关键词： 机器视觉   自动化装配线   图像处理   视觉检测   深度学习  

摘要： 我国的车用空调控制器自动装配线的检测任务主要靠人工完成,检测效率低,稳定性差,成本大且装配质量难以保证。为解决这一问题,基于机器视觉技术设计了应用于车用空调控制器自动装配线的视觉检测系统。系统包括对散热片点胶工位涂胶质量的合格判定,以及电路板烧录测试工位电极片与电容位置的检测。采用自动阈值分割、滤波处理、改进的双阈值大律算法、击中击不中、深度学习等多种视觉算法完成空调控制器的检测装配。经生产实践验证,该视觉系统可实现车用空调控制器装配线的自动检测,整个装配流程无需人工干预,极大地提高了装配效率和质量,检测成功率和生产效率满足基本需求。

关键词： 心律失常检测   U-net   双向长短时记忆网络   条件随机场  

摘要： 由于卷积滤波尺寸等限制,U-net无法学习到心电(Electrocardiographic,ECG)信号的长时序关联性以及标签间的相关性。对此提出一种基于U-net-BiLSTM-CRF的心律失常多目标检测方法,可同时输出目标心拍所属类型和位置信息。使用U-net学习融合特征,再将其输入到双向长短时记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)中学习长时序依赖特征,最后使用条件随机场(Conditional Random Field,CRF)对标签间的关系建模,优化分类结果。依据ANSI/AAMI EC57:2012的心搏分类标准,对MIT-BIH心律失常数据库中共85609个心拍记录进行划分,在划分后数据集上的实验结果表明,该方法对心拍分类的准确率达99.11%,特异性为99.76%,灵敏度为97.21%,优于传统U-net在MIT-BIH心律失常数据库上的分类性能。

关键词： 目标检测   缺陷检测   YOLOv7   ConvNeXt   注意力机制  

摘要： 针对当前钢材表面缺陷检测效率低、检测精度差的问题,提出了一个模型,命名为ECC-YOLO,基于YOLOv7的钢材表面缺陷检测。首先,为了提高主干网络特征图信息表征能力,引入了特征增强模块ConvNeXt,通过融合深度可分离卷积、大核卷积,增强模型对细小裂缝的特征提取能力,其次设计了C2fFB模块,在增强目标特征信息的提取能力同时,显著降低了模型的计算量和参数复杂性。最后借助ECA注意力机制设计出MPCE模块,削弱复杂背景信息对钢表面缺陷检测的干扰,提升检测效率。最后,广泛的实验结果表明,ECC-YOLO在NEU-DET数据集上,该模型的mAP达到77.2%,相较于YOLOv7,ECC-YOLO的检测精度提高了10.1%,模型参数量减9.3%,该模型在钢表面缺陷检测中具有较好的综合性能。

关键词： 中华绒螯蟹   YOLOv5_OBB   旋转目标检测  

摘要： 【目的】提出一种基于改进YOLOv5_OBB的旋转目标检测方法,快速、准确地检测和定位中华绒螯蟹。【方法】首先,在YOLOv5_OBB的主干网络中引入高效通道注意模块;其次,采用BiFPN网络结构进行特征融合模块设计,实现高效的双向跨尺度连接和加权特征融合;最后,采用变焦损失(varifocal loss)解决正负样本不均衡问题。【结果】改进后YOLOv5_OBB模型的P(precision)、R(recall)和mAP(mean average precision)分别达到95.4%、95.2%和90.1%,比原模型分别提高了1.0%、1.9%和1.3%。【结论】该模型能够实时、准确地检测和定位中华绒螯蟹,实现自动化养殖。

关键词： 非结构场景   多头注意力   目标检测   分部特征计算   数据集  

摘要： 针对非结构化场景(工地、矿场)缺少特殊目标的通用数据集、复杂特征难以准确提取以及计算复杂度高的问题,构建了一个面向非结构场景的特殊目标检测数据集,并提一种轻量化目标检测模型YOLO-PT,以极低的计算量达到了较高的检测精度。通过构建分部特征计算(partial feature calculation, PFC)模型减少特征冗余信息的计算,并引入了多头自注意力机制来增强复杂特征的提取精度,同时设计多通道金字塔结构对多尺度特征进行渐进式融合,提高复杂对象的识别精度。最后在非结构场景进行实验验证,结果表明,所提出方法仅在4.3×10^(6)的参数量下就达到了53%的准确率,在精度、参数量以及浮点运算量上均优于其他方法。

