关键词： 目标检测   绝缘子缺陷   YOLOv5   多尺度   Ghost模块   注意力机制  

摘要： 针对现有绝缘子缺陷检测方法的精度低和网络复杂等问题,提出融合注意力与轻量化的多尺度电缆绝缘子缺陷检测方法。首先,在YOLOv5的主干网络中引入通道注意力,抑制复杂背景纹理,强调缺陷特征信息;其次,基于Ghost模块轻量化的特点提出Ghost-Bottleneck模块,替换YOLOv5中的Bottleneck模块,降低网络的复杂度;然后,采用K-means++算法聚类预测框的锚框坐标,同时增添并聚合多尺度耦合头,提高小缺陷目标的检测准确度;最后,通过将DIOU Loss定位损失函数修改成CIOU Loss定位损失函数来优化网络参数。实验结果表明,该算法在CPLID数据集上绝缘子缺陷检测的mAP达到99.5%,参数量相比于原始YOLOv5网络减少了33.5%,在实现对绝缘子缺陷检测的同时更容易移植到巡检终端,为绝缘子缺陷智能巡检提供更准确的新方法。

关键词： 目标检测   关键点检测   计算机视觉   深度学习   油气作业   仪表自动读数  

摘要： 油气作业现场的仪表设备繁多,通常需要巡检员定期进行人工读数以判断设备是否存在异常。然而,这种巡检工作繁重且容易受到人为因素的影响。为了解决这一问题,可以利用计算机视觉技术进行仪表图像分析和处理,实现自动识别和测量读数。传统的检测方法存在准确度低、实时性差和适应性差等方面的问题。利用基于深度学习的目标检测和关键点检测技术,能够进一步提高仪表自动化检测及读数的准确性和效率,有效替代人工巡检,缩减成本。

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： 农业机器人   人工智能   图像处理   智慧农业   视觉导航  

摘要： 随着人工智能、图像处理、自动控制技术的飞速发展,智慧农业逐渐成为了现代农业的重要发展方向,农业生产开始转向精准、智能的技术方向,农业机器人技术成为当下农业生产的主流。视觉导航技术作为农业机器人的核心能力之一,已经成为农业领域的重要研究课题。该研究介绍了视觉导航技术的特点及优势,阐述了农业机器人视觉导航技术国内外的研究现状,分析了农业机器人视觉导航技术现存在的问题,最后对视觉导航技术未来发展趋势进行总结与展望。

关键词： 深度学习   语义分割   图像处理   目标分割  

摘要： 人体可以划分成多个部位,各部位在空间上存在语义关系。在自建的人体图像集上,通过标注工具,按12个目标类别标注训练样本。在传统语义模型基础上,改进了数据清洗方法,增加了模型评估。实验证明,改进后的深度语义分割算法具有良好效果。

关键词： 深度学习   图像处理   改进的YOLOv5s   交通标志   小目标检测  

摘要： 针对复杂道路交通场景中交通标志检测识别精度低的问题,提出了一种改进YOLOv5s算法的目标检测识别方法。采用迭代自组织数据分析算法对TT100K数据集进行聚类分析选择更适合的先验框,新先验框能够更加全面地覆盖交通标志的尺寸,提高模型的检测精度;对特征图进行上采样操作,获得更大尺度的特征图后与主干网络特征图融合,得到特征信息更加丰富的新特征图用来小目标的检测识别,提高了小目标检测识别的精度;用真实框和先验框宽比和高比的差值替代真实框和先验框宽高比的差值对定位损失函数进行改进,解决了宽高比相同但实际尺寸不同时惩罚消失问题。实验结果表明改进算法与YOLOv5s算法相比,提高了9.55%的平均精度均值,对小目标的检测识别具有更好的效果。

关键词： 表面缺陷检测   降噪算法   碳纤维丝束   图像处理  

摘要： 碳纤维展宽质量是影响预浸料质量的一个关键因素,人工检测存在误差大、效率低等问题。为提高碳纤维展宽质量的检测效率和准确度,提出基于邻域去噪及图像差分的碳纤维丝束展宽表面缺陷检测方法。针对碳纤维丝束表面光照不均导致的缺陷细节表征问题,采用一种筛选邻域孤点填充的降噪方法。该方法通过筛选出可适应大小的邻域孤点后进行背景填充,实现图像降噪,并将待检测图像与滤波处理后的背景图像进行差分运算,以提取缺陷区域。通过搭建的碳纤维丝束展宽表面缺陷检测系统进行实验,结果表明,该方法可对大丝束碳纤维展宽后表面劈裂、明缝、起毛等缺陷进行较为准确的检测,缺陷准确检出率为96.9%,满足工程实际生产需要。

关键词： 海水循环冷却   卷积神经网络   计算机视觉   污损生物分类  

摘要： 海水循环冷却系统取水头部及管道中污损生物附着会堵塞管道,加速腐蚀,严重影响设备的正常运行。杀生剂的投加方案与污损生物的种类密切相关,由于监测困难,现在通常采用固定杀生剂投加方案。污损生物在管壁建构筑物上的附着主要是以优势种群聚集附着的形式,可以在海水管道头部及管道中加装摄像头,实现污损生物的监测,以便及时调整加药方案。利用卷积神经网络算法,建立污损生物分类模型,实现常见污损生物的自动分类。利用常见污损生物聚集图像作为模型训练数据,以交叉熵损失函数和准确率作为模型评价指标,进行模型训练。该模型分类准确率较高,可用于自动化加药设备中污损生物的自动识别,以此为基础,配合自动化加药设备,可实现杀生药剂投加方案的自动实时调整,提高海水循环冷却系统的精细化管理水平。

关键词： 变压器目标检测   YOLOv8   深度学习   街景图像  

摘要： 街景图像是一种城市街道级别信息地理大数据,利用街景图像不仅能够实现大范围、高效率的变压器巡检,还能降低巡检成本。但是,街景图像中的变压器往往像素少、分辨率低、背景复杂,导致现有目标检测方法对变压器的检测准确度不理想。针对上述问题,本文提出一种改进的YOLOv8算法YOLOv8-WSX。首先,使用WIoU作为损失函数,强化模型对困难样本的检测性能;然后,引入空间分组增强(SGE)注意力机制模块,提高模型的特征提取能力;最后,增加微小目标检测头,解决微小变压器目标漏检的问题。实验结果表明,相较于YOLOv8,YOLOv8-WSX的F1值提升了5.9个百分点,IoU阈值为50%时的平均精确率均值提升了6.3个百分点,IoU阈值在50%~95%范围内的平均精确率均值提升了3.2个百分点,且模型的参数量有所下降。

关键词： 无人机目标检测   域泛化   频域特征   混合特征融合   多深度分层编码  

摘要： 由于当前无人机目标检测模型与频域等特征的关联能力弱、真实世界场景下知识迁移困难等,导致了模型泛化能力差,提出了一种无人机目标检测的多深度混合特征域泛化方法,强化了不同类型特征间的关联性提高了目标检测模型的泛化能力。提出了针对频域混合特征的混合特征融合方法,可对混合特征数据间的数据关联进行有效强化。为了降低域偏移对模型泛化性的影响,设计了针对多特征域解耦的混合特征多深度跳跃式融合编解码网络。相较于现有方法,可有效处理真实世界未见场景中的无人机目标检测,检测精度有明显提升。