基于OpenCV的人脸口罩检测门禁系统

设计一种基于OpenCV的人脸口罩规范佩戴检测门禁系统及设备。该系统包括输入部分、控制部分和响应部分。控制部分基于OpenCV AdaBoost级联分类器,以树莓派作为主控制核心,分析用户口罩佩戴及其体温情况;响应部分是通过STM32单片机对系统机械闸门进行控制。当用户体温正常,佩戴口罩且佩戴规范时,系统通过驱动模块控制机械闸门模块打开门闸,允许用户进出;当用户体温过高,未戴佩带口罩或口罩佩戴不规范时,则通过驱动模块控制机械闸门模块关闭门闸,限制用户出行。同时设备中的语音播报系统会对未佩戴或不规范佩戴口罩的用户进行提醒,体温过高的用户则会触发设备的报警功能。

基于SOM-BP的全自动口罩机传动系统故障检测

针对口罩机在多工序生产中故障特征难以诊断的问题,提出了一种基于自组织映射(SOM)和误差反向传播网络(BP)的故障检测模型。首先针对4种减速机故障类型搭建SOM-BP复合型神经网络模型并完成检测分类,其次通过提取原振动信号的20组时域和频域参数作为SOM网络的输入样本进行初步聚类,并根据仿真结果确定最佳竞争层结构,最后将聚类后结果输入BP网络进行预测并完成分类,实现故障检测。研究结果表明,7×7竞争层结构下的SOM-BP复合型神经网络对于减速机的8种时域和频域参数的检测效果最优,分类准确率可达93.5%,173次迭代即可收敛,数据拟合度最高达0.99876,达到实际检测要求,验证了该方案的有效性和可行性。

基于OpenCV和YOLOv5的车道线检测与识别

为更加快速、准确识别汽车行驶区域并区分车道,实现无人驾驶,提出一种结合视觉OpenCV算法和改进YOLOv5算法的目标检测跟踪模型进行车道线检测的方法。在图像预处理阶段,首先读取视频图像,把每一帧RGB图像转为灰度图,通过Canny算子对图像的边缘轮廓进行提取,然后绘制车道线的掩码区域,并与边缘检测结合,采用ROI技术提取感兴趣区域,最后进行概率霍夫变换和最小二乘拟合,将得到的直线绘制到原图像中,最终对每一帧处理后的图像进行输出。目标识别模块采用卷积神经网络(convolutional neural network,CNN)深度学习方法及YOLOv5算法进行目标识别处理。实验结果表明,所提检测算法能够实现准确的车道线检测,实时性和准确性比传统算法高很多,且该方法具有良好的鲁棒性。

基于YOLOv7-tiny改进的口罩佩戴检测算法YOLOv7-DSC

针对密集人群下口罩佩戴检测实时性差、难以部署到移动端的问题,提出基于YOLOv7-tiny改进的口罩佩戴检测算法YOLOv7-DSC。该算法结合深度可分离卷积改进的SE注意力机制设计了一种轻量化特征提取模块,并结合BiFPN设计了一种加权特征融合模块。经实验验证,YOLOv7-DSC算法在口罩数据集上mAP为96.9%,与YOLOv7-tiny算法相比仅降低了0.5%;相比于YOLOv3-tiny、YOLOv4-tiny、YOLOv5s、MobileNetV3、ShuffleNetV2、GhostNet和Swin-Transformer算法在mAP上分别高出13.4%、11.2%、4.5%、5.7%、5.8%、4.2%和5.1%;在检测精度与YOLOv7-tiny算法相当的情况下,参数量和计算量分别减少了60%和55%,仅为2.4 M和6.0 G,极大地降低了硬件成本。

FLM-YOLOv8:一种轻量级的口罩佩戴检测算法

针对现有的口罩佩戴检测模型无法较好平衡检测精度与速度,参数量较大,漏检和误检率高等问题,提出了一种轻量级的口罩佩戴检测算法FLM-YOLOv8。使用轻量级FasterNet替换YOLOv8n的主干特征提取网络,提升网络检测速度;融合FasterNet Block改进C2f模块,降低模型计算复杂度;提出SPPF-LSKA结构,增强模型的特征表达能力和感知能力,提高网络检测精度;设计Inner-MPDIoU边界框回归损失函数,提高回归预测精度,加快收敛速度。创建标注了一个复杂多元场景下的口罩佩戴数据集,并使用马赛克数据增强,以提高网络泛化能力。实验结果表明,该算法在正确佩戴口罩、未正确佩戴口罩和未佩戴口罩目标上的mAP@0.5达到了91.3%,FPS达到了143.6,实现了更加实时准确的口罩佩戴检测。

基于改进特征融合的口罩检测算法

针对口罩检测模型缺少不规范佩戴分类的检测,精度高与速度快难以兼容的问题,提出一种单阶段口罩规范佩戴实时检测算法,引入轻量提取网络DM-CSP,添加多尺度注意力MCA增强提取能力;针对融合阶段深浅层特征信息不对齐问题,设计特征对齐及选择模块FAS,提出特征增强模块CTM关联特征图谱上下文信息,构建解耦通道进行图像识别,提高算法的识别精度和收敛速度。实验结果表明,改进算法检测精度达到93.2%,较主流算法YOLOv4-Tiny提高4.8%,检测速度和模型容量具有更优性能表现。