关键词： 机器视觉   卷积神经网络   特征融合   图像匹配   图像处理  

摘要： 图像匹配能将待匹配图像变换到原有图像的坐标系中,在各种视觉任务中起着重要的作用。基于特征的图像匹配算法能够在图像中匹配到一些更具区分度的特征,与其他图像匹配方法相比,其具有高精度、高灵活性、高鲁棒性等特点。针对传统特征匹配算法匹配稀疏的问题,提出一种基于改进深度特征匹配算法的密集特征匹配方法。首先,通过VGG网络提取图像的一系列特征图,在初始特征图进行最邻近匹配计算单应性矩阵并进行视角变换;然后,基于特征图的频域匹配特点进行深层特征图融合,用于特征粗匹配;最后,基于粗匹配的结果在浅层特征图上进行特征细匹配用于校正特征匹配的结果。实验结果表明:所提算法提升了特征匹配的精度和匹配的特征数量。

关键词： 多分支架构   三维位姿   目标检测   位姿估计   姿态四元数  

摘要： 针对车路协同应用场景中目标尺度与位置值域跨度大导致的位姿实时估计精度低、回归求解模型收敛慢的问题,提出了一种基于多分支架构的目标三维位姿实时估计方法。在目标二维检测算法模型架构基础上,设计位姿估计分支结构,用于输出目标姿态四元数、目标相对相机的三维空间位置及目标长宽高。在训练阶段,为位姿估计分支设计了相应的损失函数,采用向量单位化算子回归姿态四元数、对数重映射算法回归目标尺寸与目标到相机距离;在推理阶段,根据模型输出的四元数和目标到相机距离解算出目标三维位姿,实现精确的位姿估计。在OVRC数据集的位姿精度验证中,位置坐标误差的均方差最大为1.94 m,姿态角误差的均方差最大为3.98°;在Kitti数据集的相对精度测试实验中,相比PVNet方法,检测精度提升了3.22%,相比3DBB方法,推理效率提升一倍。

关键词： 目标检测   皮下硬块   结核菌素皮肤试验   深度学习   YOLOv5  

摘要： 针对传统皮下硬块检测方法精度低、计算速度慢等问题,提出了一种基于改进YOLOv5的皮下硬块目标检测算法。首先,将YOLOv5模型的主干网络CSPDarknet53进行改进,引入Faster模块来替换其中的C3模块。其次,利用模型剪枝在保证整个模型性能的同时减轻其计算复杂度。最后,引入Wise-IoU来进一步提升网络的回归性能。实验结果表明,基于改进YOLOv5的皮下硬块目标检测算法相比于原始的YOLOv5,准确率提升了1.2%,参数量减少了77.7%,整个算法更加轻量化,有效提高了算法对于皮下硬块的检测精度,减少了计算参数量,提升了算法的运行速度。

关键词： 机电类特种设备   质量检验   计算机视觉   有效性   发展  

摘要： 本研究从我国机电类特种设备检测的现状、问题以及国内外研究进展出发,对机电类特种设备的检验方法进行了分析和总结。通过比较分析国内现有的检验方法,发现存在检验手段单一、精度不高等问题。为解决这些问题,可基于计算机视觉方法通过提高检测效率、降低人工误差以及提高准确度,有效改进现有的检验技术。实验验证结果表明该方法具有较高的有效性,可行性。本研究为我国机电类特种设备检验的方法和技术,提供了新思路和方向,将有效推动该领域的进步和发展。

关键词： 压缩感知   分块方式   图像处理   图像重构   混合分块  

摘要： 压缩感知理论由于其可通过低采样率来恢复原始信号的特点,近年来逐步被用于光学成像领域。为了解决在对成像图像进行压缩感知重构时数据量过大、计算负担大的问题,分块压缩感知的方法被提出。在该方法的基础上做出改进,依次提出了按列分块和混合分块的压缩感知方法。其中按列分块的方式改变了分块模式,降低分块时的要求,混合分块则结合两种分块的特点,有效提升了压缩感知的效果。通过仿真实验验证,本方法有效提升了图像重构质量,尤其是混合分块方式,在图像的重构速度和重构质量上都有显著提升。