2f-CA-SIoU-YOLOv8)的目标检测方法。以YOLOv8框架为基础,主干网络构建了基于可变形卷积的轻量级DCN_C2f(Deformable Convolution Network)模块,自适应调整网络的视觉感受野,提高目标多尺度特征表示能力。特征融合网络引入基于坐标注意力机制CA(Coordinate Attention)的模块,通过捕捉多目标空间位置依赖关系,提高目标的定位准确性。改进基于SIoU(Scylla IoU)的位置回归损失函数,实现预测框与真实框之间的相对位移方向匹配,加快模型收敛速度并提升检测与定位精度。实验结果表明,相较于YOLOv8-n\s\m\l\x系列模型,DCS-YOLOv8在FLIR、OTCBVS与VEDAI测试集上平均精度均值mAP@0.5平均提高了6.8%、0.6%、4.0%,分别达到86.5%、99.0%与75.6%。同时,模型的推理速度满足红外目标检测任务的实时性要求。

关键词： 同态加密   拉普拉斯   图像处理  

摘要： 为解决取证工作中图像证据的保密要求和需要引入第三方图像技术支撑的互斥问题,提出了一种基于Paillier算法加密及拉普拉斯算子进行图像锐化和显示效果增强的模型及应用方案,同时结合RSA加密算法,实现对加密图像的签名。实验表明该方案切实可行,能够在加密图像的基础上实现隐私传输、效果增强、处理源认证和数据完整性保护等功能,为取证工作中的图像处理提供了重要的参考。

关键词： 无人机   遥感   图像处理   全景拼接   多核CPU   多进程  

摘要： 为改善在农田环境下无人机图像计算速度和效率,该研究提出了一种农田环境下无人机图像并行拼接识别算法。利用倒二叉树并行拼接识别算法,通过提取图像拼接中的变换矩阵,实现拼接识别同时进行。根据边缘设备的CPU核心数和图像数量自动将图像拼接识别任务划分为多个子进程,并分配到不同核心上执行,以提高在农田环境下的计算效率。试验结果表明:相同试验环境和数据集条件下,倒二叉树并行拼接算法的拼接耗时相较于其他算法平均减少了60%~90%左右;在农田环境下,倒二叉树并行拼接识别相较于串行拼接识别的耗时减少了70%,图像识别的平均像素交并比提升了10.17个百分点,说明在农田环境下采用多线程倒二叉树并行算法可以更好地利用农田环境下边缘设备的计算资源,大幅提升无人机图像的拼接和识别的速度,为无人机的快速实时监测提供技术支撑。

关键词： 图像处理   自动铺丝   形态学   红外图像   缺陷检测  

摘要： 自动铺丝质量检查既耗时又不充分,缺陷对比度低。对此,根据铺丝过程中的热特性,搭建丝束铺放准确性检测平台,结合形态学算法对缺陷红外图像特征进行纤维铺放准确性检测。首先进行形状相同尺度不同的结构元素的顶帽变换,然后提取每一组尺度下多尺度亮暗区域和相邻组尺度间的多尺度亮暗细节来增强图像;其次使用了多方向多尺度的结构元素和系数自调节的形态学边缘检测算法来获得丝束边缘位置。实验结果表明,该方法在减少图像噪声和增强图像的对比度之上平衡了边缘检测精度与抗噪性能之间的协调问题,有效检测了纤维铺放准确性,最大铺放误差不超过4.53%。