基于计算机视觉技术的皮革边缘抓取点的定位

皮革边缘抓取点的准确定位是实现皮革自动绷板的关键环节。在皮革自动绷板过程中,为了实现对形状不规则和摆放位置不固定的革坯准确抓取,提出了基于计算机视觉技术对于革坯边缘抓取点进行定位的技术思路。首先利用棋盘格对相机进行标定,通过对采集的图像进行预处理,提取图像单像素轮廓,然后运用坐标系转换和轮廓点—质心角度算法筛选出革坯目标抓取点,最后结合标定后的相机像素精度,计算抓取点和质心的实际距离。方法平均运行耗时32.48 ms,平均定位角度误差0.16°,平均定位距离误差0.56 mm,这表明本方法可以准确实现对革坯边缘抓取点的定位,满足革坯自动绷板定位的需求。     

基于改进YOLOv5模型的织物疵点检测

针对传统机器学习方法检测织物疵点精度低,小目标检测较困难的问题,提出一种基于改进YOLOv5的织物疵点的目标检测算法。在YOLOv5模型的Backbone模块中分别引入SE注意力机制和CBAM注意力机制,使模型聚焦于图像中的关键信息,改进传统YOLOv5网络检测精度不高的问题。结果表明：改进后的模型具有更好的检测性能,其中引入CBAM模块后提升幅度最明显,较原网络mAP值提升了7.7%,基本满足织物疵点检测需求。     

基于改进YOLOv3网络的烟梗识别定位方法

目的：实现烟叶分级流程烟梗部位的智能抓取,防止智能烟叶分级系统中机械手在抓取烟叶时对叶面造成损伤,减少烟叶智能分级设备生产中的人为操作,解决烟叶分级系统中的单片烟叶识别分类问题与对应等级单片烟叶存放问题。方法：提出一种基于改进YOLOv3的卷积神经网络烟梗自动识别定位模型。该模型在原有的YOLOv3的基础模型上改变单元模块结构引入注意力机制模块,优化模型参数,使用Swish激活函数,实现了对烟叶图像全部信息进行目标定位识别,构建烟梗目标检测模型。结果：改进后的YOLOv3模型的loss能更快的收敛,其mAP由90.46%提升为97.48%,准确率由95.33%提升为97.35%,回归率由84.65%提升为95.65%,为后续烟叶自动化分类打下基础。结论：与YOLOv3、Faster-rcnn、YOLOv4、Efficientdet算法作对比分析表明试验提出的算法更加轻量化,识别效果更好,能减少对烟梗试验平台的硬件配置要求,提高烟叶分类系统的经济效益,为烟叶分级系统中烟叶上料与分仓提供准确的位置信息。     

基于改进YOLOv5的织物缺陷检测

鉴于织物表面纹理复杂导致织物缺陷检测准确率低以及小目标检测困难等问题,提出一种基于改进YOLOv5的织物缺陷检测算法。首先,在YOLOv5的骨干网络上,增加CBAM注意力机制,从而强化有用的特征信息弱化无用的特征信息;其次,将Neck层的路径聚合网络(PANet)用加权双向特征金字塔网络(Bi-FPN)替换,从而更好地平衡多尺度特征信息,提高小目标检测的特征能力。最后,通过改进损失函数,使用Focal EIOU Loss损失函数来代替CIOU Loss损失函数,不仅使得收敛速度更快,而且可以有效的解决难易样本不平衡问题。实践证明：改进后的训练模型平均精度均值mAP值为84.5%,比未改进增加了4.7%,可满足实际生产中的织物缺陷检测要求。     

改进YOLOv7的纸张表面缺陷检测研究

提出一种改进YOLOv7的纸张表面缺陷一步式检测算法。首先将注意力机制模块CBAM融合到主干和特征提取网络结构,从空间和通道2个维度提取信息,提升小目标纸病特征提取准确性和算法稳定性;将ASPP空洞卷积加入主干网络SPP中,ASPP可以进一步扩大感受野,使较小目标的特征信息在网络传递时得到保留,解决了小目标信息量不足的问题,进而提高小目标纸病识别的性能。通过自制纸病数据集检测实验,与YOLOv7相比,精确率、召回率及平均精确率均值mAP 0.5分别提升了1.5、2.3和2.1个百分点。     

