基于改进YOLOv3算法的公路车道线检测方法

针对YOLOv3算法在检测公路车道线时存在准确率低和漏检概率高的问题, 提出一种改进YOLOv3网络结构的公路车道线检测方法.该方法首先将图像划分为多个网格, 利用K-means++聚类算法, 根据公路车道线宽高固有特点, 确定目标先验框数量和对应宽高值; 其次根据聚类结果优化网络Anchor参数, 使训练网络在车道线检测方面具有一定的针对性; 最后将经过Darknet-53网络提取的特征进行拼接, 改进YOLOv3算法卷积层结构, 使用GPU进行多尺度训练得到最优的权重模型, 从而对图像中的车道线目标进行检测,并选取置信度最高的边界框进行标记.使用Caltech Lanes数据库中的图像信息进行对比试验, 实验结果表明, 改进的YOLOv3算法在公路车道线检测中平均准确率(Mean average precision, mAP)为95%, 检测速度可达50帧/s, 较YOLOv3原始算法mAP值提升了11%, 且明显高于其他车道线检测方法.     

基于机器视觉的喷涂机器人轨迹规划与涂装质量检测研究综述

随着智能喷涂技术的快速发展,机器视觉在喷涂机器人系统中的研究和应用引起广泛关注,合理的喷涂轨迹能保障油漆厚度均匀、减少漆膜缺陷产生,并且融合涂装质量检测技术形成闭环的喷涂系统.鉴于此,针对机器视觉在喷涂机器人轨迹规划与涂装质量检测中的研究进行综述.首先,对喷涂系统在现代产品制造中的快速发展所面临的机遇、挑战和机器视觉技术进行介绍;然后,综述基于机器视觉技术的喷涂机器人轨迹规划和涂装质量检测的研究成果,对基于机器视觉的喷涂机器人轨迹规划方法,包括待喷涂工件的三维重建、基于点云数据的喷涂轨迹自动规划和基于视觉伺服的喷涂轨迹补偿进行分析和讨论,并重点介绍机器视觉在涂装质量检测中的应用与研究现状,从数据增强和模型选择两个方面,对不同任务中基于深度学习的涂装质量检测算法性能的改善提供潜在解决方案;最后,总结与展望机器视觉技术在喷涂机器人轨迹规划与涂装质量检测中的研究方法和思路,为喷涂系统朝着智能化、柔性化的方向发展提供参考.     

高铁接触网异物侵入的机器视觉检测方法

接触网是沿铁路线上空架设的为电力机车供电的输电线路,接触网上附着的鸟巢等异物将对列车运行造成安全隐患。目前主要是通过人工检查的方式对接触网异物进行检测并清除,这种方式不仅成本高,效率低,往往不能及时排除安全隐患。为了对接触网异物进行及时有效的检测,同时降低人力成本,针对高铁运行环境的固定结构化特征,综合运用计算机视觉、深度学习等技术对铁路入侵异物进行实时检测。首先基于LSD直线段检测算法获取鸟巢可能出现的感兴趣区域;其次利用YOLOv3网络在ImageNet上进行训练得到一个预训练权重,并使用人工标注的数据集继续训练网络直到网络收敛;最后使用训练好的网络对感兴趣区域存在的鸟巢进行检测。实验结果表明,最终得到的平均检测精度为0.89,平均检测速度为38?f/s,可以实现对异物目标的准确实时检测。     

基于机器视觉的平面规则几何工件分拣方法

为有效提高工业生产中工件分拣的效率,提出了一种基于机器视觉的平面规则几何工件分拣方法。首先对CCD相机采集到的工件图像进行预处理,包括灰度变换、二值变换及多目标分块处理三个环节;然后通过多目标质心快速计算方法获取工件的几何中心,再运用边缘曲线等价方法实现工件的形状识别,接着利用Harris算法检测出工件的角点,并筛选出工件外接矩形上的角点用于计算工件的旋转角度;最后引导Tripod三轴并联机器人在线完成工件分拣实验。实验结果表明,该方法能够获得良好的识别效果,有效提高了工件分拣的柔性和自动化程度,具有应用价值。     

基于深度学习的机器视觉轴承检测方法研究

轴承缺陷检测是机器视觉技术中一个重要的应用领域,传统算法需针对特征设计特殊算子检测缺陷,算法比较复杂,局部算子实现困难,大大降低了算法的稳定性,开发效率不高。基于此,首先分析利用机器视觉检测缺陷的方法,其次分析深度学习在轴承缺陷检测中的应用,最后分析深度学习在轴承检测应用中的未来研究方向。     

