关键词： 无人机巡检   边缘嵌入   目标检测  

摘要： 随着无人机技术的快速发展,无人机在巡检领域的应用日益广泛,特别是在电力、建筑等行业。无人机巡检可以大幅提高巡检效率,减少人力成本,并能在复杂环境中进行高效作业。然而,传统的无人机巡检方法依赖于人工识别,存在效率低、易出错等问题。无人机技术结合深度学习目标识别的应用,可以显著提高巡检效率和准确性。本文旨在开发一种基于深度学习的无人机巡检边缘嵌入式目标识别模型,将其部署在无人机边缘设备上,实时地从航拍视频流中检测和识别目标,为巡检提供高效、精准的解决方案。

关键词： 交通标志检测   重参数化   目标检测  

摘要： 针对现有的目标检测模型对复杂天气下的交通标志检测存在漏检与错检的情况,提出了一种改进YOLOv5s的交通标志识别算法。为提高算法在各种复杂场景下的适应性,设计了一种基于重参数化(Re-Parameterized, ReP)的C3模块,将其命名为C3_DB;在网络的Neck部分引入上下文聚合模块,使得算法可以聚焦于重点区域的特征,减少复杂背景造成的混淆,从而提升模型的特征提取能力;引入高效交并比(Efficient Intersection over Union, EIoU)损失函数代替传统的完全交并比(Complete Intersection over Union, CIoU)损失函数,提升模型训练时的收敛速度,进一步提升模型对复杂情景下目标的检测性能。在中国交通标志数据集CCTSDB 2021上的实验结果表明,改进后算法的平均精度均值(mean Average Precision, mAP)为79.8%,相较于YOLOv5s提升2.4%,检测速度达到128帧/秒,在检测性能与检测速度之间取得了较好的平衡。意味着改进后的算法能够满足更高精度的交通标志实时检测需求,为实际应用提供了可靠的解决方案。研究成果对未来的交通管理和自动驾驶系统的发展具有重要意义,为提高安全性和可靠性提供了新的前景。

关键词： 输电线路   覆冰   遗传算法   图像处理  

摘要： 输电线路覆冰时会严重危害电力系统稳定运行,为了能够准确检测输电线路的覆冰状态,本研究提出了一种基于遗传算法结合图像处理的输电线路覆冰检测方法。该方法首先将图像灰度化并对图像进行增强处理;然后对增强后的图像进行改进的中值滤波处理,去除噪声;接着通过遗传算法迭代计算图像最佳阈值,根据计算的最佳阈值对图像进行分割;最后对分割图像进行形态学处理和连通域分析,去除背景相关部分。结果表明,该方法能够快速准确地检测出覆冰部分,为输电线路的安全运行提供了有效的保障。

关键词： 目标检测   YOLOv5   深度学习   MobileNetv3   自动驾驶  

摘要： 针对车辆检测模型参数量大,多尺度车辆目标检测困难、重叠目标、小目标和遮挡目标容易漏检的问题.提出了一种轻量化的YOLOv5-MobileNetv3检测算法.首先,利用k-means算法来提高锚框维数聚类的效果和检测速度.其次,将YOLOv5的原始骨干网络CSPDarknet53替换为MobileNetv3进行特征提取.再次,在检测网络中,用CIOU损失函数代替GIOU损失函数,快速准确地定位图像目标区域,生成边界框,预测目标类别.使用交叉熵损失函数(cross entropy loss)作为分类损失函数.最后利用k-means算法来提高锚框维数聚类的效果和检测速度.结果表明,与YOLOv5网络相比,改进后的YOLOv5-M3检测准确率提高了5.0%,模型参数数量减少了46%,训练时间减少44.9%.改进后的YOLOv5-M3网络更小、训练时间更短、更准确地识别出目标,提高了自动驾驶系统中车辆和行人的目标检测的准确性,也为实现智能交通系统提供了一种选择.

关键词： 自适应平滑区间   卡尔曼滤波算法   概率数据互联算法   状态估计  

摘要： 针对概率数据互联(Probability data association, PDA)算法在杂波环境下计算复杂度高的问题,设计了一种基于PDA算法的数据关联方法,当波门内量测点数量大于阈值时,采用PDA算法更新目标状态;当波门内量测点数量小于等于阈值时,采用最近邻思想筛选目标量测点,接着利用卡尔曼滤波(Kalman filter, KF)算法实现杂波环境下的快速滤波更新。在此基础上,通过自适应区间平滑方法,动态修正平滑区间,实现整体状态估计的反向平滑,从而提升算法的精度。不同杂波环境下的实验结果表明,本文方法相较于PDA算法与KF-PDA算法,在保证跟踪效率的同时,有效提升了系统状态的估计精度,验证了该方法的鲁棒性和有效性。

