关键词： 机器视觉   图像处理   火焰完结点   垃圾焚烧炉   炉排炉  

摘要： 炉排炉是国内垃圾焚烧厂中最主流的技术。当垃圾在焚烧炉内燃烧时,为了防止出现偏烧导致炉排被损坏以及安全事故的发生,需要时刻检测垃圾在炉排上的位置与燃烧状况。目前对垃圾焚烧炉内燃烧状况的检测主要是通过人工观察实现,此种方法存在很大的弊端。通过机器视觉技术,对提取到的垃圾燃烧图像进行数字图像处理,检测图像中火焰的边缘并标注燃尽线的距离供操作人员调整炉排的翻滚。试验表明:基于机器视觉的垃圾焚烧火焰完结点提取克服了“人工观火”的主观性影响,提高了火焰完结点的检测效率与准确率,使用此方法得到的火焰拟合线的距离误差在±10 cm以内。

关键词： 目标检测   query初始化方式   自注意力   训练策略  

摘要： 基于Transformer的目标检测算法往往存在着精度不足,收敛速度慢的问题.许多研究针对这些问题进行改进,取得了一定的成果.但是这些研究大都忽视了Transformer结构应用于目标检测领域时存在的两个不足之处.首先,自注意力运算结果缺乏多样性.其次,因集合预测难度大,使得模型在匹配目标的过程中表现不稳定.为了弥补上述缺陷,首先设计了自适应token池化模块,增加自注意力权重的多样性.其次,设计了一种基于粗预测的锚框定位模块,并利用该模块为查询提供位置先验信息,从而提高二分图匹配过程的稳定性.最后,设计了基于组的去噪任务,通过训练模型对位于目标附近的正负查询进行区分,从而提高模型进行集合预测的能力.实验结果表明,本文提出的改进算法在COCO数据集上取得了较好的训练结果.与基线模型相比,改进算法在检测精度与收敛速度上有较大提升.

关键词： 激光雷达   图像处理技术   火车装车   偏载  

摘要： 目前在火车储装运卸料过程中,物料质量、偏载程度与物料装载表面平整性等参数需符合装车要求,故要对每一节车厢装车散料进行分析。在既有技术中,通常使用雷达扫描车厢内物料横截面,利用高速相机捕捉火车车顶图像,并根据捕获图像判断车厢运动状态,逐帧拼接扫描,此方法要求火车处于匀速运动状态并不适用各种突发场景。原煤进入筒仓后经过洗选加工成不同产品,根据需求装车作业。车厢偏载、亏吨会对轨道衡称重带来影响。如何检测车厢物料装载效果并研制一套车厢物料装载、偏载监控系统,对物料流动性动态检测,最终得到物料体积与质量,是主要探讨内容。

关键词： YOLOv7   行为识别   注意力机制   目标检测  

摘要： 学生课堂行为识别能够有效提升课堂教学效果,是智慧教育不可或缺的一环。鉴于缺乏相关研究数据,文章首先构建了学生课堂行为数据集。在特殊的课堂环境中,学生数量众多且常相互遮挡,后排学生目标体积较小,所以在复杂多变的环境下,难以将学生行为与周围背景区分开来。因此,文章提出一种基于改进YOLOv7目标检测算法的学生行为识别方法(YL7CA),将CA注意力机制嵌入到YOLOv7中,以便更准确地检测学生行为。该方法在自建数据集上获得了92.6%的检测精度,能有效检测出抬头、低头、转头、玩手机、读写、睡觉这六类常见的学生课堂行为。

关键词： 无人机   孪生网络   单目标跟踪   轻量化   互相关  

摘要： 当前,一些单目标跟踪算法已经取得了领先的性能,但庞大的模型限制了其在无人机这样资源有限平台上的应用。为此,设计了一种基于孪生网络的轻量型无人机单目标跟踪算法,旨在消耗更少资源情况下实现对目标的高效跟踪。首先,基于MobileNetV3设计了轻量化的孪生特征提取骨干网络,在保证不降低特征提取能力的前提下,极大减少网络的计算量和参数量。其次,设计了双重互相关模块,该模块采用像素互相关快速实现模板图像特征和搜索图像特征的相似性计算,同时结合深度互相关补充缺失特征,有效提升特征匹配的精度和鲁棒性。然后,通过堆叠多个深度可分离卷积层设计了轻量化的预测头部,以最小化的资源消耗来获得准确的目标表达。最后,在传统的分类和回归损失基础上,引入分类排名损失,增强网络对目标前景的学习能力,抑制背景干扰,进一步提升跟踪性能。综合实验表明:算法以5.3×10^(5)的参数量和1.1×10^(8)的浮点数运算量,在无人机视频目标跟踪数据集DTB70、UAV123和UAV20L上分别取得82.1%、81.2%和64.6%的准确率以及63.4、61.8%和49.6%的成功率,达到同类跟踪算法的性能且参数量和计算量大幅降低,并能以100 fps以上的速度运行,满足无人机目标跟踪的实时性需求。

