关键词： 图像增强   沙尘图像   计算机视觉   深度学习  

摘要： 沙尘图像视觉增强技术旨在提高沙尘暴天气下成像设备捕获数据的视觉感知清晰度,以辅助高级视觉算法提高从数据中获取关键特征的能力。随着沙尘天气出现频次的增多,沙尘图像视觉增强技术逐渐成为图像处理领域的研究热点,在遥感勘测、无人驾驶、智慧交通等人工智能相关行业有着十分广泛的应用前景。为了更好地了解当前沙尘图像处理领域的研究进展,详细阐述了基于传统技术的沙尘图像增强算法和基于大气散射模型的沙尘图像复原算法,总结了基于数据驱动的沙尘图像重构算法,对当前公开数据集的构建进行了细致的研究和分析,并简单梳理了图像增强领域常用的评价指标。最后对所述内容做出总结,指出当前研究中存在的困难,并对未来沙尘图像增强技术的发展方向进行了展望。

关键词： 反无人机   机器视觉   目标检测   目标跟踪  

摘要： 为提高“低慢小”无人机目标检测跟踪精度,提出一种基于YOLOv7和DeepSort框架的改进型无人机检测算法,在YOLOv7算法骨干网络引入了CBAM注意力机制提高特征提取能力,使用BiFPN加权特征金字塔替换PANet提高不同尺度特征融合能力,增加小目标检测层改善无人机检测精度。构建了天空、树林、建筑和阴暗条件4类背景的“低慢小”人机数据集,并进行测试实验。结果表明,改进型算法的检测部分mAP@0.5提升了8.6%,特别是对小尺寸、弱特征的目标检测精度提高了约21%;最终跟踪结果MOTA指标提高24%,正确输出的目标框占真实目标框的比例约70%。

关键词： YOLOv8   航拍图像   目标检测   注意力机制  

摘要： 针对无人机航拍图像小目标检测精度低的问题,提出一种改进YOLOv8s的小目标检测算法。算法网络中,通过增加协调注意力机制(Coordinate Attention,CA)来提升目标特征提取能力;改进C2f模块并在颈部网络中引入CARAFE上采样算子,从而降低模型参数,增强多尺度特征融合能力。同时,添加一个160×160尺度的小目标检测层去替换大目标检测层,减少网络深度,提高模型对小目标的敏感度,解决误检漏检问题。实验结果表明:在VisDrone2019数据集上,相较于原YOLOv8s,改进算法的精确率P提升了6.95%,召回率R提升了8.36%,平均精度mAP50提升了13.06%,并且参数量降低了73.02%。改进算法在小目标检测方面展现出良好性能,在多项指标上优于其他YOLO系列算法,体现了其在小目标检测领域的竞争力。

关键词： YOLOv8   深度学习   烟草植株   计数   目标检测  

摘要： 【目的】实现不同生长时期烟草植株的快速检测与精准计数,针对烟草生长过程中存在的叶片交叉以及植株之间不同程度的重叠遮挡等情况,提出一种基于改进YOLOv8的不同生长期烟草植株检测与计数方法。【方法】以YOLOv8网络框架为基础,将特征融合模块改进为渐近特征金字塔网络(Asymptotic Feature Pyramid Network,AFPN),避免跨层融合时非相邻层之间的较大语义差异,提高了烟叶交叉情况下的检测精度;采用空间金字塔池化快速跨阶段部分通道模块(Spatial Pyramid Pooling Fast Cross-Stage Partial Channel,SPPFCSPC)替换原空间金字塔池化结构,极大程度地解决重复特征提取的问题,降低模型复杂度;将损失函数优化为边界框回归损失函数MPDIoU(Minimum Point Distance Intersection over Union),有效减少遮挡导致的烟叶漏检情况;通过搭载DeepSORT(Deep Simple Online and Realtine Tracking)目标跟踪算法实现植株计数功能。【结果】本研究建立的模型在目标检测中的平均精确率达到了95.9%,相比于原模型提高3.6%,与Faster R-CNN、SSD、CenterNet、YOLOv5n、YOLOv7等模型相比分别提高22.6%、4.8%、18.8%、7.1%、4.2%;在计数任务中,MOTA最高达到93.41%。【结论】本研究建立的模型能够实现对不同生长时期烟草植株的快速检测与精准计数,为烟草种植业的智能化管理提供了新的思路和方法,有助于推动烟草产业的现代化进程。

