关键词： 电气设备红外图像   目标检测   轻量级网络   通道注意   池化  

摘要： 提出一种适合边缘计算设备的轻量级卷积神经网络(LightweightES)用于识别热像中的电气设备及其异常发热故障。为达到减少模型参数的同时提升检测精度的目标,对经典SSD进行改造,利用MobileNetV3轻量级网络作为特征提取骨干网络,快速高效地提取图像特征;引入高效通道注意模块ECA,提高网络的检测精度;采用软池化(SoftPool)方法以减少池化信息损失,提高网络的分类精度。建立并标注含10516幅电气设备红外图像的数据集,含电流互感器、避雷器、绝缘子、隔离开关、断路器、套管等6种户外变电站设备。实验结果表明:LightweightES算法mAP达93.8%,较SSD提高了7.5百分点,参数量仅为SSD的1/5,检测帧率达55 FPS,能够实时准确地识别电气设备及其局部温度异常故障,适用于算力有限的智能现场监测终端。

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。

关键词： 激光告警   投影分割   图像处理   FPGA  

摘要： 针对现有激光告警系统中因数据处理不及时导致漏警、响应速度慢的问题,提出了一种基于投影分割的光斑中心快速提取算法,根据衍射图像中各级光斑横向均匀分布的特点,提出先向坐标轴投影,再分别计算光斑中心坐标,实现快速提取的方法。将该算法部署到FPGA硬件系统,使告警系统能够在一帧图像传输周期内完成光斑中心坐标提取任务,提高了图像处理效率,进而实现高效告警。经实验证明,该算法光斑中心坐标提取最大误差为1个像素,告警系统响应时间为17.453 ms。该方法通过优化图像处理算法,缩短了告警设备响应时间,实现了对来袭激光快速、准确的告警。

关键词： 目标检测   CBAM   Gold-YOLO   WIoU  

摘要： 为了实现对水稻病害的精准检测,文章基于YOLOv8n模型(You Only Look Once version 8 nano)提出了一个全新的改进模型YOLO-Rice。该模型通过3项关键的技术创新,提升了对水稻叶片和稻穗病害的检测精度。首先模型在骨干网络中引入CBAM(Convolutional Block Attention Module)卷积注意力机制;其次模型采用Gold-YOLO的GD(Gather-and-Distribute)机制,在模型的颈部进行特征融合;最后更换了传统的损失函数,采用WIoU作为新的损失函数。通过上述改进,YOLO-Rice模型在平均精度均值(mAP 50%)上实现了3.4百分点的显著提升,最终达到了96.0%的准确率,充分证明了YOLO-Rice模型在水稻病害检测任务中的有效性。

关键词： 污染识别   图像处理   CycleGAN   数据增强   生成对抗网络  

摘要： 在自动驾驶技术中,广角鱼眼摄像头是执行停车与低速行驶导航任务的常见车载设备。然而,这一摄像头在直面复杂多变的外界条件时,易受尘土、泥浆、水分及霜冻等污染物影响,从而降低摄像头镜头的清晰度,进而影响依赖视觉信息的导航算法效能。考虑到由于这类污染情况发生的随机性较高,且难以系统性地搜集到充分且多样的样本数据集以供分析。文章提出了一种新的基于GAN的算法,用来生成新的污物图像。该算法独特之处在于能自动生成匹配的污渍掩模,有效绕过了人工标注的耗时与成本。通过将这些新生成的污渍图像融入训练过程作为数据增强手段,从而实现污渍检测精度的显著跃升,提升幅度达到26.65%,且该模型所具备的良好泛化能力,充分证明了此方法的实用性。

