关键词： 知识蒸馏   YOLO算法   多层特征对齐   目标检测  

摘要： 实时目标检测算法(如YOLO)是为在资源有限的边缘设备上高效执行物体检测任务而设计的。因检测性能有限,提出一种基于多层特征对齐的知识蒸馏方法。为有效保留原始数据中的知识,引入将教师和学生模型的多个中间层知识纳入其中的蒸馏指标,根据训练过程中教师模型和学生模型中间层特征的差异,纳入了对齐加权因子。该方法能让学生模型从教师模型的中间层学到更多有用的知识。利用提炼出的知识对现有模型进行了增量训练,避免训练多个独立模型的资源开销。通过不同场景和条件下的实验比较,该方法在降低模型计算和存储成本的同时,有效提高目标识别的准确性。实验分析表明,在YOLO模型基础上提出的多层特征对齐蒸馏算法经COCO2017数据集验证,将学生模型的检测精度从33.3提升到40.7,有效提高模型的检测精度。

关键词： 侧扫声呐   沉船   目标检测   YOLOv5模型   损失函数   GA+K算法  

摘要： 基于YOLOv3模型的侧扫声呐沉船目标检测方法存在小目标漏警率高、模型权重大、检测速度未能满足实时性需求等问题,根据数据集特点,提出基于YOLOv5模型的侧扫声呐海底沉船目标检测方法。在YOLOv5模型的基础框架下,构建YOLOv5a、YOLOv5b、YOLOv5c、YOLOv5d、YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x 8种不同深度和宽度的模型结构进行对比实验,并选择最优的结构,使用GA+K(genetic algorithm and K-means)算法优化检测框,并对损失函数进行改进。实验结果表明,改进的YOLOv5a模型在交并比阈值设置为0.5和0.5~0.95的平均准确率分别较原始模型提高了0.3%和0.6%,较YOLOv3算法分别提高了4.2%和6.1%,检测速度达到426帧/s,提升了近一倍,更加益于实际应用和工程部署。

关键词： 筐装禽蛋   图像处理   YOLOv5s   视觉定位   水中上料  

摘要： 针对国内禽蛋制品加工过程中,散装蛋水中上料时筐装蛋搬运自动化程度低的问题,设计一种自动上料机器人的视觉定位方案。该方案采用YOLOv5s和图像处理相结合的方法,在复杂环境中对散装禽蛋筐进行定位识别。建立最佳分割阈值T与图像平均灰度值M之间的关系模型,使用动态阈值分割法对图像中的堆垛整体进行分割,通过堆垛最小外接矩形的长宽比区分2种筐装禽蛋堆垛类型,堆垛类型识别准确率为100%。使用YOLOv5s对堆垛顶层的单个蛋筐进行定位识别,模型识别精确率为98.48%,检测单幅图片用时为0.0054 s。根据YOLOv5s输出的定位结果对图片进行裁剪,通过图像分割将蛋筐边框分割出来并用Canny算子检测其边缘信息,计算所有蛋筐旋转角度,平均角度误差为0.41°。结合蛋筐高度得出筐装禽蛋堆垛中所有蛋筐的位姿信息。结果表明,基于YOLOv5s和图像处理的筐装禽蛋定位方法可以准确识别出筐装禽蛋堆垛中所有蛋筐的位姿信息,该系统具有较好的鲁棒性和可行性。

关键词： 钢包号识别   红外热成像   远程在线测量   机器视觉   图像处理  

摘要： 冶金行业在生产过程中钢包一直运行在恶劣的环境中,对钢包内壁材料的健康程度进行及时检测对安全生产具有非常重要的意义。本文运用机器视觉技术对钢包号码进行识别、运用红外热成像仪对钢包外壁温度进行在线测量,并结合软件编程技术设计基于红外热成像的钢包监测系统,实现了钢包外壁温度的远程在线测量,并通过红外历史图片与历史数据曲线判断钢包内壁材料的缺损程度。本系统对钢铁行业的安全生产和智能制造水平具有一定的推动作用。

关键词： 茶叶   病害检测   深度学习   目标检测   注意力机制  

摘要： 提出了一种改进的基于深度学习的茶叶病害目标检测算法。该方法在网络模型中添加坐标注意力机制,使模型细化特征,更加关注茶叶病害信息,从而抑制树枝、杂草等一些背景因素的干扰;选用CIoU作为模型的损失函数以提高定位能力;同时,通过聚类的方法对数据集中的目标边框进行重新优化,以获得更精准的先验框;并建立包含6种病害的茶叶病害数据集,解决了病害图像数据匮乏的问题。与其他算法对比实验结果表明,所提出的算法在多个指标上均有较好的表现,可为茶叶病害智能化诊断提供高效的解决方案。

