关键词： 原油储罐   浮船板   图像处理   视觉纠偏   焊接机器人  

摘要： 为提高原油储罐浮船板焊接质量,采用基于视觉纠偏的方法对原油储罐浮船板焊接机器人进行了研究。首先搭建并标定了焊接机器人视觉系统,设计了一套焊缝图像处理与特征点提取方法;然后建立了三维焊接机器人模型、焊枪模型和线结构光视觉传感器仿真模型,并采用基于迭代最近点配准算法进行了焊接视觉纠偏,获得了真实的焊缝位置;最后进行了焊缝轨迹离线纠偏实验,通过离线焊缝纠偏解决了浮船板工件定位不精确导致传统示教模式下焊接机器人无法精确焊接的实际工程问题。

关键词： 水下目标检测   YOLOv7   漩涡聚合网络   噪声特征扰乱  

摘要： 水下目标检测在海洋探索、生态保护和水下机器人导航等领域具有重要应用。然而,由于水下环境的复杂性,如光照不均匀、悬浮颗粒干扰和低对比度图像,传统的目标检测方法在水下环境中的表现往往不尽如人意,尤其是面对数据中的噪声问题。为了解决这一问题,本研究提出了一种基于YOLOv7的改进模型用于水下目标检测。我们将YOLOv7作为基线模型,针对其在水下环境中的不足之处,对模型的关键模块进行了优化。具体而言,我们提出了一种漩涡聚合网络模块来破坏噪声数据,并在此过程前引入了空间注意力机制,帮助网络更好地关注重要特征,并抑制不相关的噪声;针对下采样过程中可能存在的信息丢失问题,我们提出了空间到深度池化模块(STD-MP),通过将空间特征转换为深度特征,结合最大池化操作完成下采样过程;最后,我们对损失函数进行了优化。实验结果表明,我们的模型相比于基准模型提升了4.2%的mAP。Underwater object detection has important applications in fields such as ocean exploration, ecological protection, and underwater robotics navigation. However, due to the complexity of the underwater environment, including uneven lighting, interference from suspended particles, and low-contrast images, traditional object detection methods often perform suboptimally in underwater scenarios, particularly when dealing with noisy data. To address this issue, this study proposes an improved model based on YOLOv7 for underwater object detection. We use YOLOv7 as the baseline model and optimize its key modules to overcome its limitations in underwater environments. Specifically, we introduce a vortex aggregation network module to disrupt noisy data, incorporating a spatial attention mechanism before this process to help the network better focus on important features and suppress irrelevant noise. To tackle the issue of potential information loss during downsampling, we propose the Space-To-Depth Pooling (STD-MP) module, which converts spatial features into depth features and combines them with max pooling for downsampling. Finally, we optimize the loss function. Experimental results show that our model achieves a 4.2% improvement in mAP compared to the baseline model.

关键词： 民居建筑   典型特征   信息提取   计算机视觉   多尺度结构相似度  

摘要： 传统的民居建筑典型特征提取主要是通过大量现地观察、测量和采样后,凭借个人经验进行提炼总结,抽象概括出有代表性民居建筑形状、颜色和样式等造型特征。该类方法容易受个人主观因素影响,工作量大,可复现性不强,稳定性、可靠性和科学性不高。针对以上问题,结合计算机视觉、统计分析和遥感成像等技术手段提出一种西藏地区高原民居建筑典型特征遥感提取方法。利用K-means无监督聚类对民居建筑形状特征进行提取,获取典型民居建筑长度、宽度和长宽比等典型形状特征指标;将RGB三色的民居建筑样本转换到Lab色彩空间,通过色差阈值分割与统计分析提取民居建筑典型颜色特征;引入样本多尺度结构相似度对建筑样式进行定量化表征,通过样本精选、结构特征模板提取和最大相似度匹配提取典型民居建筑样式。以西藏地区的桑耶镇和曲水镇作为实验区分别选择四种经典主流方法开展了两组对比验证实验。实验结果表明,该方法提取的建筑典型特征一致性较好,结果稳定、可靠,受人为因素影响较小。同时也发现,高原民居建筑长宽比约为1.1∶1,长度约24~29m,宽度略窄。民居建筑颜色主要为浅灰褐色,占比最大的前3~4种主色与当地的裸土颜色非常相似。典型民居建筑样式主要呈“回”字形结构,中间有庭院和四周为围墙。

关键词： 目标检测   注意力机制   损失函数   Yolov8n  

摘要： 针对复杂自然环境中茶叶病害的检测问题,提出一种创新的检测模型,旨在为茶叶病害的精确识别提供有力支持。模型设计中,增加了小目标检测层,提升了对微小目标的检测;引入了CA(CoordAttention)注意力机制,增强模型对细节信息的捕捉能力;采用Focal-EIOU损失函数进一步优化算法模型;替换主干网络MobilevitV2,提升了模型的性能。实验结果表明,在同等条件下,与YOLOv8n原模型相比,本研究提出的优化算法实现了平均精度均值3.5百分点的提升,准确率达到91.6%。这些改进措施有效地提高了茶叶病害检测的准确率,而且为茶叶病害检测提供了坚实的理论基础和技术支撑。

关键词： 护栏损坏检测   无人机   ECA注意力机制   深度可分离卷积   图像处理   信息提取  

摘要： 针对现有方法对无人机高速公路护栏损坏检测存在边缘信息提取效果差、识别精度低的问题,提出一种基于深度学习的变化检测模型DDE-BIT。首先,采用深度可分离卷积优化主干网络Resnet18,减少模型的参数数量,降低计算成本;然后,在主干网络输出部分引入ECA注意力模块,在仅增加少量参数的情况下提高模型的跨通道信息捕捉能力;最后,通过跳跃连接方式对BIT双时空图像转换器的输出特征进行堆叠,提高模型的上下文信息理解能力。以采集的无人机高速公路护栏损坏图像为实验数据,实验结果表明:DDE-BIT模型的交并比和F1分数分别为90.99%、95.28%,相较于原始模型分别提高了2.71%、1.51%,能够有效地提取护栏损坏的边缘信息。

