关键词： 桥梁监测   车辆荷载识别   计算机视觉   深度学习   多目标跟踪  

摘要： 桥梁车辆荷载的动态分布对桥梁健康状态的监测和分析具有重要意义,传统的车辆荷载监测方法难以适用于跨度大、结构复杂的桥梁,并且不能实时监测。因此,针对传统车辆荷载监测方法的局限性,在利用动态称重系统的基础上,提出一种基于机器视觉的车辆荷载动态监测方法,能够应用于大跨度桥梁。首先在桥头布置动态称重系统对经过的车辆采集重量数据,同时利用计算机视觉系统同步采集称重车辆的图像并分配ID;车辆在沿桥行驶的过程中,为了计算车辆在桥面的位置,首先进行图像透视畸变校正,建立图像坐标与真实桥面坐标的映射关系,然后通过布置在桥梁上的视觉检测系统采用SSD算法识别沿桥相机视野内的车辆,并记录车辆在桥面上的位置信息;再根据多目标跟踪算法实现车辆目标在相邻时刻的ID关联;如此迭代,即可获取车辆在全桥的移动轨迹,并可根据车辆ID追溯其重量信息,以此达到实时监测桥梁车辆荷载的目的。为了验证所提出方法的可靠性,在武汉鹦鹉洲长江大桥进行了实验验证,结果显示,在不同天气下车辆识别的精确度为96.3%,多目标跟踪结果的ID跳变率为3.4%。实验结果表明监测效果稳定、可靠,能够满足大跨桥梁全桥面车辆荷载动态分布情况监测与记录的要求。

关键词： 图像处理   图像识别   名优茶   智能采摘   茶叶嫩梢   目标检测   YOLOv8n  

摘要： 针对名优茶智能采摘中茶叶嫩梢识别精度不足的问题,该研究对YOLOv8n模型进行优化。首先,在主干网络中引入动态蛇形卷积(dynamic snake convolution,DSConv),增强模型对茶叶嫩梢形状信息的捕捉能力;其次,将颈部的路径聚合网络(path aggregation network,PANet)替换为加权双向特征金字塔网络(bi-directional feature pyramid network,BiFPN),强化模型的特征融合效能;最后,在颈部网络的每个C2F模块后增设了无参注意力模块(simple attention module,SimAM),提升模型对茶叶嫩梢的识别关注度。试验结果表明,改进后的模型比原始模型的精确率(precision,P)、召回率(recall,R)、平均精确率均值(mean average precision,m AP)、F1得分(F1 score,F1)分别提升了4.2、2.9、3.7和3.3个百分点,推理速度为42帧/s,模型大小为6.7 MB,满足低算力移动设备的部署条件。与Faster-RCNN、YOLOv5n、YOLOv7n和YOLOv8n目标检测算法相比,该研究提出的改进模型精确率分别高出57.4、4.4、4.7和4.2个百分点,召回率分别高出53.0、3.6、2.8和2.9个百分点,平均精确率均值分别高出58.9、5.0、4.6和3.7个百分点,F1得分分别高出了56.8、3.9、3.7和3.3个百分点,在茶叶嫩梢检测任务中展现出了更高的精确度和更低的漏检率,能够为名优茶的智能采摘提供算法参考。

关键词： 系统设计   机场跑道胶痕   图像去噪   麻雀搜索算法   图像分割  

摘要： 针对目前机场跑道胶痕检测方法效率低下和精度不足等问题,设计一套基于图像处理技术的机场跑道胶痕自动检测系统。首先,利用自适应阈值和滑动窗口,采用一种基于噪声判断规则的胶痕图像滤波算法,提高去噪能力;然后,引入小孔成像和Metropolis准则提高麻雀搜索算法的搜索能力和收敛速度,并利用改进的麻雀搜索算法优化K-Means进行胶痕分割,提高分割精度;最后,搭建实物平台,验证系统的可行性和有效性。实验结果表明,在处理多维函数时,改进麻雀搜索算法收敛精度和速度分别提高0.6和5量级;去噪胶痕图像的SSIM可达到0.7;改进图像分割算法可精准识别跑道胶痕。该系统具有良好的适应性和抗干扰性。

关键词： 双目相机   ZYNQ   图像处理   相机标定  

摘要： 针对水下机器人近距离作业过程的水下目标探测需求,设计了一种基于ZYNQ的双目实时图像采集与处理系统,研制了水下双目相机工程样机。该系统由FPGA采集OV5640图像传感器的视频数据,经IP核转换为VDMA支持的接口类型,通过AXI4总线将数据传输到PS端的DDR中缓存,然后通过PS端的以太网将数据发送至上位机软件,数据经上位机软件解析后即可实现双目图像的实时显示与处理。实验结果表明:系统实现了在25frame/s帧率下1600 pixel×600 pixel图像的实时采集和存储,双目图像标定后的重投影误差平均值为0.0542 pixel,通过立体校正实现了双目图像行对齐。这为进一步测试和实现水下目标测量定位及三维重建提供了可靠平台。

