关键词： 多源目标检测   分组特征提取   注意力多尺度   非极大值抑制  

摘要： 为兼顾多源目标检测网络的精度与效率,将分组卷积作用于目标多模态特征中,并配合注意力多尺度结构以及改进的目标框筛选策略,设计了一种轻量级的红外与可见光目标检测模型。模型先以多种特征降维策略对输入图像进行采样,降低噪声及冗余信息的影响;其次,根据特征通道所属模态进行分组,并利用深度可分离卷积分别对红外特征、可见光特征以及融合特征进行提取,提升多源特征提取结构的多样性以及高效性;然后,针对各维度多模态特征,引入改进的注意力机制来增强关键特征,再结合邻域多尺度融合结构保障网络的尺度不变性;最后,利用优化后的非极大值抑制算法来综合各尺度目标预测结果,精确检测出各个目标。通过在KAIST、FLIR、RGBT公开数据集上的测试结果表明,所提模型有效提升了目标检测性能,并且相对于同类型多源目标检测方法,该模型也体现出较高的鲁棒性和泛化性,可以更好地实现目标检测。

关键词： 漆面缺陷   图像处理   深度学习   缺陷检测法  

摘要： 旨在通过机器视觉技术提高汽车漆面缺陷检测的效率和准确性,提出一种基于机器视觉的改进的汽车漆面缺陷检测算法,主要通过比较深度学习方法,设计高效、稳定的检测系统,为汽车制造企业提供智能化检测解决方案,提升漆面质量和生产效率。该算法结合传统图像处理和深度学习方法,采用了多尺度图像金字塔、快速预筛选、轻量级深度网络、上下文感知模块和注意力机制等技术。在包含10000张图像的数据集上进行了试验,算法准确率达到96.8%,同时保持较低的计算复杂度。结果表明:该算法在准确性、效率和鲁棒性均优于现有方法。

关键词： YOLOv8算法   藏式壁画   佛脸   目标检测   PyQt5图形界面框架  

摘要： 壁画和佛像常常位于难以到达或脆弱的环境中,其保护与研究工作至关重要。YOLO目标检测可以高效地记录这些艺术品的详细信息,生成数字化档案,以便于长期保存和研究。研究提出了一种基于YOLOv8目标检测网络模型的壁画佛像目标检测系统,旨在利用先进的计算机视觉技术,实现对壁画佛脸的快速、准确检测,同时结合了PyQt5图形界面框架具有检测图片文件、视频文件及检测结果统计等功能。

关键词： 计算机视觉   深度学习   特征提取   目标检测   多目标跟踪  

摘要： 鱼类个体运动特征提取是分析鱼类行为的重要环节,为进一步解决鲈鱼行为识别中存在小目标个体和复杂背景导致检测难,以及在多条鲈鱼跟踪过程中因遮挡和非线性运动而频繁发生的ID错误切换问题,该研究提出了一种基于改进YOLOv8和ByteTrack的鱼类个体运动特征提取方法。首先对YOLOv8n模型进行了轻量化优化,用ODConv替换了主干网络的下采样卷积,并用Wise-IoUv3 Loss代替了原有的CIoU Loss,以此降低模型大小并提高检测速度和精度。然后对ByteTrack算法分别进行优化,通过应用扩展和线性卡尔曼滤波来适应目标的非线性运动和加速变化,以及引入高斯轨迹插值后处理策略,减少了遮挡情况下的错误身份切换。改进后的YOLOv8算法在模型大小和参数上与原YOLOv8模型分别降低了约2/3,精度、召回率分别提升了0.4和0.5个百分点,具有较高的检测精度及良好的鲁棒性和实时性。改进后的ByteTrack算法平均多目标跟踪准确率(multiple object tracking accuracy,MOTA)为88.7%,多目标跟踪精度(multiple object tracking precision,MOTP)为83.8%,平均每个测试视频的ID切换次数(identity switches,IDs)仅为37,帧率(frames per second,FPS)为95帧/s,能够满足实时跟踪需求。该研究提出的改进YOLOv8和ByteTrack的鲈鱼个体运动特征提取方法能够在实际养殖场景下实现较为稳定的鲈鱼个体实时跟踪,可为大规模无接触式实际水产养殖监测提供技术支持。

关键词： 沥青路面   图像处理   深度学习   裂缝病害  

摘要： 为了提高沥青路面的检测效率和准确性,分析了图像处理技术和深度学习算法。图像处理技术的关键是获取数据集。数据集大多是使用驾车录像和细节拍摄两种方式采集到的路面图像,由于直接采集的路面图像背景复杂,可通过灰度化处理、增强处理(平滑滤波、直方图均衡化、Gamma矫正等)、分割处理等方面处理图像。图像处理完成后,可基于VGG卷积神经网络建立沥青路面的深度学习模型,并合理选择卷积层、池化层、全连接层等结构层的参数。以S238线公路的一段沥青路面为例,对深度学习模型的卷积层层数和训练次数进行优化,并将检测结构与实际进行对比,研究成果表明:将处理后的图像导入VGG卷积神经网络后,对沥青路面的裂缝识别度达到了90%以上。

