摘要：在数字图像处理应用领域,许多原因会使图像质量在成像过程中退化,不利于图像的目标检测。为此,本文设计了智能勘探车系统,以解决雾天环境下智能勘探小车采集图像模糊不清的问题。该系统以STM32单片机为控制芯片,驱动ESP32-cam模块实时传输图像,再通过TCP/IP协议将图像传输至计算机。计算机端利用OpenCV实现暗通道先验图像去雾算法,对雾天条件下实时采集的图像进行增强处理。操作人员可以在电脑端实时观察勘探车采集的图像及其对应的去雾后图像。通过观察对比去雾前后的图像,图像中的目标特征信息会更加明显。操作人员可以在手机端利用蓝牙调试助手远程控制智能勘探车和云台,实现180°垂直和水平视野中心变化,使勘探车具备灵活的视野变化能力。智能勘探车配备照明模块,方便车辆夜间图像采集。

摘要：在生产流水线过程中,工人因未佩戴安全帽而引发的悲剧不计其数,为了帮助工厂监督人员督促工人们佩戴安全帽以保障自身人身安全,传统的检测方式往往会分离安全帽与人体,导致无法判断人与安全帽之间的佩戴关系,为此本文提出了一种基于深度学习的改进YOLO算法的检测算法,在现有的YOLO算法基础上,对其损失函数进行改进,将原本的GIoU_Loss函数替换为CIoU_Loss函数,使得算法识别准确率得到提升且收敛速度更快。针对YOLO算法在检测时对安全帽的定位易受噪声等多方面的影响,为此本文设计了安全帽检测的多阶段算法,先用YOLO算法对工人所在区域进行定位,获取工人位置信息;然后选取工人的头部区域,区域面积稍加扩大以提高算法容错率;最后,通过一个基础的神经卷积网络对是否佩戴安全帽进行判断。通过实验结果表明,本文的方法相较之前的方法,在安全帽识别的准确率方面达到了92.73%的效果,在识别速度上此方法的检测速度也比之前的方法提升了一倍,证明本文的方法能够满足期望要求。