关键词： 计算机视觉   图像增强   煤量识别   自动控制   防冻液喷洒  

摘要： 为解决煤矿煤炭传送过程中,操作人员因失误、疲劳导致防冻液喷洒不足或过量,致使煤炭与传送带粘连或打滑,进而造成生产事故的问题,研发了一种基于视觉监控的煤矿传送带防冻液自动喷洒系统。通过边缘算法对现场传送带图像的检测识别与分类,系统对防冻液阀门下达远程控制指令,完成防冻液的自动喷洒。引入一种基于u-net的图像数据增强方法(U-NHME)对原数据集样本进行增强,然后采用YOLO-V7作为网络进行目标定位与识别,实现了全天候室外图像的准确识别。采用Map等评价指标对不同煤量的图像进行增强、训练与识别。实验结果表明,相比YOLO-V7原始网络,本研究算法的识别精度提高了2百分点,提高了传送带煤量识别精度。

关键词： 无人机   降落区域检测   动态场景   目标检测   同步定位与制图  

摘要： 提升无人机的自主着陆能力对于提高无人机的作业效率和野外生存能力具有重要意义。本文提出了一种基于机载视频的无人机降落区域自动检测方法,目的是在缺乏场景先验知识的情况下,提高无人机的自主避障着陆能力。本文将多视图几何约束方法的深度学习网络融入到视觉同步定位与制图(Simultaneous localization and mapping,SLAM)算法中,旨在构建场景的三维地图,同时主动判别潜在障碍物。随后,提出了一种顾及降落区域面积及平坦度等因素的降落区域检测算法,通过体素网格地图的空间分析方式,判别出无人机着陆区域。在不同类别场景中分别进行实验,结果表明了提出方法的准确性。

关键词： 煤矿监控图像   目标检测   YOLO-v4L-EA   空间注意力  

摘要： 智能化是煤矿安全生产和快速发展的必然趋势,构建智能化生产系统的框架、云边计算协同体系,针对煤矿重点目标进行快速、精准的目标检测,是煤矿智能化发展的重要方向,然而现有的基于深度学习的目标检测算法体积庞大、计算复杂度高,难以将其部署到边缘设备来提供低时延数据分析服务。提出一种基于YOLO-v4L-EA算法的煤矿重点目标检测方法,将融合空间注意力机制的轻量级YOLO-v4部署到矿山物联网系统的边缘计算设备,从而为用户提供高响应速度的重点目标感知服务。算法层面,针对煤矿井下图像存在亮度不均匀等缺陷影响目标检测效果的问题,设计像素正则化空间注意力结构(PNSAM),用批量正则化实现空间注意力机制,该结构能够辅助目标检测模型加强对重要特征关注,有助于算法从低质量图像中感知任务目标;受MobileNet基础结构启发,基于深度可分离卷积对YOLO-v4骨干网络执行轻量化改进,使整体模型能够部署在矿井边缘计算设备;为减小h-swish激活函数造成的梯度损失,在模型中尝试使用Mish激活函数,凭借其梯度光滑特性来实现高效的深层特征提取。根据煤矿视频监控数据构建矿山目标检测数据集,用于评价目标检测网络模型实际应用性能。使用NVIDIAJetsonTX2边缘计算平台作为试验硬件设备,对比试验显示该模型在公测数据集VOC2012的试验结果相对于YOLO-v4-Tiny模型,mAP值提升了13.39%,证明该算法的有效性和正确性;该模型在矿山目标检测数据集上的mAP值为88.9%,说明该方法能有效实现煤矿井下重点目标检测。

关键词： 目标检测   野外监控传感网   运动小目标   双帧融合   时空注意力  

摘要： 由于野外监控传感系统中背景干扰较多、小目标像素点较少以及缺乏相关公开数据集等因素,在野外复杂环境中检测运动小目标仍然是国防军事应用中一个具有挑战性的问题。针对这一问题,提出一种基于YOLOv5改进的双帧融合目标检测网络(YOLO-DFNet)。首先,提出双帧融合模块用来处理骨干网络输出的相邻帧特征,通过计算通道及时间维度的注意力和空间注意力,提取运动特征;其次,在颈部网络与检测头之间设计一个时间梯形融合网络,关注不同大小感受野上的运动目标,改善大位移小目标的检测效果。在野外运动小目标数据集FMSOD上的实验结果表明:YOLO-DFNet在不同IoU上的平均精度比YOLOv5算法提高3.9个百分点,同时也优于TPH-YOLOv5、YOLOv7等其他目标检测网络。