关键词： 铝合金铸件   缺陷检测   图像处理   水平集  

摘要： 针对汽车机械零部件中检测效率低、误检率高等瓶颈问题,提出了一种结合图像处理技术的方法。基于汽车副车架表面结构复杂以及缺陷异形等特征,首先通过小波邻域收缩去噪和多尺度增强算法对零件图像进行预处理,再通过水平集函数初步定位缺陷区域,最后结合空间模糊聚类进一步精确定位缺陷区域,达到对零件表面缺陷识别的目的。对工件表面划伤、压痕、气孔三种缺陷进行检测。实验结果表明:该算法相对于其它两种算法的检测率分别93.3%、86%和90%,具有较高的检测成功率。为后续缺陷零部件分类奠定良好的基础且可以满足工业检测要求。

关键词： YOLO   目标检测   行李处理系统   注意力增强   卷积神经网络  

摘要： 随着深度学习和人工智能的兴起,以及闭路电视监控系统对行李输送线的全覆盖,研究者开始使用图像识别技术对行李进行全程的识别跟踪,但在生产运营过程中,图像质量低、行李粘连堆叠等影响识别跟踪精度的问题时有发生。针对这些问题,提出一种注意力特征增强方法来抑制背景信息,使神经网络提取行李特征的过程中具有更好的鲁棒性。为了验证该方法的有效性,采用昆明机场的行李图像构建数据集,在此数据集上,该方法的检测精度达到了70.2%,以及很小的参数量,为行李处理的效率和准确率提升提供了支撑。

关键词： 高光消除   图像处理   光照补偿   循环对抗生成网络  

摘要： 应用光学无接触方法检测动车零件损伤时,采集图像的照射光易在零件上造成镜面反射,使得采集图像上存在高光,不利于对损伤部位的辨识。提出一种基于循环对抗生成网络(CycleGan)和光照补偿算法结合的方法来修复动车轮部图像的高光部分。首先通过生成手段初步修复高光区域,然后改进Retinex光照补偿算法,实现对生成图像的进一步增强,达到高光消除的目的。实验结果表明,所提方法大幅改善了高光区域的像素灰度,使得该部分像素灰度接近图像整体像素灰度,同时强化了暗部细节和图像信息,提高了损伤部分的辨识度。

关键词： 智能网联汽车   应用环境   信息交互   智慧交通   跨界融合   目标跟踪   车路协同   感知精度  

摘要： C-V2X产业应用是实现"车-路-云"全方位连接和高效信息交互的关键技术,是智能网联汽车、智慧交通与智慧城市发展的关键,也是跨界融合的产物.相较其他应用,路侧感知精度不足、目标跟踪连续性和一致性弱、交通对象感知识别不精准、交通流信息无法准确获取和估计.

关键词： 目标跟踪   点群共存   轨迹泊松多伯努利混合滤波  

摘要： 针对传统群目标跟踪算法在点群共存场景下跟踪精度低的问题,提出了可以同时对点目标和群目标进行跟踪的轨迹泊松多伯努利混合(trajectory Poisson multi-Bernoulli mixture,TPMBM)滤波算法。该算法对目标的状态空间进行扩展,在标准点目标和群目标模型的基础上引入关于目标类别的概率信息,通过TPMBM滤波器的预测和更新过程实现对目标类别的判断和对目标运动状态的估计。仿真结果表明,与现有算法相比,所提算法在点目标和群目标共存时漏检误差明显降低,具有更优的跟踪性能。

关键词： 自然语言处理   计算机视觉   AI技术   计算机程序   人类智能   机器学习   智能行为   深度学习  

摘要： 一、人工智能治理研究现状人工智能(AI)是一个综合性的概念,不同的研究者和组织从不同角度给出了各自的定义。总的来说,AI是指通过计算机程序或机器展现出的智能行为,尤其是类似人类智能的行为,如学习、推理、判断、规划等。近年来,AI技术取得了长足进步。当前,以机器学习、深度学习为代表的AI技术在计算机视觉、语音识别、自然语言处理等领域取得了突破性进展,在许多任务上的表现已经接近甚至超过人类水平(LeCun et al.,2015)。

关键词： 三维目标检测   深度残差网络   体素特征   图像特征   特征融合   双次特征融合网络  

摘要： 针对点云稀疏性与无序性导致基于纯点云的检测算法容易出现远小目标漏检和误检的问题,提出一种融合图像特征与点云体素特征的多模态三维目标检测算法。在图像特征提取阶段,提出一种轻量级深度残差网络,减少图像特征通道数,使其与点云体素特征相一致,提高点云和图像特征的融合能力;在体素特征与图像特征融合阶段,提出一种双次特征融合网络,在保留原始体素特征结构信息的基础上将图像特征和体素特征进行融合,使点云具备丰富的语义信息,提高远小目标检测精度。在KITTI数据集上实验结果显示,与基线模型相比,对小汽车、骑行者与行人的3D平均检测精度分别提高了0.76个百分点、2.30个百分点、3.43个百分点。实验结果验证了所提方法对于解决远小目标误检和漏检问题的有效性。

关键词： 机器视觉   用户友好界面   图像处理   人脸识别   设备监测   图像预处理   实时报警   深度学习  

摘要： 引言本文阐述了基于机器视觉的皮带机人员安全管理系统,该系统融合图像处理和人工智能算法,通过高清摄像头、传感器等设备监测皮带机工作区域,经图像预处理、深度学习识别(如YOLO、Faster R-CNN结合人脸识别)实现人员检测与危险预警。系统具备实时报警、数据存储、用户友好界面等功能,确保人员安全,提升管理效率。设计实现中注重稳定性、实时性和可扩展性,经优化后显著提升安全保障,降低事故风险。

关键词： 目标检测   深度学习   YOLOv3  

摘要： 文章通过对YOLOv3算法目标检测原理进行深入分析,使用自采数据集道路场景中常见的行人、车辆和红绿灯等数据对算法模型进行训练,通过改变模型输入、过滤无意义目标物,以及调整学习策略,利用较小的训练集和较少的训练轮次获得实时性强、精度较高的目标检测模型。实验表明,改进方法在测试集上平均精度达到71.58%,比传统YOLOv3算法提高1.94%,并且算法检测速度达到70.04 f/s,较优于传统YOLO系列算法。同时将该方法应用于车辆行驶动态数据集,能够实现针对视频中道路目标的实时检测。

关键词： 输电线路走廊   防外破   目标检测   注意力机制  

摘要： 输电线路在跨越高速铁路、高速公路和重要输电通道场景下易受到外力破坏,可能严重影响输电线路安全可靠运行。针对此问题,该文通过构建输电线路走廊隐患目标数据集,提出新模型YOLO-2MCS用于输电线路走廊隐患目标检测。使用混合数据增强策略对数据集进行有效扩充,以提高模型在复杂场景下的泛化性和鲁棒性;在EfficientRep骨干网络引入卷积注意力机制模块,有效提升模型对多尺度目标的检测能力;构建使用softplus激活函数的双向特征金字塔结构加强模型特征学习能力;在检测头使用SIoU损失函数进一步提升模型检测精度。实验结果表明,相较于原YOLOv6网络,该模型在0.5:0.95的严苛阈值下平均精度均值提升4.4%;将该模型与主流的检测模型FasterR-CNN、YOLOX、YOLOv5和YOLOv7分别进行对比评估,该模型的检测精度、检测速度、模型复杂度均获得最优性能,其平均检测速度高达约300帧/s,且内存仅为40.7 MB,同时满足在边缘计算设备上部署的要求。