关键词： 深度学习   计算机视觉技术   智能车辆领域   道路环境识别   图像数据  

摘要： 近年来,深度学习技术被广泛应用于计算机视觉研究中,并取得了丰硕的成果。本项目拟采用深度学习技术解决智能汽车视觉这一关键科学问题,通过采集大量带有标签的真实道路环境图像,采用深度神经网络模型训练方法,实现智能汽车中道路环境的认知与理解。研究结果表明,与传统机器视觉方法相比,深度学习在处理交通标志、行人和车辆等方面具有明显优势。深度学习技术在智能汽车领域具有广阔的应用前景,它能够感知、预测其他车辆及行人的行为,做出智能驾驶决策,提高行车安全。

关键词： 智能技术   计算机图形   图像生成   图像处理  

摘要： 阐述人工智能在计算机图形领域的应用,包括计算机视觉、图像生成和图像处理。探讨其在计算机图形课程教学中的应用,主要有设计相关实践项目、引入机器学习算法和使用图形处理单元技术。

关键词： 人工智能   目标检测   YOLOv5   特征融合   注意力机制   损失函数  

摘要： 为解决安全帽佩戴检测中密集小目标和目标受到遮挡场景下容易产生误检和漏检的问题,提出基于改进YOLOv5安全帽佩戴检测算法。首先,在安全帽的特征信息提取过程中引入微尺度检测层,以进一步融合多尺度特征,从而获得更为丰富的特征信息;然后,将坐标注意力机制插入到所提出的改进特征融合网络中,用于提取目标的位置信息,并通过实验验证了该方法的有效性;最后利用EIOU代替CIOU损失函数,加快收敛并改善回归精度和安全帽目标检测准确性。根据实验结果可以看出,改进的YOLOv5算法对安全帽的平均检测准确率(mAP)为90.89%,比标准YOLOv5算法提升了2.25%,明显减少了误检、漏检情况,在面对密集小目标、目标被遮挡等复杂场景时,检测性能得到了有效的提升。除此之外,将改进后的YOLOv5安全帽检测算法部署到施工现场,可以展现出在密集小目标、目标被遮挡场景下更加优异的检测性能,具有很大的应用价值。

关键词： YOLOv5   多尺度特征融合   自适应特征提取   小目标检测  

摘要： 小目标检测在计算机视觉领域具有重要意义,但现有方法在应对小目标的尺度变化、目标密集和无规则排列等挑战时经常出现漏检和误检的问题。为解决这些问题,提出基于改进YOLOv5算法的ATO-YOLO。为提升检测模型的特征表达能力,提出一种结合注意力机制的自适应特征提取模块(adaptive feature extraction,AFE),通过动态调整权重分配突出关键目标的特征表示,提高目标检测任务在不同场景下的准确性和鲁棒性。设计一种三重特征融合机制(triple feature fusion,TFF),能够在不同尺度下充分利用多尺度信息,将多个尺度的特征图融合,以获取更全面的目标特征,提升对小目标的检测效果。引入一种输出重构模块(output reconstruction,ORS),通过去除大目标检测层并增加小目标检测层,实现精确定位和识别小目标,并且相对于原模型复杂度更低,检测速度更快。实验结果表明,ATO-YOLO算法在VisDrone数据集上的mAP@0.5达到了38.2%,较原YOLOv5提升了6.1个百分点,且FPS较改进前提升了4.4%,能够快速准确地对小目标进行检测。

关键词： 机器学习   计算机视觉   图像检测  

摘要： 文章深入探讨了机器学习在计算机视觉处理中的应用,首先介绍了机器学习和计算机视觉的基本概念,其次强调了机器学习在计算机视觉中的重要性,并详细探讨了机器学习在计算机视觉中的三个重要应用领域(包括图像检测技术、随机森林分类模型,以及仿生学方法和工程方法)的应用,最后展望了机器学习在计算机视觉领域的未来发展方向。

关键词： 绝缘子缺陷   目标检测   雾天巡检   改进YOLOX  

摘要： 绝缘子作为输电线路中重要的元器件,对绝缘子缺陷的识别和定位在电网巡检方面有重要意义。为了对雾天情况下绝缘子状态进行准确定位识别,改进了YOLOX目标检测网络。首先,为了加快网络的训练速度,改进了激活函数;其次,为了解决小目标样本相较于整体样本较少和样本不均衡的问题,改进了图像增强方法和损失函数;最后,将改进的YOLOX网络在数据集上与4种目标检测网络进行比较。实验结果表明,在雾天数据集上,改进后YOLOX的准确度、平均准确率和每秒处理图片张数都有一定提升,符合无人机巡检的要求。

