关键词： 目标检测   道路病害检测   深度学习   YOLOv7   RFB  

摘要： 随着我国公路网的不断扩展,道路病害检测已经成为道路养护与行车安全保障必不可少的组成部分,基于深度学习的道路病害检测已经成为该领域的研究热点.针对多种病害并发的复杂场景下道路病害识别精度不高、泛化能力不足的问题,提出了一种复杂场景下的道路病害检测模型RGT-YOLOv7(Receptive Ghost Triplet-YOLOv7).在主干网络部分引入三重注意力机制,提高病害特征在不同通道与空间的相关性,解决了特征提取效率不高的问题;将原有的全连接空间金字塔卷积模块替换为快速全连接空间金字塔卷积模块,并加入幻影卷积模块,提高冗余特征的使用率,将原有的冗余特征与新提取到的特征融合,得到包含不同尺度的特征信息;为了扩大模型感受野,在特征增强部分加入改进的感受野模块,利用不同尺寸的空洞卷积从不同方向对特征图进行提取,加强对横向和纵向特征的提取.实验结果表明,与YOLOv7相比,识别的平均正确率(mean average precision,mAP)和平衡F分数分别提升了6.9、3.9个百分点,尤其是对纵向裂缝危害识别的平均正确率提高了22.3个百分点,与Faster R-CNN、YOLOv5等模型相比也有良好的性能提升,表明RGT-YOLOv7是一种有效的复杂场景下的道路病害检测模型.

关键词： 计算机视觉   图像处理   多目标跟踪   无人机   YOLOv7网络   ByteTrack算法   车辆检测  

摘要： 为了提高无人机视觉平台下的车辆多目标跟踪精度,提出了一种改进YOLOv7网络与优化ByteTrack算法相结合的无人机视觉车辆多目标跟踪算法。首先,针对小目标特征不明显的情况,增强了YOLOv7网络浅层语义信息的特征提取能力,同时采用SIoU-Loss对坐标损失函数进行优化,加快锚框收敛速度;其次,根据车辆运动特点,在ByteTrack算法的基础上,将卡尔曼滤波算法的状态向量融入加速度信息;最后,在VisDrone2021数据集上验证算法的有效性。实验结果表明:改进YOLOv7网络的平均检测精度比原网络提高3.2%,跟踪算法准确度比基准算法提高1.2%,高阶跟踪精度提高2.9%。

关键词： 多源信息融合   计算机视觉   深度学习   智能控制决策方案  

摘要： 为保证充填工作面电液控制系统的稳定运行,以充填工作面捣实机构为控制对象,通过对多源信息融合技术的研究,将计算机视觉、深度学习等智能识别结果与传感器数据相融合,生成智能控制决策方案,可促进控制理论、计算机视觉、机器学习等技术的融合,对充填工作面自动化、智能化、无人化水平的提高有重要意义,为综采、综放工作面的智能化、无人化建设提供重要的参考。

关键词： 制动风闸   视频监控系统   计算机视觉   数字孪生  

摘要： 为确保水电站机械制动系统运行状态准确监视,在某巨型水电站机组下风洞部署视频监控系统,利用计算机视觉算法检测风闸运行状态并辅以数字孪生软件直观展示,取得较好的应用效果。

关键词： 目标检测   第三方施工检测   注意力机制  

摘要： 燃气管网安全对城市能源供应至关重要,第三方施工场景识别是保障其安全的关键。传统的人工巡检和判别方法效率低、效果差。本文提出基于YOLOv5和注意力机制的第三方施工风险动态监测方法,能识别、定位和预警施工特征物,并通过现实数据迭代提升模型性能。现场和实验室测试显示,该方法在实际场景中有效,且平均精度和F1分数均有所提升,验证了其有效性,这为市政管网领域的研究提供了应用价值和参考。

关键词： 显著性目标检测   边界驱动   跨模态融合   跨层融合  

摘要： 面对复杂的场景图像,深度信息的引入可以大大提高显著性目标检测的性能。然而,神经网络的上采样和下采样操作会模糊显著图中目标的边界,从而降低显著性目标检测性能。针对此问题,提出了一种基于边界驱动跨模态跨层融合网络(B^(C)2FNet)的RGB-D显著性目标检测方法。该网络在跨模态和跨层融合中分别加入边界信息引导来保持目标区域。设计了边界生成模型,分别从RGB和深度模态的低层特征中提取2种边界信息;设计边界驱动的特征选择模块,在RGB与深度模态融合过程中,聚焦重要特征信息并保留边界细节;提出了一种边界驱动的跨层融合模块,在相邻层的上采样融合过程中加入2种边界信息。通过将该模块嵌入到自顶向下的信息融合流中,预测出包含精确目标和清晰边界的显著性图。在5种标准RGB-D数据集上进行仿真实验,结果证明所提出的模型具有较好的性能。