基于改进YOLOv5的纸病检测方法

针对传统纸病检测算法中纸病特征提取困难、实时性差的问题,提出一种改进YOLOv5的纸病检测方法。该方法首先在批量归一化模块的首尾部分添加居中和缩放校准,形成更稳定的纸病有效特征分布;其次在骨干网络中添加坐标注意力机制,增强骨干网络的纸病特征提取能力;最后选用 CIoU_loss作为边界框回归的损失函数,实现高精度的定位。实验结果表明,改进后的算法平均精度达99.02%,实时检测速度达41.58 帧/s,相较于现有的基于CNN纸病分类算法,检测精度与检测速度都有较大的提升,且改进后的算法对光源的依赖程度更低,能对各类纸病实现精准辨识。     

基于改进YOLOv5的碎米检测数据集

碎米检测是评估大米品质的重要环节,传统的碎米检测是由人工挑选完成的,这种方式耗时费力,误差率高,而且公开可用的碎米检测数据集并不多。为解决该问题,本文创建了一个大米碎米数据集,该数据集共由2435张图片和对应标签文件组成,其中包含3种类别;并提出了一个改进的YOLOv5碎米检测模型,该模型引入ShuffleNetv2轻量化结构作为特征提取结构,大大减少了模型的参数量,在此基础上,引入了BiFPN结构作为特征融合结构,使用α_IoU作为回归框损失对损失函数进行改进。实验表明,改进之后的模型精度可达98.9%,比原YOLOv5高0.3%,参数量和计算量也比原模型减少了85%以上,其中精度相比于YOLOv3、SSD、RestinaNet、FasterRCNN分别高了0.4%、33.3%、27.9%、27.2%。相关数据集将在https://github.com/THFrag/broken-rice-detection上提供。     

针对机械手抓取皮革位置的研究

由于动物种类的差异、环境影响等一系列因素导致从动物身上剥下的毛皮边缘参差不齐,使得皮革在加工过程中需要以人为主,严重制约了制革工艺的自动化。为减轻工人的劳动强度,提出用机械手代替人工完成皮革的搬运、铺平、绷展等工作。通过试验平台模仿机械手对皮革进行多点拉伸,研究不同拉伸位置和不同拉力对皮革面积变化的影响,从而找出机械手合适的抓取位置及拉伸方式。结果表明,皮革垂直于背脊线方向受到拉伸时的面积变化要大于沿着背脊线头尾方向的面积变化。在整体受到拉伸时,其面积变化主要是由于皮革横向的拉伸引起的,该试验对抓取机械手的设计具有重要意义。     

基于改进YOLOv5的织物瑕疵检测方法

针对织物瑕疵中部分瑕疵目标小、长宽比极端等问题,提出一种基于改进YOLOv5的织物瑕疵检测方法。该方法在YOLOv5模型基础上引入自注意力机制CoTNet网络,并将颈部网络中的PAFPN网络优化为BiFPN网络,同时将目标损失函数改进为CIoU损失函数,加强模型对邻近键以及上下文之间特征信息的收集,在增强模型对小目标和尺寸变化大类型瑕疵检测能力的同时可获得更准确的边界框回归,加快收敛速度。实验证明,本文改进的模型在织物瑕疵检测数据集上的检测效果和YOLOv5模型相比平均精度均值提升了6.8%,准确率提升了6.7%,模型验证有效。     

