关键词： 多模态识别网络   毫米波雷达   目标检测   YOLOv5s   微光场景  

摘要： 近些年来,在目标检测以及图像分割等领域涌现了许多先进的算法。在能见度较差的微光场景下如夜晚、大雾天气等场景中,视频图像具有像素声高、对比度低、无彩色信息等特点,算法的检测性能受到明显限制。与目前主流的RGB相机相比,毫米波雷达对上述复杂环境具有一定的免疫能力,可以在不利条件下辅助RGB相机进行目标检测工作。以单阶段目标检测器中实时性较高的YOLOv5s为基础,结合毫米波雷达的特性,提出了用于微光环境下目标检测的多模态识别网络。与现有的传感器融合方法相比,多模态识别网络有几个关键优势。系统以基于学习的方式融合了2种模态,只需要少量新场景的标记图像和雷达数据,因为其可以充分利用已经开源的大型图像数据集进行大批量的训练。这一突出特性使新系统能够适应高度复杂的现实环境。由于使用了高度计算效率的融合方法,系统是非常轻量级的,因此适用于各个复杂场景下的实时应用。为了评估系统的性能,制作了一个小批量的雷达和摄像机融合数据集,包含普通光照和不同强度微光光照条件下的多模态数据。实验结果表明,微光场景下多模态识别网络的平均精度达到76.6%,相比Faster R-CNN算法和YOLOv7算法,全类平均精度(mean Average Precision,mAP)提高了16.8%和9.3%,且误检、漏检率低,达到了在微光环境下完成目标检测任务的要求。

关键词： 射线检测   视觉伺服   图像处理   SSA-BP算法   位置补偿  

摘要： 针对当前火箭贮箱焊缝采用工业机器人作为射线检测系统的执行机构,通常按照“示教-再现”进行既定轨迹运动,不能适应小批量多品种的柔性与智能生产线的问题,将伺服机构、图像处理技术与智能机器人相结合,采用基于图像的视觉伺服控制(IBVS)方法反馈当前图像特征信息,与期望图像特征进行对比形成图像特征偏差,再基于SSA-BP的控制方法,将得到的特征误差用于火箭贮箱焊缝检测中的焊缝位置误差补偿,以提高射线检测系统的作业精度。最后通过试验,验证了该方法具有良好的自适应性和鲁棒性。

关键词： 内窥镜   ZYNQ   图像采集   FPGA   图像处理  

摘要： 针对传统医用内窥镜系统体积大、成本高等问题,论文设计并实现了基于ZYNQ的内窥镜图像处理系统。系统以Xilinx公司推出的ZYNQ7020为主控芯片,OV6946为图像采集摄像头,OV426为图像解码芯片,FPGA为图像处理端接收RAW格式图像,去除图像坏点后做颜色插值转换为彩色RGB图像,再做白平衡处理还原图像的真实色彩,最后增强图像对比度提高可视效果,图像经AXI总线存储到DDR3中,最后通过HDMI显示。PS端对FPGA进行初始化配置,协助完成图像采集和存储工作。由测试结果可以得出,该系统设计简洁,占用资源少,处理实时性高,图像处理结果满足预期要求,具有良好的应用前景。

关键词： 量子化能量   发光   光栅衍射   图像处理  

摘要： 本文基于光栅衍射与机器视觉,设计了一套直观测量物质量子化能量的实验系统,其包括激励待测物发光的“盲盒光源”、光栅衍射组件和读谱系统,系统能以不同方式测定不同物质的能级,并实现了数据的实时处理.盲盒光源利用光致发光或电致发光的基本原理,激发待测物质中的电子从价带跃迁到导带,并发出特定波长的光这一“指纹信号”,利用光栅衍射方法获得其衍射谱,使用数码相机实时采集衍射谱,通过图像处理算法自动获取衍射斑的中心位置,减少了读谱误差,直观、简便地演示了物质能级的量子化.

关键词： 计算机视觉   工业自动化检测   数据处理  

摘要： 随着科技的飞速发展,工业自动化已成为现代制造业不可或缺的一环。在此背景下,计算机视觉技术的崛起为工业自动化检测领域带来了新的革命性变革。因此,文章深入探讨了计算机视觉在工业自动化检测中的广泛应用。首先概述了计算机视觉的基本原理及其在工业自动化检测中的应用优势;随后详细分析了计算机视觉在产品质量检测、生产线监控与调度等多个场景中的实际应用,并通过国内外成功案例的对比分析,揭示了当前应用中存在的问题与挑战;最后提出了一系列优化策略与改进方法,旨在提高检测精度、优化数据处理及推动系统集成与智能化升级,为工业自动化检测技术的发展提供了新的思路与方向。

关键词： 食品取向度   MATLAB GUI   系统建立   系统验证   图像处理   激光散斑  

摘要： 具有取向结构的食品在自然界中普遍存在,而食品取向度对食品本身的质构特性和消费者的喜爱度有重大影响。为了定量表征食品取向度,本研究基于MATLAB GUI构建了一种食品取向度检测系统。借助已建立的激光传输成像装置,使用相机捕获样品上的激光散斑,运用MATLAB GUI进行食品取向度检测系统的编程设计,将激光散斑图像经过一系列的计算机视觉操作处理成椭圆拟合图,并计算样品取向度。然后以不同取向程度的面团为例对该系统进行了验证。实验结果表明,检测系统对激光散斑图像识别准确率为96.33%,实际运用效果良好。测得的不同面团取向度排序和显微结构图结果一致。此外,面团的取向度和面筋蛋白横纵长度比之间存在高强度的正相关关系(R=0.99,P<0.05)。建立的食品取向度检测系统具有良好的准确性,能够有效应用于食品取向度的检测。