关键词： YOLOv8n   注意力机制   并行化设计   上采样   损失函数  

摘要： YOLOv8n算法在面对背景繁杂、目标密集、像素点小的情况下,表现出识别精度欠佳、目标漏检及误识别的问题.针对上述问题,提出一种LNCE-YOLOv8n安全装备佩戴检测算法.包括提出线性多尺度融合注意力LMSFA(linear multi-scale fusion attention)机制,自适应聚焦关键特征,提升对小目标信息提取的能力且减少计算.提出C2f_NewNet(C2f_New network)结构,通过有效的并行化设计,保持高性能且减少深度.结合轻量级通用上采样算子CARAFE(content-aware reassembly of feature),实现跨尺度的高效特征融合与传播,在大的感受野内聚合上下文信息.基于SIoU(symmetric intersection over union)损失函数提出ESIoU(enhanced symmetric intersection over union),提升模型在复杂环境中的适应性和精度.实验采用safety equipment数据集进行训练测试,结果表明LNCEYOLOv8n算法相比YOLOv8n算法,精度提升了5.1%,mAP50提升了2.7%,mAP50-95提升了3.4%,有效提高建筑工地复杂场景的工人安全装备佩戴检测精度.

关键词： 合成孔径雷达   地面目标检测   自动目标识别   Transformer网络  

摘要： 在合成孔径雷达地面目标检测任务中,传统检测方法因为在处理过程中采用固定模型假设而导致性能严重下降。卷积神经网络作为一种基于数据驱动的方法,在拥有足够的训练集时可以显著提高目标检测的准确性,但在检测陆地背景下的微小目标时性能仍不稳定。为了应对这些挑战,提出了一种先增强后检测的地面目标检测框架。其中包括以Transformer为骨干网络的增强网络、增强目标特征区分度的跨特征空间注意力模块以及具有多尺度特征的检测网络。形成一个级联的目标检测网络架构,以实现更好的推理性能。使用MSTAR基准数据集对提出的网络进行实验,证明提出的级联网络在各项指标上超过其他现有方法,其精度最高可以达到93.6%。

关键词： 视网膜显微手术   目标检测   YOLO   手术显微镜   损失函数  

摘要： 针对视网膜显微手术中的复杂干扰情况,本文利用深度学习的方法提出一种手术器械检测算法。首先,构建并手动标注了RET1数据集,并以YOLO框架为基础,针对部分图像退化,提出利用SGConv和RGSCSP特征提取模块增强模型对图像细节特征的提取能力。针对IoU损失函数收敛速度慢以及边界框回归不准确的问题,提出DeltaIoU边界框损失函数。最后,运用动态头部和解耦头部的集成对特征融合的目标进行检测。实验结果表明,提出的方法在RET1数据集上mAP50-95达到72.4%,相较原有算法提升了3.8%,并能在复杂手术场景中对器械有效检测,为后续手术显微镜自动跟踪以及智能化手术导航提供有效帮助。

关键词： 航空伽马能谱测量   铀矿勘查   特征参数   岩性圈定   图像处理  

摘要： 本文在论述航空伽马能谱测量系统基础上,根据甘肃龙首山地区不同岩性地质体分布特征和测区航空伽马能谱切割线测量的铀、钍、钾质量分数数据,先验性地建立了不同岩性地质体放射性元素(铀、钍和钾)质量分数的高斯概率分布模型。根据航空伽马能谱测量获得的全测区铀、钍和钾质量分数数据,采用非线性最小二乘法拟合,构建了测区不同岩性地质体的分离模型,获得了不同岩性地质体高斯分布的钾、铀、钍质量分数均值与标准差。在此基础上,以0.6 m(Th)+0.2 m(U)+0.2 m(K)之和作为测区岩性特征参数Y,对测区不同岩性地质体分布范围进行了初步划分,并采用平滑、锐化、高斯聚类等图像增强处理方法,使不同岩性地质体边界变得更为清晰。Kappa系数检验表明,本方法的岩性区分效果达到一般的一致性。此外,以不同岩性的铀增量(ΔU)和钾增量(ΔK)为特征参数,采用图像增强处理方法,在测区圈定了6处铀质量分数增量异常和3处钾质量分数增量异常。所圈定的钾含量增量异常与铀含量增量异常在空间上吻合良好,有4处铀质量分数增量异常与已知铀矿床(矿点)分布一致,反映了测区内铀元素迁移富集与碱性热液活动具有相关性。本文采用航空伽马能谱测量特征参数与图像处理相结合的方法来划分测区岩性和预测铀矿床(点),具有重要的生产意义和地质找矿价值。

关键词： 计算机视觉技术   烟叶烘烤   智能化  

摘要： 计算机视觉技术是一个发展十分迅速的新技术,近年来,已经应用到了农业各个方面,包括路径识别技术、采摘收获技术、种子分选技术和农产品分级技术等,机器视觉技术的出现解决了人工方式存在的很多问题,可以对农机作业环境进行实时监测和分析,提高作业的效率和质量,降低劳动成本,具有广泛的发展潜力。但目前对于计算机视觉识别技术在农产品烘干中的应用研究甚少,以云南省烟叶烘烤为例,综述了计算机视觉技术在烟叶烘烤中的一些应用研究情况。