可见光与红外图像联合口罩佩戴检测研究

为缓解疫情期间口罩佩戴检测工作压力,降低检测环节运算负担,提出一种轻量化的可见光与红外图像联合口罩佩戴检测方法。首先,提出了一种基于可见光图像颜色通道选择的人脸检测算法,能够有效减弱光照亮度对检测的影响;然后,提出一种基于边缘结构相似度的可见光图像与红外图像匹配算法,在红外图像上搜索与可见光图像人脸匹配的人脸区域;最后,采用相关滤波检测器在红外图像上判断口罩佩戴情况。为测试方法性能,创建了可见光/红外图像口罩佩戴检测数据集。与5种可见光图像口罩检测算法的对比结果表明,提出的方法具有较高的准确率和召回率。

基于K210改进的口罩佩戴检测系统设计与实现

为解决传统的基于STM32的口罩佩戴检测系统检测精度低、速度慢的问题。在基于STM32的口罩佩戴检测系统的基础上,引入K210模块对系统进行改进。在检测算法上,选择YOLOv2检测算法进行口罩佩戴检测。经过10组照片集的试验检测,结果表明:改进后的系统相较于基于STM32的口罩佩戴检测系统在精度上提升了3.9%。

基于改进YOLOv4的口罩佩戴检测算法

在疫情防控常态化的形势下,口罩佩戴检测可以说是每个公共场所的必备操作。利用现有的深度学习相关知识进行口罩佩戴检测,能够解放大量的人力物力,具有重大的实用意义。论文针对口罩佩戴检测因为人员密集,容易互相遮挡导致误检、漏检等情况,在YOLOv4算法的基础上做出了改进。首先使用K-means++算法对数据集内的真实框进行尺寸聚类,提高网络的拟合能力;其次在CIOU损失函数的基础上,使用效果更好的alpha-IOU损失函数,优化训练过程;最后使用Soft-NMS算法替换原有的NMS算法,改善检测过程中因预测框相距过近而相互抑制的情况。实验结果表明,该算法在论文的数据集上有着更高的检测精度,可以有效地进行口罩佩戴检测任务。

基于改进YOLOv7的口罩佩戴检测算法

针对YOLOv7模型在口罩佩戴检测任务中特征提取能力不足、模型感受野相对较小等问题,提出一种改进YOLOv7的口罩佩戴检测算法。首先,在YOLOv7模型的主干网络引入感受野模块(receptive field block,RFB),增大模型的感受野;其次,在YOLOv7模型的头部网络引入卷积块注意力模块(convolutional block attention module,CBAM),提取关键信息,忽略无关信息,增强特征图的信息表达能力,提高模型的检测能力。实验结果表明:改进后的YOLOv7口罩佩戴检测算法精确率达到95.7%,较原YOLOv7算法提高了5.6百分点;平均精度均值达到96.6%,提高了2.6百分点。相比于目前主流的口罩佩戴检测算法,改进后的YOLOv7口罩佩戴检测算法可以更加准确地检测出口罩佩戴情况。

基于OpenCV的视觉检测系统应用

目前各大视觉厂商已经开发了大量用于视觉检测的成套软件,这些商业软件虽然功能强大,但是价格不菲,而且实际应用中仅需要其中一个或几个检测方法,其他大部分功能是不需要的,软件运行时检测耗时也较长。现使用OpenCV+VS2015开发出了一套专用的滤纸识别系统,配合生产设备相册PLC相关工序,成本较低,检测快速准确,使用效果良好。

人脸口罩佩戴规范性视觉检测模型

通常以人工查验方式来检验公共场所进出人员是否规范佩戴口罩,计算机视觉技术辅助的自动查验大多用于佩戴口罩时的人脸识别、是否佩戴口罩等特定场景人物,而缺乏对口罩佩戴规范性的自动检测。针对口罩佩戴规范性的视觉检测问题,提出了一种基于改进YOLOv5s框架的口罩佩戴规范性检测模型。为提高口罩佩戴规范性检测算法的准确率和稳定性,在paddle口罩数据集基础上,通过互联网检索,并经过人工筛选与标注后,构建了口罩佩戴规范性检测数据集,提出了基于改进YOLOv5s的口罩佩戴规范性视觉检测模型。该模型融合了多种嵌入注意力机制,实验结果表明,提出的YOLOv5s-ECA模型的先进性可以满足实际场景的应用需求。

