关键词： 距离走动   速度模糊   二阶Keystone变换   TRFR  

摘要： 为了解决信号长时间积累带来的距离走动与多普勒走动问题,提出了一种将Radon变换、二阶Keystone变换和TRFR变换相结合的新方法.首先通过Radon变换搜索模糊数,对信号进行二阶Keystone变换消除距离弯曲,然后通过TRFR变换来消除由加速度引起的耦合相位并对距离走动进行完全的修正;最后通过二维逆傅里叶变换完成对信号的相参积累.本方法避免了对速度的直接搜索,减少了算法的时间复杂度,提高了参数估计的准确度,并且在-22 dB的噪声下仍可以检测出信号.通过实验,验证了算法的可行性.

关键词： PCA技术   变电站   无人机巡检   图像目标检测  

摘要： 受变电站数量与规模持续扩大的影响,传统巡检方法中的红外图像采集过程中会受到光照变化、噪声或者其他干扰因素的影响,导致检测效果存在不同程度的识别偏差,造成整体检测效率与安全性明显下降。为提高巡检效率和准确性,基于PCA技术,提出变电站多旋翼无人机巡检红外图像目标检测方法。在确定的变电站多旋翼无人机巡检覆盖范围内采集巡检红外图像,并将采集图像的像素信息转换为像素矩阵,并计算目标巡检图像特征中脉冲幅值和波形包络面积UI信号功率,结合像素筛选法获取精确的目标边缘。在此基础上,通过调整PCA参量,实现变电站多旋翼无人机巡检红外图像目标检测。实验结果表明,所提方法的识别率最高为98.5%,准确率最高为96%。说明所提方法能够满足设计预期效果,有效提高目标检测精度,提升检测效率与安全性,整体可靠性良好,具有较高的推广价值。

关键词： 交通工程   安防   自动化码头   目标检测   轻量化   注意力机制  

摘要： 为提高算法在异常天气、背景干扰与数据噪声等因素影响下,对港区集装箱堆场作业人员与车辆的检测精度,以及降低模型参数,满足实时检测需求,提出1种基于改进YOLOv5的面向自动化码头集装箱堆场作业人员与车辆的实时检测算法C3Rep-YOLO。该算法在特征提取网络中使用基于MetaFormer通用体系结构的轻量级ViT代替原来的CSPDarknet53网络,可提高算法的检测速度。在颈部网络中采用改进的RepGFPN结构代替原始的PAN结构,以提升特征融合效果与模型表征能力。由于在码头场景的实际检测过程中会不可避免地混入数据噪声,嵌入CAFM模块,以提高算法的全局特征捕获能力与去噪能力。研究结果表明:改进后的算法将检测速度提高了37.5%,mAP提高了4.8百分点,达到74.8%,可实现识别速度与精度的平衡。研究结果可为港区自动化安防与智慧港口建设提供理论基础和技术参考。

关键词： 桥梁检测   裂缝识别   图像处理   连通域   最大内切圆  

摘要： 针对桥梁裂缝识别算法精度不高、应用效果不佳的问题,该文以桥梁表观高精度图像为研究对象,提出一种基于图像连通域特征与最大内切圆计算原理的裂缝识别算法(CIACM)。首先,采用灰度化、匀光滤波和边缘检测等传统图像处理算法将裂缝边缘特征显现;随后,基于连通域特征与最大内切圆计算原理进行裂缝识别,并筛选裂缝最大宽度处。试验结果表明:该算法计算绝对误差不超过0.02 mm,相对误差平均值为2.47%,标准差为1.52%;对于宽度<0.2 mm的细微裂缝,相对误差平均值为4.71%,标准差为1.54%,满足桥梁检测精度要求。研究表明:CIACM算法可有效提升裂缝识别精度,尤其适用于细微裂缝检测,为桥梁表观损伤自动化评估提供了可靠的技术支持。

关键词： YOLOv8   DeepSORT   目标检测   跌倒检测  

摘要： 儿童跌倒/坠伤在儿童伤害原因中居前列,而现有跌倒检测模型多针对老年人。本文聚焦儿童跌倒检测问题,采用基于YOLOv8-FD结合DeepSORT多目标追踪算法的模型,在C2f模块引入深度可分离卷积优化特征提取并减负,使用加权交叉熵损失函数提高鲁棒性。结果显示,与传统YOLOv8模型相比,改进后模型跌倒检测准确性提高,能满足多数场景儿童精细化保护需求。该模型可为儿童监护提供有效技术支持,有助于推动儿童跌倒检测技术发展,提高儿童安全保障水平。

关键词： YOLOv5   深度学习   目标检测   异常舌   舌诊  

摘要： 针对传统中医舌诊视觉诊断存在主观性强且耗费精力的问题,提出一种基于改进YOLOv5的舌面齿痕和裂纹特征自动检测模型:该模型在YOLOv5模型的骨干网络中引入SimAM-CSP模块以增强网络的特征提取能力;在瓶颈层和预测部分之间加入瓶颈注意力模块,进一步聚焦关键信息;通过调整YOLOv5的特征融合结构,增加对图像细节的感知能力,提高网络性能;将定位损失函数GIoU替换为EIoU,提升模型的训练收敛速度和预测回归精度;利用K-Means聚类算法对YOLOv5的初始锚框进行调整,使算法更加契合舌面齿痕和裂纹特征检测;将改进后的YOLOv5模型在自制舌象数据集中进行训练,得到的平均检测精度(mAP)为79.5%,较原算法提升了6.3个百分点。实验结果表明改进YOLOv5模型能够有效提高舌面齿痕和裂纹特征检测精度,有助于辅助医生诊断。