基于YOLOv5的鲜烟叶成熟度识别模型研究

【背景和目的】烟叶成熟度的准确判定和适时采收是提高烟叶质量的关键,为提高烟叶成熟度判定的准确性。【方法】以翠碧一号（CB-1）的鲜烟叶为研究对象,采用手机拍摄上、中、下3个部位5个成熟度（M1～M5）烟叶图像,利用labelimg软件从原始的图像中获取目标烟叶图像二维坐标信息,通过轻量级网络You Only Look Once(YOLO)v5进行数据训练,构建烟叶5个成熟度识别模型。【结果】CB-1的上、中、下3个部位模型中的m AP值均达到0.9以上,平均准确率分别为93.6%,92.8%,95.2%。进一步将模型部署到云服务器、并配套开发了基于Android端的烟草成熟度智能识别应用程序,实现在大田环境下响应式的鲜烟叶成熟度等级判断。【结论】基于YOLOv5模型的智能识熟APP可有效、准确地判定鲜烟叶成熟度。本研究结果可为鲜烟叶成熟度的智能识别提供理论基础和技术支撑。     

基于机器视觉的皮革收缩温度智能化识别研究

在皮革行业中,收缩温度是表征皮革热稳定性、指导加工工艺制定的重要参数。借助机器视觉,能够对皮革在收缩过程中的微小位移量进行更加准确的测量,提升检测精度和效率。对此,本文阐述了目前皮革收缩温度识别的重要性与识别仪器设备的发展现状,对机器视觉技术应用涉及的图像预处理、角点检测、相机标定等算法展开分析,并对基于机器视觉的皮革收缩温度智能化识别系统的硬件与软件进行了设计,最终以皮革收缩温度检测试验,验证了系统的有效性和应用效果。     

改进的YOLOv5蛋类缺陷自动检测模型

目的:解决现有蛋类缺陷图像自动检测方法存在的检测效率低、精度差等问题。方法:在蛋类检测系统的基础上,提出一种改进的YOLOv5自动检测模型。将轻量级网络MobileNetv3添加到YOLOv5模型中,以降低模型复杂度,删除颈部网络和输出端小目标检测。结果:与传统的控制方法相比,该方法能够更准确、高效地实现蛋类目标表面缺陷检测,复杂度降低了35%以上,单幅图像的检测时间为14.25 ms,检测准确率＞95%,满足食品缺陷检测的需要。结论:改进的YOLOv5检测模型可以有效提高蛋类缺陷检测效率。     

基于改进YOLOv4模型的番茄成熟度检测方法

目的:解决现有番茄成熟度检测方法存在的检测精度低和模型参数量多等问题。方法:基于番茄图像采集系统,提出了一种改进的YOLOv4模型用于番茄成熟度自动检测。将轻量级网络MobileNetv3网络引入模型替换CSPDarkNet53网络,降低模型复杂度。在SPP模块中采用平均池化替代最大池化,提高算法对小目标的检测精度。在上采样过程中引入注意力机制CBAM增强深浅层特征融合能力,并通过试验验证所提模型的可行性。结果:与常规方法相比,试验方法在番茄成熟度检测中具有较高的检测mAP值和运行效率,且模型参数量较少,mAP值为92.50%,检测速度为37.1 FPS,模型参数量为48 M。结论:该番茄成熟度检测方法能有效降低模型参数和检测时间,具有较高的检测mAP值。     

基于SURF特征点的包装空间双目视觉定位研究

为便于多自由度的机械臂识别抓取特定包装,对包装外边缘轮廓精确定位,强化机械臂作业系统对包装的外边缘轮廓抓取精度与视觉特征识别.基于双目机器视觉中的SURF特征点的定位,提高检测系统的图像信息收集精度,确定复杂环境下的目标包装物边缘标定核心识别定位要点.在传统单眼视觉的基础上,进行双目视觉SURF特征点的应用建设分析.以...     