一种结合迁移学习和LSTM的视频暴力检测方法

计算机视觉在安防领域发挥着重要作用,可以作为辅助手段对正在发生的暴力行为进行识别和报警,从而大大减少了视频监控对人的依赖。为了降低监控视频中暴力检测的运算成本并提高检测效率,在已有模型基础上提出一种利用迁移学习、长短期记忆网络（Long Short Term Memory,LSTM）来构建新的特征提取器,然后在新数据集上进行训练并微调部分参数,最终实现实时的视频暴力行为检测。提出的方法在RWF-2000数据集上取得了96.51%的准确率,优于传统方法,并且处理帧率能够基本满足实际需求。     

基于机器视觉的工件锯片缺陷检测系统设计

针对利用人的感觉器官在工业生产线检测中的不足,提出了一个基于机器视觉的锯片缺陷检测系统。通过工业数码相机等硬件采集图像信息,采用亚像素精度阈值分割等图像处理算法并借助机器视觉库Halcon对采集的原始图像进行处理,最后输出检测结果,提高了工业生产线检测的效率。     

一种基于YOLOv3的共享单车违规停放检测方法

为解决共享单车随意停放给交通管理带来的困难,提出一种基于计算机视觉的共享单车违规停放检测方法。通过多尺度检测训练以及k-means维度聚类改进YOLOv3网络,在此基础上获取共享单车在图片上的特征矩阵,根据特征矩阵计算当前场景下共享单车的运行状态并进行状态统计。在交通监控视频数据集上的测试结果表明,该方法的检测准确率达到87%以上,能够实现共享单车违规停放的有效检测并给出实时预警。     

基于机器视觉的车道线检测研究进展综述

针对车道线检测技术在车道偏离预警、自动泊车和车道变换等各种辅助驾驶系统中的重要作用,国内外专家学者对车道线检测技术做了较多的研究,但是近年来少见有关于车道线检测的综述,因此本文主要阐述了近几年国内外机器视觉的车道线检测研究进展。首先简单介绍了机器视觉的车道线检测的基本流程;其次重点阐述了基于特征、基于模型和基于深度学习三种典型方法的基本检测原理和研究现状,并对比三种典型研究方法;最后,提出了机器视觉的车道线检测方法主要存在的问题,并针对问题提出未来的发展方向。     

一种优化YOLO模型的交通警察目标检测方法

针对复杂交通场景中交通警察目标检测与定位准确率低的问题,提出一种优化YOLOv4模型的交通警察目标检测方法.首先,采用4种随机转换方式对自建的交通警察数据集进行扩充,解决了模型过拟合问题并提高模型的泛化能力;其次,将YOLOv4主干网络替换为MobileNet并引入Inception-Resnet-v1结构,有效地减少...     

一种基于YOLOv5模型结合数据增强的印章与签字检测方法

文章提出一种基于YOLOv5模型结合数据增强的印章与签字检测方法。为解决实际场景中进行印章和签字标注人工成本较高的问题,提出了一种印章签名的数据增强方法,并结合深度学习算法YOLOv5进行建模,实现了小数据样本下的印章与签字检测建模。与传统的检测方法相比,该方法可以有效地提高检测准确率和精确率,并且具有更好的鲁棒性,可以应用于电子政务等业务系统中。     

基于改进YOLOv3的火灾检测与识别

现阶段火灾频发,需要自动进行火灾的检测与识别,虽然存在温度、烟雾传感器等火灾检测手段,但是检测实时性得不到保证.为了解决这一问题,提出了基于改进YOLOv3的火灾检测与识别的方法.首先构建一个多场景大规模火灾目标检测数据库,对火焰和烟雾区域进行类别和位置的标注,并针对YOLOv3小目标识别性能不足的问题进行了改进.结合深度网络的特征提取能力,将火灾检测与识别形式化为多分类识别和坐标回归问题,得到了不同场景下火焰和烟雾两种特征的检测识别模型.实验表明,本文提出的改进YOLOv3算法对不同拍摄角度、不同光照条件下的火焰和烟雾检测都能得到理想的效果,同时在检测速度上也满足了实时检测的需求.     

表面缺陷检测的机器视觉技术研究进展

物体表面缺陷检测技术是工业质检领域的一项重大课题,对工业生产有着重要的意义。针对近些年基于机器视觉的表面缺陷检测技术进行梳理总结。首先,列举了几种缺陷检测在工业领域的应用场景;其次从特征提取和分类算法的角度简要阐述了传统的机器视觉方法;重点探讨了缺陷检测中常用的经典神经网络结构和缺陷检测算法的最新发展,并介绍了两种常用的缺陷检测算法优化方式;最后,分析了缺陷检测领域面临的三大挑战：实时性问题、小样本问题和小目标问题,目的是为工业表面缺陷检测的研究提供有益的参考和脉络梳理。     