关键词： 机器视觉   图像处理   亚像素边缘检测   改进随机Hough变换  

摘要： 为解决传统方法测量铆接孔几何参数效率低、准确性差等问题,提出基于机器视觉的铆接孔几何参数测量方法。该方法使用CCD相机采集孔的特征信息,通过灰度处理、双边滤波及直方图均衡化,降低颜色、噪声对图像的影响,使用粒子群算法优化Otsu双阈值分割提取感兴趣区域。使用Zernike矩亚像素边缘检测代替传统边缘检测算法,提高边缘检测精度,再通过形态学处理弥补像素损失。采用改进随机Hough变换(Improved Randomized Hough Transform,IRHT)提取特征,实现孔的中心坐标和半径测量,利用像素当量标定,将像素测量值转化为物理尺寸。经实验验证,该方法测量两孔间距误差小于2%,测量半径为2mm的铆接孔误差小于4%,优于质心法、圆拟合等传统测量方法。

关键词： 计算机视觉   深度学习   图像处理   表面缺陷检测  

摘要： 随着计算机视觉技术的快速发展,基于深度学习的表面缺陷检测技术实现了爆发式的应用,并逐步成为了主流发展方向。基于深度学习的缺陷检测技术可以近似为计算机视觉任务中的分类、检测、分割等任务,其主要目的是找出物体表面缺陷的类别和所在位置,相较于传统图像处理方法,深度学习在特征提取能力和环境适应能力上优势明显。以缺陷数据标签类型为依据,对近年来基于深度学习的表面缺陷检测技术进行梳理划分,总结目前技术的优点与不足,重点阐述了监督学习下的三种缺陷检测方法。探讨了表面缺陷检测技术面临的小样本以及不平衡样本等关键问题:对于小样本问题目前有结构优化、数据增广、迁移学习等解决方法;针对不平衡样本问题,介绍了近年来热点的无监督、弱监督与半监督学习模型。随后介绍了常用的工业表面缺陷数据集并展现了近年来提出的算法在NEU数据集上的应用效果。最后对进一步的研究工作提出展望,希望能给缺陷检测研究提供有意义的参考。

关键词： 公路勘察   高分遥感技术   暗通道先验模型   双行信息采样   去云雾技术   数据传输   大数据算法  

摘要： 针对公路高分遥感勘测技术中,遥感图像易受天气干扰、数据分析精确度低等问题,研究了基于高分遥感图像处理技术的公路勘查方法。设计了双行信息采样电路以及采样信息保持电路,实现了公路勘查过程中的高清图像信息采集,由此避免因自身电源频率、外部磁场等因素的干扰而产生图像噪点,保证采集图像信息的准确性。此外,采用一种暗通道先验模型去云雾技术,能够有效排除云雾天气对遥感图像采集的干扰。通过基于Storm的大数据算法,提高系统的整体数据分析及传输能力。试验结果表明,该方法不仅增强了去云雾能力,还可以还原正常图像85%左右的图像特征点。该方法具有很强的数据处理、抗干扰以及数据传输能力。

关键词： YOLOv5s   机械臂   位姿估计   目标检测   迁移学习  

摘要： 针对传统机器学习算法视觉识别准确率低、运行时间缓慢等问题,研究针对家庭场景中机器人做家务的场景,利用RGB图像信息为输入,完成对目标物体的抓取位姿估计。以目标检测模型YOLOv5s为基础,利用其轻便、速度快的优点,结合数据增强以及迁移学习搭建网络架构,搭建家庭场景数据集;将少量训练样本进行数据增强后,利用迁移学习将模型在目标数据集上训练,同时微调参数,将目标物体的定位信息通过坐标变换转换为机械臂的抓取位姿,控制机械臂最终以固定抓取姿态完成抓取任务;最后,通过搭建实验平台,操纵UR5机械臂进行实际抓取实验,验证了算法的有效性。提出的基于目标检测的方法速度快、实时性高、误/漏识别率小于2%,应用在机械臂抓取上可以高效地完成任务。