基于YOLOv5的钢材数量识别方法

传统工业建材计数工作一直由人工完成,手工计数方法易受到统计人员的状态影响,无法满足现代化建筑快速工业需求。为解决这一难题,该文提出一种基于YOLOv5的钢材图像计数算法。首先,对钢材技术问题进行分析,明确任务重点难点及工业部署硬件设备需求;同时,根据钢材数据特性搭建YOLO目标检测网络,对钢材数据进行预处理以保证目标特征表达;最后,对模型性能进行测试验证。实验结果表明,该文算法平均检测精度可达98.7%以上,模型准确率可达98.9%,较好完成钢材计数检测任务,且具有一定鲁棒性。     

基于YOLOv4改进算法的乒乓球识别

传统的基于颜色分割的乒乓球识别方法易受光线、清晰度影响,鲁棒性较低。为解决这一问题,对YOLOv4进行改进,用K-means聚类设计先验框,增强尺度适应性。针对乒乓球尺寸,裁剪网络分支并压缩卷积层,加快特征提取速度。针对采集数据正负样本不均衡,改进损失函数,提高预测框边界准确度。使用快速NMS算法加速预测过程,提高模型的计算速度。实验结果表明,基于YOLOv4的改进模型在乒乓球识别任务中精度达到94.12%,帧处理速率达到39.34fps。     

基于Yolov4-Tiny与RANSAC算法的管纱识别抓取系统

针对络筒机依赖人工上纱的非自动化问题,课题组提出一种基于Yolov4-Tiny目标检测模型的识别抓取系统,实现了管纱的检测、定位及抓取任务.首先利用深度相机获取RGB-D图像,通过训练深度学习网络Yolov4-Tiny,生成预测结果;然后利用预测框信息将原始点云进行裁剪,采用快速点特征直方图与RANSAC算法进行配准;...     

基于改进YOLOv5s的森林烟火检测算法研究

该文提出一种基于改进YOLOv5s的森林烟火检测算法,通过引入GSConv轻量化卷积和消除网格敏感度的策略,在原始YOLOv5s模型的基础上优化。在烟火数据集上进行广泛的实验,同时将改进的算法部署到无人机上进行真机测试。实验结果表明,经过改进的模型在森林烟火检测任务中取得显著的性能提升。模型的平均精度达到90.65%,且检测耗时仅为4.1 ms,满足烟火检测的高精度和实时性要求。这一研究为森林烟火检测算法的实际应用提供有力支持,具有重要的实际意义和应用价值。     

基于改进YOLOv3模型的软包装食品自动识别方法

目的:解决现有包装食品自动识别方法存在的识别精度差、效率低等问题。方法:基于软包装食品自动识别系统,提出一种改进的YOLOv3模型用于软包装食品的自动识别。将Kmeans++算法引入模型中解决小目标不敏感问题,将Mish激活函数引入模型中提高识别的准确性,将注意力机制Senet引入模型中提高特征提取能力。通过试验分析了该识别模型的性能,验证了模型的优越性。结果:与常规识别方法相比,所提方法能更准确、高效地实现软包装食品的自动识别,识别准确率为95.40%,识别效率为23.80帧/s,满足包装食品识别的需要。结论:通过对现有食品识别模型的优化,可以有效提高识别模型的性能。     

基于注意力机制改进的YOLOv7服装缝线疵点检测方法

针对目前肉眼检测服装缝线疵点效率低下、成本较高、准确率不高、容易出现漏检和误检等问题,文章利用深度学习的方式对服装缝线疵点进行实时检测,构建了一个服装缝线疵点检测的数据集,包含了常见的服装缝线疵点类型,提出了一种基于注意力机制的YOLOv7算法SK-YOLOv7,在YOLOv7的骨干网络添加3个SK模块,以增强主干网络的特征提取能力,并引入CBAM-YOLOv7和SE-YOLOv7算法进行对比实验。实验结果表明：SK-YOLOv7具有较高的查准率及查全率,平均检测精度也有所提高。SK-YOLOv7相较于CBAM-YOLOv7和SE-YOLOv7在缝线检测上表现更好。文章对数据集采用不同的标记方式进行对比测试,发现对疵点区域进行一次标记的方法会导致特征大量丢失,而对疵点区域内进行分块标记的方法表现出了更好的检测效果。综合实验结果得出,基于注意力机制改进的YOLOv7服装缝线疵点检测方法是可行的,可以较好地推动纺织服装检测行业的发展进步。