关键词： 深度学习   水下目标检测   YOLOv8n   轻量级算法   全局注意力机制  

摘要： 针对水下目标检测中存在的图像模糊、小目标众多导致YOLOv8n目标检测算法的漏检、误检问题,提出一种改进YOLOv8n的轻量级水下目标检测算法。首先,在主干网络部分采用空间到深度层的非跨步卷积替代部分卷积,并引入全局注意力机制,以增强全局上下文信息,从而提升主干网络对模糊目标和小目标特征的提取能力。其次,使用轻量级上采样算子CARAFE(content aware reassembly of features)替换原有的上采样方法,以扩大模型的感受野。然后,引入归一化高斯瓦萨斯坦距离,并将其与完全交并比结合,构建一种新的定位回归损失函数,以提高模型在复杂水下环境下对小目标的定位精度。最后,提出结合参数化修正线性单元(PReLU)的动态目标检测头(PR-DyHead),以优化原有的检测头性能,增强模型对水下小目标的处理能力。实验结果表明,改进的YOLOv8n算法在RUOD数据集上的平均精度均值为86.62%,比原始YOLOv8n算法提升了3.20百分点,模型参数量为5.67 M,千兆浮点计算量为12.5,满足轻量级要求。

关键词： 舰船检测   轻量化   遥感图像  

摘要： 近年来,随着舰船目标检测算法的不断创新,舰船检测性能有了显著的改善。然而,由于算法模型复杂度高、规模大,部署在资源有限的环境下存在一定的挑战。针对上述问题提出了一种新的轻量化模型GFPN-YOLOX,首先,在主干提取网络中引入感受野注意力卷积,让模型可以提取到多尺度目标的特征信息,从而增强模型的特征处理能力;其次,设计一种新的特征金字塔融合模块,用于增强遥感数据的语义信息与低维的位置信息之间的信息交流;最后,在特征金字塔融合模块和检测头部中引入了深度可分离卷积,用于降低模型的复杂度和存储需求。仿真结果表明,与原模型YOLOX-Tiny算法相比,模型参数量减少了29%,计算量降低了38%,但精度仅有0.4%的损失。通过与最新算法对比,验证了该模型在遥感数据检测场景中的有效性。

关键词： 多目标检测   YOLOv8   轻量化   共享卷积   Wise-IoU  

摘要： 本文提出了一种多机制融合的轻量化交通多目标检测算法,该算法以YOLOv8算法的基本网络结构为基础,通过引入多种机制对YOLOv8算法进行改进,以实现轻量化的目的,并且在确保轻量化的前提下,能够尽量保持YOLOv8算法的高检测精度。本文主要做了三方面的创新工作:1) 设计了FasterC2f模块,替代了YOLOv8算法中的C2f模块,该模块通过降维策略,对输入特征图进行高效处理,显著降低了模型的参数总量与计算复杂度;2) 设计了一种轻量化的检测头架构——Lightweight Shared Convolutional Detection (LSCD),通过引入共享卷积机制,有效减少了检测头的参数量,同时增强了特征图之间的全局信息融合能力,确保了较高的检测精度;3) 对损失函数进行改进,引入Wise-IoU机制,在不增加复杂度的前提下,进一步提高算法的检测精度。实验结果表明,本文提出的算法在交通多目标检测任务上取得了优异的表现,不仅在模型体积和计算量上实现了显著的轻量化,而且保持了较高的检测精度。This paper presents a lightweight multi-target traffic detection algorithm that integrates multiple mechanisms. Based on the fundamental network architecture of the YOLOv8 algorithm, this algorithm introduces various mechanisms to improve YOLOv8, aiming to achieve lightweightness while maintaining its high detection accuracy as much as possible. The main innovations of this paper lie in three aspects: 1) A FasterC2f module is designed to replace the C2f module in YOLOv8. This module employs a dimensionality reduction strategy to efficiently process input feature maps, significantly reducing the total number of model parameters and computational complexity. 2) A lightweight detection head architecture, named Lightweight Shared Convolutional Detection (LSCD), is devised. By incorporating a shared convolutional mechanism, it effectively decreases the number of parameters in the detection head while enhancing the global information fusion capability among feature maps, thereby ensuring high detection accuracy. 3) The loss function is improved by introducing the Wise-IoU mechanism, which further enhances the detection accuracy of the algorithm without increasing its complexity. Experimental results demonstrate that the proposed algorithm exhibits excellent performance in multi-target traffic detection tasks, achieving remarkable lightweightness in terms of model size and computational cost while maintaining high detection accuracy.

关键词： 图像处理技术   纺织品检测   运用实践  

摘要： 在科技快速发展的时代,图像处理技术成为各个领域的重要工具,尤其在纺织品检测领域,其应用范畴不断拓展。文章围绕图像处理技术在纺织品检测中的运用实践探讨了其运用原理与独特优势,包括高效处理分析纺织品的图像数据、精准提取纺织品的各项关键性能指标、实时监控纺织品的生产质量。文章聚焦于图像处理技术在纺织品生丝品质评估、纱线质量检测以及织物特性分析方面的具体应用,通过引入实际案例与详尽的数据分析,展示了图像处理技术在提升纺织品检测效率、降低检测成本、提升纺织品质量方面的显著优势。图像预处理与阈值的检测分析为纺织品检测带来了全新的技术手段,为图像处理技术在更广泛领域的应用提供了实践参考。