关键词： 视频图像   显著性目标检测   边界引导   多尺度特征   特征聚合  

摘要： 目的视频显著目标检测的目的是识别和突出显示视频中的重要对象或区域。现有的方法在挖掘边界线索和时空特征之间的相关性方面存在不足,并且在特征聚合过程中未能充分考虑相关的上下文信息,导致检测结果不够精确。因此提出了多特征聚合的边界引导网络,进行显著目标边界信息和显著目标时空信息之间的互补协作。方法首先,提取视频帧显著目标的空间和运动特征,在不同分辨率下将显著目标边界特征与显著目标时空特征耦合,突出运动目标边界的特征,更准确地定位视频显著目标;其次,采用了多层特征注意聚合模块以提高不同特征的表征能力,使得各相异特征得以充分利用;同时在训练阶段采用混合损失来帮助网络学习,以更加准确地分割出运动目标显著的边界区域,获得期望的显著目标。结果实验在4个数据集上与现有的5种方法进行了比较,所提方法在4个数据集上的F-measure值均优于对比方法。在DAVIS(densely annotated video segmentation)数据集上,与性能次优的模型相比,F-measure值提高了0.2%,S-measure值略低于最优值0.7%;在FBMS(Freiburg-Berkeley motion segmentation)数据集上,F-measure值比次优值提高了0.9%;在ViSal数据集上,平均绝对误差(mean absolute error,MAE)值仅低于最优方法STVS(spatial temporal video salient)0.1%,F-measure值比STVS提高了0.2%;在MCL据集上,所提方法实现了最优的MAE值2.2%,S-measure值和F-measure值比次优方法SSAV(saliency-shift aware VSOD)分别提高了1.6%和0.6%。结论提出的方法能够有效提升检测出的视频显著目标的边界质量。

关键词： 球团矿生产   圆盘造球机   卷积神经网络   图像处理   YOLO算法   深度学习   球团粒度   模型  

摘要： 在中国全力推进绿色低碳冶金的大背景下,钢铁工业正面临转型挑战与绿色发展要求,这迫切需要对高炉炉料结构进行深度调整与优化,以实现节能降碳与污染减排的双重目标。在现代冶金生产中,球团矿对比烧结矿,其自身生产的节能减排更优,对球团矿质量和数量的准确检测至关重要。在钢铁制造企业中,操作人员依赖筛分检测等经验手段来评估球团矿的粒径状态,测量时间长、准确率低。采用全自动化的监测与测量系统对球团矿粒径进行优化管理显得尤为迫切和重要。提出YOLOv5+U-Net结合的算法,与Deeplabv3+以及FCN神经网络模型进行对比试验,得出3种算法各自的优点和局限性。Deeplabv3+算法采用无卷积内核和基于无卷积的空间金字塔池(ASPP)架构,较大和较小采样率的空洞卷积可以捕捉球团整体和细节部分。FCN算法对图像中的噪声、变形和环境光变化等具有一定的鲁棒性,通过学习到的特征来克服干扰因素,准确地进行分割。YOLO算法经过多年的迭代和发展,将目标检测转化为回归问题并且引入归一化,检测精度进一步提高。验证了YOLOv5+U-Net神经网络模型在计算机深度学习、图像处理技术对球团粒径进行检测识别的方案。在检测生球粒径试验中,准确率达到97%以上,召回率达到66.8%。基于本文所提出的球团检测方法在工业自动化和质量控制等领域具有广阔的应用空间,为球团检测技术的发展提供了新的思路和方法。

关键词： 砂质黏土   干缩裂隙   生态纤维   图像处理  

摘要： 砂质黏土保水性较弱,在蒸发作用下容易发生显著的干缩裂隙,加剧了其边坡的降水入渗,容易导致失稳。为了研究不同生态纤维对砂质黏土干缩裂隙的抑制作用,通过图像处理技术,分别对黄麻纤维、稻杆纤维改良作用下砂质黏土的水分蒸发、表面裂隙发展、演变和结构形态进行定量分析。研究结果表明:生态纤维与土颗粒有较强的黏结性,可通过延缓土体水分蒸发和加筋作用,有效抑制砂质黏土的干缩裂隙,且随着纤维掺量的增加,抑制干缩裂隙的效果增强;在0.6%(质量分数)的掺量下,黄麻纤维和稻杆纤维的改良效果最为显著,裂隙率分别下降了30.6%和23.8%,平均裂隙宽度分别下降了66.64%和70.86%。黄麻纤维、稻杆纤维的改良方法,为砂质黏土填筑工程的干缩裂隙治理提供了新思路和理论依据。

关键词： 多模态   目标检测   特征交互   二值化分组   自适应融合  

摘要： 为提升目标检测方法在复杂场景下的检测效果,将深度学习算法与多模态信息融合技术相结合,提出了一种基于特征交互与自适应分组融合的多模态目标检测模型。模型采用红外和可见光目标图像为输入,以PP-LCNet网络为基础构建对称双支路特征提取结构,并引入特征交互模块,保证不同模态目标特征在提取过程中的信息互补;其次,设计二值化分组注意力机制,利用全局池化结合Sign函数将交互模块的输出特征以所属目标类别进行特征分组,再分别采用空间注意力机制增强各特征组中的目标信息;最后,基于分组增强后的特征,提取不同尺度下的同类特征组,通过自适应加权方式由深至浅进行多尺度融合,并根据融合后的各尺度特征实现目标预测。实验结果表明,所提方法在多模态特征交互、关键特征增强以及多尺度融合方面都有较大的提升作用,并且在复杂场景下,模型也具有更高的鲁棒性,可以更好地适用于不同场景中。