关键词： 小目标检测   无人机   红外图像   YOLOv8   注意力机制  

摘要： 针对无人机视角下对地红外目标检测任务中小目标的误检、漏检问题,提出一种改进的YOLOv8检测算法.首先,考虑到无人机视角下目标普遍较小,在YOLOv8n初始模型基础上,增加小目标检测层作为第4输出层,对小尺度目标进行检测.其次,为增强网络对不同维度特征的提取能力引入CA注意力机制,CA将通道注意力分解为横向和纵向2个空间方向,并沿着2个方向的位置信息聚合特征,最后通过一维编码融入到网络的特征表示中.在HIT-UAV数据集上的实验表明:相比于原算法,本算法的准确率P、召回率R、平均精度(mAP@0.5)以及平均精度均值(mAP@0.50~0.95)分别提高了0.9%,1.3%,5.1%,4.5%.改进的网络能有效提高红外小目标的检测精度,具有良好的泛化性.

关键词： 菊花   图像处理   干燥动力学   收缩率   色泽   预测模型  

摘要： 外观品质是评价干燥花质量的重要指标。为了实现对干燥过程中菊花外观品质的快速无损检测,本研究将计算机视觉技术应用于菊花的红外辅助热风干燥过程中,基于Python语言开发了一种图像处理算法来获取在不同温度下(35℃,50℃和65℃)的干燥过程中菊花花瓣和花蕊表面收缩率和色泽参数的变化信息,并作为外观品质的评价指标,以此实现对干燥过程的精准控制。干燥动力学研究表明:菊花的干燥过程中始终处于降速干燥阶段,且干燥温度的升高导致了干燥时间的显著(p<0.05)缩短和干燥速率的显著升高。基于平方确定系数(R^(2))、残差平方和(RSS)、均方误差(MSE)值评估了常用的薄层干燥数学模型与试验数据的拟合程度,发现Henderson and Pabis模型、Page模型、Lewis模型与试验数据拟合度更高,能更好地描述菊花的干燥过程。此外,基于图像处理获取的不同干燥阶段菊花的表面收缩率及亮度值(L*)、红/绿值(a*)和黄/蓝值(b*)发现菊花形态和色泽的变化取决于干燥温度和干燥时间的共同作用,更低的干燥温度和更短的干燥时间更有利于抑制菊花在干燥过程的外观品质的劣变。进一步对零阶、一阶和一阶分数模型预测的收缩率和色泽(L*、a*和b*)值与试验数据进行线性回归分析,发现一阶分数模型能更为精准地预测菊花在干燥过程中收缩率以及色泽的变化规律。

关键词： 智慧安防   目标检测   视频融合   YOLO-FastestV2   AI智能分析   声振探测器  

摘要： 近年来,房屋周围的人车目标检测算法作为智慧安防领域中的重要部分,备受研究人员的关注。智慧安防中涉及的目标检测任务需要具备隐蔽性、实时性、持续性、丰富性等特点。根据这些特点,针对人车目标在白天与夜晚的不同特征,设计了一种基于红外与微光视频融合的人车目标检测算法,该算法采用改进的YOLO-FastestV2目标检测算法,解决了基于红外与微光视频融合下人车目标的快速检测难题,可以较隐蔽地持续捕获行人与车辆目标。在智能分析处理模块利用声振探测器与AI智能分析联合判断,能够有效应对周围环境的干扰。经验证,该算法抗干扰能力强,准确性高,具有较好的应用价值。

关键词： 计算机视觉   硬件解码器   Triton推理框架   处理中心  

摘要： 阐述了计算机视觉算法技术背景及其在处理中心的应用场景,分析了计算机视觉算法数据处理流程,提出一种基于硬件编码器及Triton的部署方案,为后续算法推广提供参考。

关键词： 工件检测   深度学习   Faster-RCNN   图像处理  

摘要： 针对传统机器视觉与图像处理中带孔复杂工件缺陷检测存在分类识别模糊和缺陷定位效率低下的问题,提出了一种改进多尺度Faster-RCNN的带孔工件缺陷检测技术。首先,进行带孔工件图像采集与预处理,改进数据集中数据增强方式保证数据训练集质量;其次,搭建Faster-RCNN网络作为基本框架,以ResNet50为主体特征提取网络改进内部残差结构,加强RPN网络提取多尺度特征图数据;然后,改进原有非极大值抑制算法,使用Soft-NMS算法对密集孔洞与缺陷特征分别进行标定分类;最后,进行对比试验将Faster-RCNN与改进多尺度算法比较。结果表明:改进多尺度Faster-RCNN对于工件孔洞特征与缺陷识别精度达到了92%,平均精确度较原算法提升了4.35%,能够同时鉴别工件孔洞特征与其附近缺陷,神经网络鲁棒适应性高。