关键词： AGV   YOLOv5   DWA算法   全局路径规划   局部路径规划   目标检测   导航   自动导引  

摘要： 针对AGV(Automated Guided Vehicle)叉车处于环境信息未知或环境动态变化情况下的路径规划及导航问题,文中提出了一种由YOLOv5(You Only Look Once version 5)目标检测算法获取目标位置。根据目标位置规划出全局基础路径,再融合DWA(Dynamic Window Approach)局部动态路径规划算法进行AGV路径规划与导航,使AGV叉车在未知环境或局部环境信息未知的环境中能快速识别目标位置并完成路径规划到达目标位置。实验结果表明,相较于改进前方法,文中所提方法在路径长度、耗费时间以及AGV叉车航向误差方面均有良好表现,路径长度平均减少12%,耗费时间平均减少约5%且AGV航向与目标航向的平均误差在5°以内。所提方法提高了AGV叉车在未知环境中的工作效率以及工作灵活性。

关键词： 目标检测   YOLOv5   注意力机制   损失函数   绿色柑橘  

摘要： 在复杂的自然环境中绿色柑橘生长形态各异,颜色与背景色相近,为有效识别绿色柑橘,提出一种基于混合注意力机制并改进YOLOv5模型的柑橘识别方法。首先,改进YOLOv5的网络结构,在主干网络中添加混合注意力机制,即在主干网络中的第2层嵌入SE(squeeze and excitation)注意力,第11层嵌入CA(coordinate attention)注意力;其次,改进网络模型特征融合结构,将YOLOv5模型Concat特征融合操作的下层分支放在模型C3模块之前,再与另一条上层分支进行特征融合;最后,改进模型分类损失函数,将YOLOv5模型的分类损失函数改成Varifocal Loss函数,加强绿色柑橘特征信息的提取,提高绿色柑橘检测精度。根据自然环境和柑橘自身的特点,对自建数据集进行分类,设计3组不同分类场景下柑橘的对比试验以验证其有效性。试验结果表明,改进后的YOLOv5-SC模型准确率为91.74%,平均精度为95.09%,F1为89.56%,在自然环境下对绿色柑橘的识别具有更高的准确率和更好的鲁棒性,为绿色水果智能采摘提供技术支持。

关键词： YOLOv8   棉花虫害   目标检测   可变形卷积   高效通道注意力  

摘要： 传统的棉花病虫害检测方法依赖于植物保护专家或经验丰富的农民,这种方法费时费力,并且对于人眼难以观察到的微小病变识别准确率较低。这对如何利用深度学习方法提高识别的准确率和效率,降低人力成本,并且能够对微小病变进行准确识别,提出了新的挑战。针对此问题,提出一种准确率高和实时性好的基于改进YOLOv8的棉花虫害检测算法。首先,使用DCNv3结构,替换YOLOv8 C2模块Bottleneck结构中的普通卷积,形成新的模块记为C2f-DCNv3;其次,在Head的最后一个C2f-DCNv3模块后面加入高效通道注意力,在提升模型精度的同时保持能够实现实时检测。在开源的CottonInsect棉田昆虫识别研究图像数据集上的试验结果表明,所改进方法的mAP为0.706,推理时间为0.6ms,模型大小5.7 MB,相较于原模型YOLOv8n,mAP提升3.0,推理时间提升0.1 ms,模型大小基本保持不变,实现了对于棉花虫害准确且高效的识别。

关键词： 未成熟青苹果   改进YOLOv3   目标检测   自然场景  

摘要： 为研究适合当前生产实际的苹果自动套袋技术,实现真实环境中未成熟青苹果的精准识别,提出一种基于改进YOLOv3的自然场景中未成熟青苹果图像识别方法。首先,为提高含干扰因素图像中未成熟青苹果识别准确率,基于YOLOv3算法利用残差网络和多尺度特征融合检测小目标的思想,对YOLOv3特征提取网络进行改进与试验验证,利用尺寸为(104,104,128)的特征图代替原尺寸为(13,13,1024)的特征图作为输出,提出改进YOLOv3的未成熟青苹果目标检测模型,通过增大特征提取网络输出特征图尺寸,减小感受野尺寸,提高算法网络对图像中未成熟青苹果的捕捉能力与识别准确率。其次,设计不同算法、不同品种和不同环境下的识别对比试验并对结果进行对比分析。改进YOLOv3在整体数据集上的检测均值平均精确率mAP值和召回率R值分别为92.46%、87.6%,较原YOLOv3分别提高3.22%、14.57%,改进模型性能提升主要体现在检测正确目标数量的能力上;在含光照影响、重叠和遮挡影响图像测试集上改进YOLOv3的mAP值较原YOLOv3分别提高3.58%、2.74%。改进YOLOv3模型对整体数据集和含干扰因素图像测试集的检测准确率较高,检测正确目标的数量较多,抗干扰能力较强。