关键词： 新数字图像处理   计算机专业   教学问题   教学对策  

摘要： 随着计算机视觉产业的快速发展,数字图像处理技术得到了广泛的应用。为此,我校计算机专业大三年级第二学期开设了数字图像处理这门课程,并使用电子工业出版社出版的冈萨雷斯著《数字图像处理》(第二版)作为学习教材。本文主要探讨了该课程的教学现状,深入剖析了教学过程在教学内容、教学方法、教学评估以及课程思政等方面存在的问题,并从合理优化教学内容、多样化运用教学方法、科学实施教学评估、融入思政元素这四个角度出发,提出了针对性的改进策略,旨在助力这门极具应用价值的工科课程重焕生机与活力。

关键词： 电力作业   深度学习   目标检测   位姿估计   正射纠正   文字提取  

摘要： 变电站仪表文字提取与识别对于感知电力设备运行状态至关重要。人工巡检存在视觉疲劳的问题,并且在恶劣环境下存在安全隐患,机器人是替代人工巡检的理想方案。然而,定点停车巡检效率较低,为了提高机器人巡检效率,可采用不停车巡检策略。针对不停巡检时,由于背景无关物体干扰以及非正射观测视角造成的文字识别准确率下降的问题,提出了一种基于目标影像正射纠正的文字识别方法。首先通过目标检测算法排除无关物体干扰,然后通过估计目标6DoF位姿对场景影像中的目标区域进行正射纠正,从而提高OCR算法的文字识别准确率。实验结果表明,经过正射纠正的目标影像,文字识别准确率提升了6%以上,有效地保障了机器人不停车巡检时文字识别的准确性。

关键词： 夜间视频   目标检测   YOLOv8   Adown   CBAM  

摘要： 夜间视频目标检测一直是一项具有挑战性的课题。由于低能见度和光线不足等问题,夜间视频目标检测面临诸多挑战。该文提出了一种改进的YOLOv8算法,在YOLOv8n模型的基础上,引入了SOTA(State-of-the-Art)轻量化下采样ADown模块和CBAM注意力机制,以降低参数量、提高检测精度并增强模型的感知能力。实验结果表明,相较YO-LOv8n,改进算法的计算量和参数量分别下降了8.5%和10.5%,mAP@0.5~0.95值提高了3.7个百分点,有效提升了夜间目标检测的精度。

关键词： YOLO   曲线车道检测   滑动窗口   自动驾驶   计算机视觉  

摘要： 针对自动驾驶领域的车道自动检测中存在的检测准确率低、实际应用难等问题,研究基于YOLO与传统图像处理算法混合的车道检测算法;基于车载传感器拍摄的视频,利用YOLOv8算法检测并标记车前/侧方附近的物体,并将图像视角转换到鸟瞰视角,利用基于滑动窗口的二次多项式法识别当前帧的车道线,融合前序帧的车道信息,检测出当前帧的车道;经过数据集和实际场景的测试表明,算法的检测准确性提升10%以上,检测速度明显提升。

关键词： 自动调焦   图像处理   清晰度评价   调焦窗口  

摘要： 针对传统清晰度评价方法存在曲线平坦、多峰甚至误判的问题,提出一种结合多区域窗口的梯度阈值清晰度评价方法.利用梯度图像的对比度和加权方差计算分割阈值,提取图像的边缘点,对边缘点采用改进的能量梯度函数得到区域图像的清晰度评价结果,对不同区域图像的评价值赋予不同的权重,得到整幅图像的评价结果.本文方法与传统方法进行对比,结果表明采用同一评价函数时,多区域窗口相较于传统窗口,评价曲线单峰、无误判.本文方法灵敏度因子比传统方法的最优结果平均提升55.6%,陡峭度平均提升58.3%,该方法可为空间光学传感器自动调焦应用提供有效的参考依据.