关键词： 智慧养殖   大数据   物联网   计算机视觉  

摘要： 智慧养殖业对准确高效监测动物生长信息、健康信息以及生长环境,以提高现代养殖水平的需求日益增长,大数据技术、物联网技术和计算机视觉的飞速发展为满足该需求提供了巨大的契机。计算机视觉对于采集到的图像、视频信息具有强大的解析能力和表示能力,适合于复杂养殖环境中动物特征的提取、动物生长环境的分析,有助于提升养殖水平。重点论述了目前计算机视觉在智慧养殖领域的研究进展,分析了应用中存在的问题,并对其未来发展方向进行了展望,旨在为推进中国养殖产业转型升级和可持续发展提供理论支持。

关键词： 深度学习   目标检测   仪表识别   注意力机制   图像处理   YOLOv5  

摘要： 通过图像识别算法对电力仪表进行识别与读数可有效避免人工巡检过程中的诸多不确定问题。针对传统仪表检测识别方法工作量大以及指针分割不清晰导致读数不准确的问题,提出了一种基于轻量化神经网络模型和SimAM注意力机制的电力仪表检测与识别方法。首先,通过引入SimAM注意力机制以及YOLOv5s轻量化神经网络模型实现对电力仪表的识别与分类以及表盘区域的分割;然后分别采用CRNN文本识别算法和Hough圆检测方法对数字式仪表以及指针式仪表进行读数。模型结合多种场景进行训练,并对识别与读数2个阶段分别给出评价标准。实验结果表明,该方法能够高效完成电力仪表的检测与识别工作,在提高检测准确率的同时将总体检测时间控制在1.00 s以内,具有一定的实用性。

关键词： 肉牛   目标检测   场景区分   行为识别   YOLOv8  

摘要： 针对现有目标检测模型在自然天气环境下肉牛行为识别易受复杂背景干扰及模型参数量、计算量、权重文件占用内存较大等问题,该研究提出基于自动化场景区分的轻量化肉牛多行为识别方法。首先,通过FasterNet模型自动区分天气场景。其次,对YOLOv8s网络进行轻量化设计改进,在Backbone端更换FasterNet轻量级模型主干,结合尺度内特征交互AIFI,捕获重要特征信息;利用加权双向特征金字塔BiFPN作为Neck端网络,选择特征提取网络C2f-Faster作为节点,缩减卷积过程中参数量和计算量的同时提高模型精度,使其更适用肉牛行为识别及后期的部署。然后,使用MPDIoU函数,解决肉牛交叉遮挡等局限性问题。最后,设计系统可视化界面,以图像和视频形式输入模型,借助可视化系统完成对肉牛行为识别效果展示。试验结果表明,FABF-YOLOv8s(FasterNet、AIFI、BiFPN、C2f-Faster,FABF)模型在肉牛行为数据集上,相较于YOLOv5s、YOLOv7和原YOLOv8s模型的mAP@0.5分别提升了1.1、4.7、0.4个百分点,参数量和浮点数计算量分别减少59.48%和43.66%,降低到4.51 M和16.0 GFLOPs。引入自然场景因素构建的FasterNet-FABF-YOLOv8s模型mAP@0.5达到了94.6%。研究表明,自动化场景区分下构建轻量化肉牛行为识别系统,可为农户监测肉牛健康状况以及自动化智慧养殖提供技术支持。

关键词： YOLOv8   卷积神经网络   苗期杂草   目标检测  

摘要： 针对田间自然环境拍摄下稻田背景复杂,苗期杂草图像尺寸过小、识别定位不准确等问题,提出了一种改进YOLOv8卷积神经网络的苗期杂草检测方法。参照PASCAL VOC数据集格式,构建了一套专用的数据集。首先,在网络卷积过程中加入DenseNet(密集连接网络)更好地对杂草特征进行提取,优化梯度消失问题。然后,添加CBAM(Convolutional block attention module)注意力机制改善模型对小尺寸的敏感度。最后,使用WIOU(Weighted intersection over union)损失函数来优化原网络中的损失函数,提升模型对检测目标的定位能力。在试验中,将改进的算法与Faster R-CNN、SSD(Single shot multiBox detector)以及原始YOLOv8等算法进行了性能对比。结果显示,改进算法明显优于其他算法,在测试集上的平均精度均值和检测速度分别达97.0%和100.3帧/s。这种高精度和快速的检测能力满足了精准农业中对快速、精准检测的需求。该算法为机械设备快速识别苗期杂草、精准喷洒农药提供了重要的理论和技术支持。