一种改进YOLOv3-Tiny的行车检测算法

YOLO系列算法的简化版本YOLOv3-Tiny具有较为简单的网络框架,对GPU显存要求较低,该算法虽然实时性较高,却存在精度较低的问题,在识别行车目标方面不能得到精确的结果。对此,本文首先改变输入图片的大小,目的是获取图片更多的横向信息,使得网络更容易学习行车的信息,其次改进算法的网络结构提高算法的精度,最终得出改进的YOLOv3-Tiny算法。实验结果表明,改进之后的算法在保证实时性的情况下,提高了精确性。     

改进YOLOv4框架的胃息肉检测

在计算机视觉的内窥胃部息肉检测中, 高效提取小型息肉图像特征是设计深度学习的计算机视觉模型一个难点. 针对该问题, 提出了一种YOLOv4改进的YOLOv4-polyp检测模型. 首先在YOLOv4的基础上, 引入CBAM卷积注意力模块增强模型在复杂环境的特征提取能力; 其次设计出轻量级CSPDarknet-49网络模型, 在降低模型复杂度的同时提高检测精度和检测速度; 最后根据胃息肉数据集的特点, 采用K-means++聚类算法对胃息肉数据集进行聚类分析, 得到优化后的锚框. 实验对比结果表明, YOLOv4-polyp对于经典YOLOv4模型在保持检测速率不变的同时, 在两个数据集中平均检测精度分别提升了5.21%和2.05%, 表现出良好的检测性能.     

吊车危险区域侵入行人机器视觉定位算法

为了提高吊车施工的安全性能,并针对作业面行人目标像素较小不利于检测定位的问题,提出了一种吊车危险区域侵入行人机器视觉定位算法.首先,改进了用于目标识别的YOLOv3网络,更改了检测输入像素值,增加了小目标检测尺度并简化了不必要的网络结构,获得了更高的检测精度和更快的检测速度;然后,采用相机坐标变换的方法测算行人与危险区...     

视觉注意力网络在工件表面缺陷检测中的应用

工件表面缺陷检测是现代化工业生产中不可缺少的环节,利用卷积神经网络实现工件表面缺陷检测能有效地提升检测效果.当工件表面出现微小缺陷时,缺陷部分的特征容易被其他区域的特征所掩盖,影响检测的准确率.针对这一问题,提出了每级由3个卷积模块和一个视觉注意力模块构成的3级视觉注意力网络.通过注意力模块生成软注意力模板,为卷积模块构成的主干网络的特征图加权,增强缺陷区域特征并抑制背景区域特征,提升缺陷检测的准确率.实验采用具有明显缺陷和微小缺陷的5类工件图像进行对比测试,结果表明,软注意力模板在容易出现缺陷的区域具有更高的权值;加入视觉注意力模块能将缺陷检测的准确率从90.9%提升至98.1%.     

计算机视觉下的果实目标检测算法综述

基于计算机视觉的果实目标检测识别是目标检测、计算机视觉、农业机器人等多学科的重要交叉研究课题,在智慧农业、农业现代化、自动采摘机器人等领域,具有重要的理论研究意义和实际应用价值。随着深度学习在图像处理领域中广泛应用并取得良好效果,计算机视觉技术结合深度学习方法的果实目标检测识别算法逐渐成为主流。本文介绍基于计算机视觉的果实目标检测识别的任务、难点和发展现状,以及2类基于深度学习方法的果实目标检测识别算法,最后介绍用于算法模型训练学习的公开数据集与评价模型性能的评价指标,且对当前果实目标检测识别存在的问题和未来可能的发展方向进行讨论。     

基于聚类分析与迁移学习的入侵检测方法

针对传统机器学习算法在入侵检测实际应用中训练样本和测试样本分布不一致的情况下检测精准性低的问题,提出一种基于聚类分析与迁移学习的入侵检测方法.该方法首先通过基于聚类的层次抽样技术来获取用于迁移分类训练的少量有标记数据,使得迁移分类的数据分布尽可能和所要检测的数据分布相似,然后将基于实例的简单迁移分类模型应用于入侵检测领...     

深度学习在目标视觉检测中的应用进展与展望

目标视觉检测是计算机视觉领域的一个重要问题,在视频监控、自主驾驶、人机交互等方面具有重要的研究意义和应用价值.近年来,深度学习在图像分类研究中取得了突破性进展,也带动着目标视觉检测取得突飞猛进的发展.本文综述了深度学习在目标视觉检测中的应用进展与展望.首先对目标视觉检测的基本流程进行总结,并介绍了目标视觉检测研究常用的公共数据集;然后重点介绍了目前发展迅猛的深度学习方法在目标视觉检测中的最新应用进展;最后讨论了深度学习方法应用于目标视觉检测时存在的困难和挑战,并对今后的发展趋势进行展望.