关键词： 目标检测   YOLOv11n   激活函数   自注意力机制   C3k2   自适应平均池化  

摘要： 针对目前人工巡视导致的变电站设备及生产行为异常检测效率低、人工风险高等问题,提出改进你只看一次11纳米版(you only look once version 11 nano, YOLOv11n)模型。首先,通过设计基于自注意力机制的3尺度卷积双路径可变核(convolutional three-scale kernel-adaptive dual-path self-attention mechanism, C3k2-SA)模块在较小特征图衔接特征融合部分,优化了网络结构,增强了全局特征提取能力。然后,在主干网络末层引入了基于注意力机制的特征增强(feature enhancement, FEN)模块,动态调整不同区域的特征权重,实现自适应的特征增强,缓解深层网络中的梯度消失问题。最后,对拼接(concatenate, Concat)模块进行优化,通过卷积层调整通道数,采用池化和sigmoid激活函数进行特征的精细处理,提高了模型对不同类型特征的自适应,增强了特征融合效果,同时抑制了无关或冗余特征,防止过拟合。结果表明,与原始YOLOv11n模型相比,改进YOLOv11n模型的精确率、召回率、平均精确率均值分别上升了1.7、6.6、3.6个百分点。改进YOLOv11n模型能够提高变电站异常状态检测的准确性,为智能变电站的异常检测工作提供一定参考。

关键词： 煤矿机器人   图像处理   自主移动   激光雷达点云建图   巷道点云   上采样算法   深度学习  

摘要： 受限于井下防爆要求,目前可以应用于煤矿井下的激光雷达线束多为少线束的小功率激光雷达,其形成的点云较为稀疏,缺乏对环境的细节描述,导致机器人建图性能不佳。提出了一种基于复合残差自注意力网络(Composite residual self-attention network,CRSA-Net)的巷道点云上采样技术,旨在通过端到端的方式实现点云特征增稠,在一定程度上弥补传感器精度低下的问题。首先,对点云中的粉尘、水雾噪声进行离群点去除,并根据现场特点采用法向量聚类方式分割不同退化程度的点云区域;其次,为提高训练数据局部细节质量,基于KD树结构提取点云片,针对稀疏点云内部数据相关性不强的问题,提出了采用特征计算及特征维度扩展的方法,加强对网络训练结果的约束,采用了级联渐进式的复合残差自注意力方法,保证网络对结构退化点云的全局和局部特征学习;最后,利用密集的点特征,使用多个独立的MLP进行特征扩展,通过基于点特征的全连接层输出稠密点云。采用国家能源集团寸草塔煤矿井下某巷的数据及WHU-LTS开源数据构建了1组稠密点云数据集用于训练和测试,在上采样试验中,提出的方法CD指标达到11.35×10^(-3),EMD指标达到5.52×10^(-3),HD达到112.31×10^(-3)。

关键词： 自动目标识别   卷积神经网络   小目标检测   数据增强   特征增强   特征金字塔网络  

摘要： 低空慢速小目标的监视一直是预警探测领域的重点和难点。目前主流的基于卷积神经网络的目标检测算法主要设计应用于VOC数据集或COCO数据集,在特定场景下检测精度并不理想。YOLO是目前应用最广泛的单阶段目标检测算法之一,在检测速度方面具有独特的优势。利用可见光成像手段获取小型无人机目标图片,基于YOLOv7算法改进了其特征增强网络,提出一种三分支并行特征金字塔网络,以获得更多的小目标上下文语义特征;将改进后的算法与生成对抗网络进行级联,旨在生成更真实的超分辨率图像,从而提高检测精度。与目前最先进的目标检测方法相比,该方法在满足检测实时性要求的前提下,使得检测精度有了显著的提升。由于训练集有限,为了提高泛化能力,还提出了SOD-Mosaic数据增强方法,该方法提高了检测器的鲁棒性和泛化能力。

关键词： 人工智能   YOLO系列算法   电力行业   目标检测   改进模型   未来趋势  

摘要： 为了研究你只看一次(you only look once, YOLO)系列算法在电力行业目标检测领域的应用情况,分析其未来在该行业的发展趋势。首先分析了较新的YOLO版本10(YOLO version 10,YOLOv10)算法的网络结构,然后探讨了YOLO系列算法在电力行业从发电、输电、变电到用电环节中目标检测的应用,最后从潜在改进方向、与大模型的融合2方面分析了YOLO系列算法的发展趋势。研究发现,YOLO系列算法在检测速度和精度方面取得了明显进展,特别是在电力行业的缺陷检测、故障检测、设备监控、智慧管理、安全监测等方面表现出极大的潜力;但在复杂背景下,该系列算法仍存在检测精度不高的问题。YOLO系列算法要在电力行业中实现更广泛的应用,还需进一步优化算法的速度与精度以应对实际应用中的挑战。

关键词： 神经网络   目标检测   YOLOv8n   头盔   轻量化  

摘要： 近年来,电动车驾驶人未佩戴头盔导致的交通事故频繁发生,造成了严重的人身伤害和财产损失。调查结果表明,事故主要集中在交通路口,因此,交通路口电动车驾驶人员头盔佩戴行为的检测与管控亟待展开。在利用机器视觉传感器获取大量电动车、驾驶人以及车牌数据后,制作合适的数据集,并在Pytorch框架上利用改进的YOLOv8n神经网络对处理后的数据进行训练,以获得最优权重参数。实验对比发现,改进后的YOLOv8n算法对于电动车、头盔以及车牌的检测精度分别达到了99.1%、93.7%和95.9%,比原始YOLOv8n的识别准确度提高了1%3%。最后,通过联合使用训练改进的YOLOv8n模型,在检测头盔佩戴情况的同时,结合电动车本身以及车牌的综合信息,准确对其进行跟踪,从而实现对交通路口违规电动车驾驶行为的有效管控。