关键词： 轨道交通   APM   轨道错台检测   图像处理   动态数列  

摘要： [目的]为解决传统APM(自动旅客捷运系统)轨道错台人工检测方法的检测效率低、精度低等问题,需对APM轨道错台检测技术进行研究。[方法]利用线激光传感器获取轨道数据,基于多维图像处理技术和点云处理技术对错台进行识别和测量。对轨道轮廓数据进行图像化处理,通过图像处理技术识别轨道错台并定位,同时融合动态数列,判断在连续的时间段内图像识别算法识别的轨面状态是否一致,解决单个轨道断面误判的干扰,提高错台识别定位的准确性;错台精准识别和定位后,扫描获取轨道的点云数据,对数据进行滤波、平面拟合等处理,获取错台值的大小。[结果及结论]上海地铁浦江线的实际线路试验结果表明,采用多维图像处理技术和点云处理技术能够实现轨道错台的准确识别和定位,且识别的错台值的测量精度高、重复性好,满足轨道巡检要求。

关键词： 注意力机制   泥石流物源   目标检测   深度学习   Ghost卷积   损失函数  

摘要： 为解决当前传统泥石流物源识别人工野外实地调查难度大、危险性高、效率低、检测精度低等问题,提出了一种改进的YOLOv5s-GCE泥石流物源目标检测方法。首先,利用Ghost卷积替换普通卷积,完成轻量化特征提取,降低参数量和计算量;其次,在YOLOv5s模型的主干网络中添加CBAM双通道注意力机制,关注关键区域的重要特征,有效提升模型性能;最后,将CIOU替换为EIOU损失函数,提升算法检测精度。与YOLOv5s模型相比,YOLOv5sGCE模型mAP@0.5提升8.6%,mAP@0.5:0.95提升10.5%,参数量减少10.6%,计算量下降10.1%。可以有效检测泥石流物源,为泥石流物源的精确识别定位提供理论参考和数据支撑,进一步服务于里道寺窑沟区泥石流的风险评价与防治。

关键词： 激光旁轴送丝熔覆成形技术   图像处理   焊缝轮廓拟合   搭接率模型   单因素试验  

摘要： 在激光旁轴送丝熔覆成形中,表面平整度是影响其成形质量的关键因素。为获得理想的表面平整度,选取ER-2209焊丝,基于激光旁轴送丝单层单道熔覆焊缝形貌,使用MATLAB软件对其进行图像处理、焊缝特征提取及数学拟合。试验结果表明,传统焊缝的抛物线模型与实际熔覆焊缝特征差异较大,为保证误差可控,同时避免不利因素的产生,经过多组不同阶数的拟合结果对比发现,使用6阶函数对试验对象的拟合效果更好。由焊缝曲线的拟合结果可得出最优拟合函数,进而利用微分的思想建立最佳平整度的数学模型,可求解出最佳理论搭接率,并通过5组单因素激光旁轴送丝搭接试验对所提出的表面平整度模型进行验证。结果表明,焊缝表面平整度是焊缝特征和层间偏移量的函数;该模型的理论最佳搭接率是30.45%,试验验证的理想搭接率在30%~35%之间,在试验误差允许范围内理论最佳搭接率成立。在实际的激光旁轴送丝熔覆成形过程中,可以根据实际情况,在理论最优搭接率基础上小范围灵活调整。

关键词： 三维目标检测   多传感器   融合   点云  

摘要： 三维目标检测是自动驾驶环境感知中不可缺少的功能模块。相机传感器丰富的图像纹理信息可以弥补激光雷达点云的稀疏问题,提出一种即插即用的RI-Fusion模块实现激光雷达与相机的有效融合。通过球面坐标变换将点云转换为紧凑的范围视图表示,基于注意力机制将距离图像与相应的相机图像进行集成,将原始距离图像与融合特征相连接以保留点云的信息,并将融合结果投影到空间点云中。特征增强后的点云可以输入到基于激光雷达的三维目标检测器中。在KITTI三维目标检测基准上进行实验,结果表明,提出的融合方法能够显著增强多个基于激光雷达的三维目标检测器,且针对行人与骑行者等小目标可以获得更高的检测精度。

关键词： 红外图像   小目标检测   特征增强   特征融合   注意力机制  

摘要： 为提高红外成像中小目标检测的性能,提高低空空域监管能力,提出一种基于多尺度注意力特征增强融合的红外小目标检测新网络。首先,使用Resnet34提取红外图像的多尺度特征;其次,使用多尺度空间注意力特征增强模块(MFEM)来提高特征提取能力;然后,在逐级上采样过程中使用双通道注意力特征融合模块(DFFM),融合语义信息和细节信息,以更好地保护红外小目标的特征;最后,与其他方法对比,并以地/空红外弱小飞机目标视频序列检测为例测试真实场景。结果表明:新方法与现有方法相比,交互比(IoU)、F值和漏检率(FNR)的评分均获得改进;通过多尺度注意力特征增强融合可准确地定位到目标并生成精细的分割结果;MFEM能够同时利用多尺度上下文信息和空间注意力机制来突出红外小目标;DFFM通过给不同通道特征的集合赋予权重,得到最合适的特征图进行特征融合,从而提高检测性能。