关键词： 薄膜厚度均匀性   机器视觉   图像处理   伺服电机   XY移动平台  

摘要： 针对薄膜生产吹塑过程中均匀性不稳定、需经常进行人工调整等问题,提出了一种基于机器视觉的多自由度薄膜厚度均匀性控制系统;视觉模块通过摄像头对成型轮廓的进行检测,提取塑料薄膜外形轮廓的图像信息,经过图像处理后输出不对称度信息,用作控制部分的控制参数;控制模块依据视觉检测结果及控制模型,对装有两轴伺服电机的XY移动平台上的膜口间隙调节机构进行实时控制与反馈;实验测试结果表明,所设计的系统偏离度识别误差0.485°,控制误差0.098 mm,满足设计要求及质量要求。

关键词： 深度学习   地面旋转目标检测   智能感知   Anchor-Free   空洞卷积   EA注意力机制  

摘要： 地面红外目标检测是高空侦察、智能感知和对地打击等领域的重要研究内容,针对所获取的地面红外目标常以不规则角度的形式出现,导致检测准确率低,容易发生误检、漏检等问题。以Anchor-Free目标检测模型为基础,构建了基于空洞卷积为特征提取方式的主干网络,增强了模型对地面旋转目标的感知范围与特征提取能力;在基于空洞卷积进行特征提取后,通过External attention(EA注意力机制)增加对所提取特征注意维度的关注,实现了对目标更高分辨率特征的提取,最终提出了基于无锚框(Anchor-Free)的地面旋转目标检测方法。构建的地面旋转目标检测模型在HIT-UAV数据集上达到了90.6%的检测精度,优化了基于Anchor-Free的目标检测模型针对地面旋转目标的检测性能。

关键词： 机器视觉   芒果分拣   图像处理   品质分类  

摘要： 设计和实现一套基于机器视觉的芒果分拣系统,以提高芒果分拣效率和质量。通过图像采集、预处理、特征提取和品质分类等关键技术,结合现代图像处理算法和机器学习模型,对芒果的颜色、纹理、形状等特征进行分析,实现芒果品质的智能评估和自动分级。系统在实际测试中表现出色,达到了高准确率、高效率和良好稳定性的预期目标。研究表明,该系统能有效提升芒果分拣的自动化和智能化水平,为芒果产业的发展提供有力的技术支撑,具有广阔的应用前景。

关键词： YOLOv5s   目标检测   设施番茄授粉   深度学习   花朵识别  

摘要： 在设施农业种植环境下,番茄花朵存在叶片遮挡、花朵堆叠、背景环境复杂等现象,导致番茄花朵检测模型的准确率较低,限制了授粉机器人的智能化发展。针对该问题,本文提出了一种基于改进YOLOv5s模型的番茄花朵目标检测方法,通过将原有模型中的C3模块替换为C2f_ScConv模块、引入LSKA注意力机制、添加ADown下采样结构模块等对原始YOLOv5s模型结构进行改进。最后,将改进前后的模型进行训练和检测。改进后的YOLOv5s番茄花朵识别模型能够有效的识别出重叠遮挡、小目标的番茄花朵,其mAP值相比于初始模型提升了6.3个百分点,召回率提升了5.6个百分点,准确度提升了6.7个百分点,拥有更强的特征提取能力和鲁棒性。该模型可以满足设施环境中授粉机器人对番茄花朵的识别精度需求。

关键词： 激光武器   跟瞄系统   单目标跟踪   目标形变  

摘要： 当无人机在被激光武器击中后发生着火并导致部分零件掉落时,目前的跟踪算法会因物体掉落而出现跟丢现象,降低系统的作战效能。本文提出了一种抗无人机着火脱落干扰的单目标跟踪算法,能够在无人机着火后出现的复杂场景下有效应对零件掉落,确保持续跟踪目标。实验结果表明,改进的算法能有效应对着火脱落引起的跟丢问题。

关键词： 深度学习   目标检测   表情识别   OpenCV  

摘要： 本文基于深度学习针对人脸表情进行识别,首先是人脸表情的数据集的采集及预处理。数据集归一化为像素256*256的RGB图像,然后对这些数据进行分割和数据增强处理。经过交叉验证调整模型的参数后,模型评估的准确率达到了93%以上。这些技术的应用将会使表情识别相关应用大幅度地提高,进一步实现人脸表情识别应用智能化水平,对于我国的制造业与服务业产生重大意义。