关键词： 人机协同装配   YOLOv7   注意力机制   E-IOU   装配零件检测   多目标检测  

摘要： 针对人机协同装配环境复杂多变且装配零件尺度差异大、部分零件相似度高的特征,为保证人机协作装配过程中机器人准确抓取装配零件,提出了一种改进的YOLOv7模型来提高装配场景中多零件目标检测效果。首先,采用ODConv(Omni-dimensional dynamic convolution)替换YOLOv7主干网络中的卷积层,使其能够自适应调整卷积核的权值,提取不同形状、大小的装配零件的特征。其次,在YOLOv7主干网络中引入SimAM(Selective image attention mechanism)模块来减轻复杂多变的装配环境背景对零件检测准确率的影响。最后,使用Efficient-IOU替换原始的CompleteIOU来加速收敛,同时降低部分装配零件相似度高对检测准确率的影响。实验结果表明,该模型的平均准确率为93.4%,改进后的网络优于原始网络和其他目标检测算法。所提出的改进YOLOv7算法在保持高精度的同时具有较高的FPS,模型参数和计算量也相对较低,适合动态人机协同装配场景下实时目标检测要求。

关键词： 图像处理   自动分板   流胶  

摘要： 针对传统覆铜板分板采用人工分板所产生的问题,如:容易损伤板面、分板后板边不齐,影响后续钻靶等问题,本文提出了一种基于数字图像处理的自动分板方法,该方法利用机器视觉技术,根据产品周围流胶信息来定位裁切线,并采用高精度伺服电机控制刀具沿裁切线分板、切割回收多余铜箔。经验证,该方法分板板边齐整,不会损伤产品。

关键词： 低光照   可见光   红外图像   图像融合   目标检测  

摘要： 图像融合是将多个输入图像合并成一个单一图像的技术。可见光红外图像融合能提高目标检测的准确性,但在低光照场景下往往效果不佳。基于此,提出一种新的融合模型DAPR-Net。该模型具有跨层残差连接的编解码结构,将编码器的输出与解码器的对应层的输入相连接,加强各层卷积层间的信息传递。在编码器中设计了双注意力特征提取模块AFEM,使得网络能够更好地区分融合图像与输入的可见光和红外图像之间的差异,同时保留两者的关键信息。在多个公开数据集上与6种先进方法进行对比,实验结果表明,与基准PIAFusion模型相比,该模型在LLVIP和MSRS数据集上的信息熵、空间频率、平均梯度、标准差、视觉保真度指标分别提高了0.849、3.252、7.634、10.38、0.293和2.105、2.23、4.099、27.938、0.343;在YOLOV5目标检测网络上,LLVIP和MSRS数据集的平均精度均值、召回率、精确率、F1值指标分别提高了8.8、1.4、1.9、1.5个百分点和7.5、1.4、8.8、1.2个百分点,相较于其他融合方法表现出更显著的优势。

关键词： 无人机   油气管道   目标检测   YOLOv5s   注意力机制  

摘要： 针对无人机航拍图像存在着目标尺寸小且差异大的问题,文中基于YOLOv5s深度学习网络框架,提出了一种适用于油气管道无人机巡检的小目标检测方法。在YOLOv5s网络的C3结构中融合坐标注意力(Coord Attention,CA)模块,有效捕捉全局位置信息和通道关系。将SPPF模块重构为CSP网络结构,形成SPPFCSPC模块,通过增大感受野加强网络特征提取能力,把原有的NMS改为DIoU-NMS,改善了对重叠遮挡目标的识别能力。在日常巡线视频中进行标注,构建了数据集并完成训练,同时在真实场景下进行的实验结果表明,所提方法的mAP_0.5、准确率(Precision,P)、召回率(Recall,R)和Speed指标分别为0.852、0.812、0.819与2.9,综合性能最优,有效提高了油气管道巡检的效率。

关键词： 动车   轨外闸片   目标检测   语义分割   厚度测量  

摘要： 动车的行车安全是铁路运输行业的生命基线,转向架区域的闸片厚度与列车的安全行驶息息相关。轨外闸片的自动化测量能够大大提高列车的自动化检修水平和效率。基于此,提出一种基于深度学习的动车轨外闸片磨耗测量算法,采用深度学习中的YOLOv5目标检测算法,以交叉注意力网络(Criss-Cross Attention Network,CCNet)的分割模型为载体,实现对动车轨外闸片剩余厚度的自动分析测量。与人工测量相比,所提出的算法的平均绝对误差达到1.123mm,能够实现动车的闸片自动测量,减轻动车所人工检修的压力,保障列车安全行驶。

关键词： 计算机视觉   神经辐射场   新视角合成  

摘要： 针对多视角视频中少量视角前提下的动态场景,提出了一种新视角下的视频合成方法。该方法基于三维高斯抛雪球算法及一系列衍生模型,使用三维高斯函数为体素拟合静态标准场景,结合K-Planes作为变形场,并引入图像的深度信息,最终拟合动态场景。实验结果表明,该方法能够稳定地生成过渡视角视频,为视频处理和影视拍摄领域的视角变换效果提供了有效的解决方案。