基于改进RetinaNet模型的口罩规范佩戴检测方法

新冠病毒在全球传播期间,规范佩戴口罩是最有效的防范方式。对公共场所中密集人群的口罩佩戴是否规范进行检测时,由于目标紧邻、遮挡以及含有大量的小目标,存在检测精度低、错检和漏检率高的问题。为了解决上述问题,文章提出一种基于改进RetinaNet模型的口罩规范佩戴检测方法。通过引入ECA-Net注意力模块,使得对口罩目标特征给予更多的关注,提高检测精度;其次,在特征金字塔FPN后引入自适应空间特征融合模块ASFF,来充分利用多尺度特征,进行更加充分的融合。使用该文所提出的方法在自制的口罩规范佩戴数据集进行实验,结果表明该文方法的整体性能优于其他的检测算法。

基于荧光定量技术的口罩BFE快速检测方法

为解决现行标准中口罩细菌过滤效率检测方法耗时耗力、检测周期长等问题,提高口罩检测效率,研究基于荧光定量技术,通过荧光检测模块开发、口罩细菌过滤效率夹具研究和检测系统设计搭建,开发出口罩细菌过滤效率快速检测设备和方法。结果表明,在一定条件下,文中开发的荧光检测方法与Andersen采样方法对比结果具有良好的一致性,开发的荧光定量检测方法可以在一定条件下替代传统的培养法,实现口罩细菌过滤效率快速检测。

基于OpenCV优化边缘检测的仪表数据自动读取系统研究

随着工业自动化水平的提升,仪表在生产中的重要性日益凸显。传统的人工读取仪表数据方式存在成本高、效率低和易出错等问题。利用强大的开放式计算机视觉库(open source computer vision library,OpenCV),通过摄像头采集仪表图像,经过图像预处理、边缘检测和分割等步骤,可以实现仪表数据的自动化读取。基于OpenCV优化边缘检测的仪表数据自动读取系统不仅可克服传统人工读取仪表数据方式存在的问题,还可显著提高仪表数据的处理速度、识别准确率和可靠性,降低工厂人力成本,提升工业生产效率。

YOLO在口罩检测中的应用与研究

随着公共卫生安全意识的提升,口罩检测尤为重要。本研究探讨了YOLO算法在口罩检测应用中的有效性。首先,梳理了YOLO的核心原理与演进脉络,为算法的优化提供理论基础。其次,分析了口罩检测的紧迫性以及现有方法的局限性。在此基础上,本文介绍了数据集准备、实验环境配置,并对YOLO检测模型进行了优化,以提高口罩检测的准确率和实时性。实验结果表明,优化后的YOLO模型在口罩检测任务上展现出卓越的性能,提升了检测的效率。本研究不仅推动了计算机视觉领域的技术应用,也对当前和未来公共卫生管理实践具有重要意义。

基于OpenCV的车辆检测与识别系统设计与研究

本文主要探讨了利用OpenCV库实现的车辆检测与识别技术。文章首先概述了车辆检测和识别的关键技术及其基本运作机制,并给出了系统的总体架构。在车辆检测模块中,采用了基于OpenCV的图像预处理实验。在车辆识别模块中,使用了基于卷积神经网络的车辆识别算法,通过深度学习自动提取图像特征,提高车辆检测与识别的准确率。本研究在结论部分总结了研究成果,并针对未来的研究提出了展望。这一研究为车辆检测和识别技术领域带来了创新的观点和方法。

基于深度学习的口罩佩戴检测与人群聚集预警系统

为了提高新冠疫情防控的效率和范围,提出一种基于深度学习的口罩佩戴检测与人群聚集预警系统,该系统包含口罩佩戴检测、人群聚集检测以及智能场景分类模块。智能场景分类模块使用深度学习分类算法自动识别摄像头机位种类,从而对低机位的摄像头中的画面进行准确且实时的口罩佩戴检测,人群聚集检测模块能够快速计算出高机位的广角摄像头画面中的人数,判断是否存在大规模人群聚集,从而有效提高疫情防控的效率与范围。实验证明,系统在各种不同的摄像头画面下均能准确判断摄像头机位并进行准确快速的口罩佩戴检测以及人群聚集检测。

基于深度学习的体温与口罩佩戴双检测系统

大多数传染性疾病都以飞沫作为主要传播途径,并伴随发热症状,因此,在人员密集场所实时检测人员体温及口罩佩戴情况能够有效预防病毒传播。文章在YOLOV5模型的基础上加入CBAM模块,用以融合更多尺度的特征信息,进而在图像中更精准地定位人像。提出基于人像的灰度极值定位算法以更加精准的定位目标额头中心,并结合改进YOLOV5模型构建体温与口罩佩戴双检测系统。实验结果表明,该系统能够在有效距离内对多目标进行实时、准确的体温与口罩佩戴情况检测,在保护公众卫生健康方面具有一定的应用价值。

基于OpenCV的Micro-PCB点胶表面缺陷检测系统设计

针对Micro-PCB体型小、板片薄不易做表面缺陷检测的弊端,构建了一套基于OpenCV视觉库,可对点胶表面进行缺陷检测的机器视觉系统。运用图像处理中的形态学算法,对金面表面实现0.2mm2以上的多点状、膜破渗金和抗镀无法描述、黑色圆形点状等缺陷的检测。测试结果表明,该系统检测精度较高且运行稳定。