关键词： 高速破片   目标检测   YOLOv5   特征重组   注意力机制   元学习  

摘要： 战斗部破片群运动参数对弹药毁伤威力评估具有重要的意义。针对破片尺寸较小、背景信息复杂以及破片数据样本少导致的破片检测精度较低的问题,本文提出一种YOLOv5-FD的战斗部破片群目标检测方法。首先,在网络输出端增加微小目标检测层,将原始的三尺度改为四尺度,并在特征融合网络中引入内容感知特征重组(Content Aware ReAssembly of Features,CARAFE)上采样模块替换原有的最近邻插值上采样,减少小目标特征信息损失,提高弱小破片的提取能力。其次,在特征提取网络引入坐标注意力模块(Coordinate Attention,CA),加强对破片特征的提取,弱化背景信息,抑制复杂背景的干扰。最后,在模型训练过程中引入模型不可知元学习方法(Model Agnostic Meta Learning,MAML),达到仅用小样本破片数据集实现较高的检测性能。实验结果表明,YOLOv5-FD破片检测算法在自制破片数据集中,精确率达到了90.5%,召回率达到了85.4%,平均精度mAP_0.5达到了88.2%,与原始YOLOv5s算法相比分别提高了7.1%,7.9%和7.5%,有效提高了破片目标检测准确性。

关键词： 计算机应用   深度学习   计算机视觉   卷积神经网络   视频显著性预测   联合时空注意力机制  

摘要： 为了解决视频显著性预测任务中时间与空间特征联合建模的问题,提出联合时空注意力机制(COStA),共同提取时间和空间维度的注意信息,突出特定时间和区域的特征供模型来感知。基于该机制,进一步提出视频显著性预测模型TASED-COStA,对比实验表明:COStA机制能为神经网络模型在CC、NSS与SIM三个评价指标上获得大于8%的性能提升,TASED-COStA模型能有效地建模视频信息中的时间与空间关系,并给出准确的预测结果。

关键词： 多尺度   坦克目标识别   深度学习   注意力机制   YOLOv4  

摘要： 在信息化作战的大背景下,为实现无人模式智能收集前方战场的坦克目标信息,研究提出了一种基于YOLOv4地面坦克目标检测的改进算法。基于原YOLOv4目标检测算法,使用多特征层拼接模块增强特征信息的传递与流动;使用全局信息获取模块更好地对全局特征信息进行捕获;使用多尺度信息融合模块扩大特征融合的尺度;添加解耦检测头模块将目标分类和位置回归任务进行解耦操作使得网络学习更加彻底。实验结果显示,与YOLOv4算法相比,改进后的YOLOv4_Modify算法提高了识别精度,其中,Recall值提升了10.2个百分点,mAP值提升了4.3个百分点。实验结果表明,改进后的YOLOv4_Modify算法能够精确地识别出复杂环境下不同尺度的坦克目标,改善了原有检测算法中对较小坦克目标的漏检问题,为信息化作战提供了视觉技术支持。

关键词： 变电站   异物入侵   目标检测   注意力机制  

摘要： 针对变电站入侵异物尺度差异大和模型复杂的问题,提出了一种基于多尺度线性注意力机制与YOLOv5融合的变电站异物入侵检测算法。首先,采用轻量级多尺度线性注意力模型(Efficient ViT)作为主干网络,提升模型多尺度学习能力。其次,将颈部网络三卷积跨阶段局部瓶颈模块(C3)中的瓶颈层替换为轻量级的幻影卷积瓶颈层,降低模型的复杂度。最后,设计了三重增强注意力机制(TEA),并将其融入颈部网络C3模块中,通过各维度之间的交互和增大的感受野,有效地融合特征信息,提高检测精度。实验结果显示,与原模型相比,改进模型平均精度均值提高了1.4%,浮点运算次数降低了23.9%,提高异物检测精度的同时降低了模型复杂度,有利于实际中的应用。

关键词： 不停电作业   目标检测   安全帽   绝缘手套   CenterNet  

摘要： 在配网不停电作业现场,利用监控视频进行作业风险管控已经得到越来越多的应用,但目前的检测主要是针对安全帽,且对背景复杂、目标部分遮挡等情况下的检测较为困难。为此,提出一种基于Openpose-CenterNet的绝缘护具检测模型。首先,利用Openpose网络对图像中的作业人员进行检测,确定作业人员的骨骼关键点;其次,利用关键点信息确定安全帽、绝缘手套、绝缘披肩及绝缘服的检测范围,再利用CenterNet网络在检测范围内进行目标检测。将该模型在绝缘防护用具图片数据集上进行训练,得到测试集的检测精度接近90%,比YOLO(you only look once)v5、CenterNet等模型提高约5%。最后将该模型封装在硬件端进行硬件现场测试,测试结果表明,在不同姿态、人数、角度的情况下,该模型均能较好地完成绝缘安全防护用具的识别,同时能标注不符合安全作业规范要求的作业人员。

关键词： 深度学习   工业产品表面缺陷检测   图像处理   卷积神经网络  

摘要： 深度学习技术的发展为表面缺陷检测带来了新的可能性。文章论述了监督学习模型方法、无监督学习模型方法以及弱监督学习模型方法下的典型分类,并介绍了每种方法的研究现状。探讨了在工业产品表面缺陷检测中的关键问题和可能的解决方法。对工业产品表面缺陷检测未来的研究方向进行了总结和展望。