关键词： YOLO   目标检测   危险机械   输电线路   智能识别  

摘要： 为了实现输电线路上危险施工机械(挖掘机、推土机和打桩机)的智能识别,该文提出了一种改进的YOLOv7算法。通过爬虫获取复杂条件下的危险施工机械图像并建立数据集,结合Mixup和Mosaic等多种图像增强方法预处理数据集。采用K-means++算法改进YOLOv7,提高算法的识别效率。实验结果证明,K-means++算法提高了YOLOv7的模型收敛速度;所提出算法能有效进行危险施工机械的识别,识别效果优于YOLOv7,准确率提高了3.70%。

关键词： 计算机视觉   图像去雾   扩散模型   傅里叶滤波器  

摘要： 当前图像去雾算法研究主要聚焦于构建结构精巧的神经网络,利用扩散模型以生成式方法进行图像去雾的研究比较匮乏,且扩散模型与频域分析结合的研究也相对较少,这导致许多算法在面对真实有雾图像时去雾效果不佳。针对上述问题,本文基于分数匹配扩散模型IR-SDE提出了一种图像去雾方法Firs-Net。该方法利用扩散模型强大的图像生成能力,通过迭代式的方式从有雾图像逐渐恢复清晰无雾图像。Firs-Net中引入了傅里叶特征融合模块,该模块可在不增加参数量且无需微调神经网络的前提下,帮助扩散模型更好地从频域角度分析并融合特征。实验结果表明,Firs-Net在真实有雾数据集上的主观视觉和客观指标都表现优异,其中,在真实非均匀雾气数据集NH-HAZE中的PSNR达到21.91,在真实浓雾数据集Dense-HAZE中的PSNR达到17.40,分别比次优方法领先13.94%和5.52%。

关键词： 目标检测   YOLOLW   轻量化模型   注意力机制   FPN  

摘要： 要满足日益增长的实时移动目标检测部署需求,目前的YOLO骨干网络仍存在许多不足。为此,本文提出基于锚框的轻量级目标检测模型YOLOLW。首先,它包含一个新颖的轻量级解耦头,以增强对分类和回归任务的关注,提高模型的准确性;其次,它设计一个轻量化和重参数化的网络结构,在保持其轻量化特性的同时,实现优异的检测精度;再次,通过动态卷积和跨层次关联有效整合浅层特征,增强特征金字塔结构(FPN);最后,引入空间注意机制和通道注意机制,显著提高了模型的准确性。实验结果验证了该模型的有效性。

关键词： 安全防卫   多尺度目标检测   YOLOv7-tiny   OBM   AC-BiFPN  

摘要： 针对区域安全防卫时,远距离入侵目标成像像素少,纹理信息不足以及在目标持续接近过程中的大尺度变换导致的模型误检、漏检问题,本文提出一种基于YOLOv7-tiny算法改进的多尺度运动目标检测算法。首先,提出一种新的OBM模块用于特征提取网络,利用多维注意力机制提高网络的特征提取能力;其次,采用改进的AC-BiFPN双向特征融合策略,将进行自适应加权融合后的多层次特征传给ACmix注意力机制,以提升模型对多尺度目标的感知能力;最后,优化模型的损失函数,对预测框与真实框之间的区域加权,减少模型预测偏差。模型在自制的监控行人车辆数据集上进行实验,结果表明,相较于原始的YOLOv7-tiny模型,改进后的YOLOv7-tiny模型改善了远距离监测时行人车辆的误检漏检问题,检测精确度提高了3.96个百分点,平均检测精度(mAP@0.5:0.95)提高了2.22个百分点,在边缘GPU上实时帧率达到32.7 fps,满足实际使用需求。

关键词： 智慧园区   应急疏散   人车混杂   动态目标检测   改进YOLOv5  

摘要： 在城市安全背景下,人车密集的智慧园区安全问题日益引起关注。实时检测进入园区内的人员、车辆,可以为应急情景下制定园区内人车的合理疏散策略提供重要的数据参考。为解决当前目标检测在应急事件发生时的环境复杂、目标密集、遮挡等导致的精度问题,以及模型计算量导致的快速性问题,提出了一种基于改进轻量级YOLOv5的人车混杂目标检测算法。在原始YOLOv5模型的基础上,将骨干网中的结构空间金字塔池化(spatial pyramid pooling-fast,SPPF)改进为SimSPPF,保持并改善模型实时性。在中尺度层增加一条额外的边,引入通道注意力模块(coordinate attention,CA),使得模型在检测人车混杂的场景中的准确度得到提高。实验结果表明,相较于YOLOv5s,该算法在保持检测速度在142帧/s的同时,精度上提高了2.1%,满足了智慧园区对于人、车混杂动态检测的准确性与实时性需求。

关键词： 学生课堂行为   YOLOv5s   深度学习   目标检测   轻量化  

摘要： 针对目前学生课堂行为检测算法准确性和模型复杂度的挑战,提出一种基于CBW-YOLOv5s(CA-BiFPNWIoU)的轻量化学生课堂行为识别算法。从整体上采用了GhostNet轻量化结构,旨在保证检测性能的同时,精简网络结构,从而大幅降低模型复杂度;BiFPN取代原模型的PANet,以增强模型对课堂行为特征的提取和融合能力;在一些C3模块中引入CA注意力机制,使网络能够更好地关注特征层的空间和通道信息;采用Wise-IoU损失函数以提升模型性能。实验结果表明,这些方法有效简化了模型复杂度,并保持了较高的检测精度。

关键词： YOLOv5   地下排水管道   缺陷识别   注意力机制   目标检测  

摘要： 城市地下管网系统作为保障城市排涝安全的重要市政基础设施,在长期超负荷运行过程中普遍存在着诸多病害问题;传统检测技术CCTV依赖专业人员的专业技术以及先验经验,因此为实现自动化的城市地下管网缺陷病害,一种城市管网缺陷病害检测算法被提出并成功运用于实际工程中;采用自适应CA注意力机制,有效弱化复杂背景的负面影响;缺陷分类与回归的解耦关键方法,使得检测部分充分利用缺陷纹理和边缘信息,从而提高小尺寸缺陷的精度;SIoU损失函数的运用为算法引入角度项权衡,有效加快收敛速度;经实验测试得到71.1%的平均精确度,较原始算法提高5.3%,并满足了实际工程上的应用。

关键词： 图像处理   颗粒级配   均值抽样   颗粒费雷特直径  

摘要： 颗粒级配是影响路基填料力学性质的关键参数之一,传统筛分法因筛孔直径间隔大难以精细、快速地确定砂土粒组,为此,提出一种基于图像扫描与均值抽样技术的砂土颗粒级配估算新方法。通过基于扫描电镜SEM与图像处理软件ImageJ联合测试技术确定了颗粒形态几何参数,讨论了不规则颗粒在投影图像轮廓上任意两个平行切线之间的距离即费雷特直径(Feret diameter)作为理想球体等效直径的差异性,建立了单个砂土颗粒等效面积及体积方程;基于砂土颗粒相对密度随粒径减小而逐渐增大的一般规律,拟合得到了砂土颗粒粒径与相对密度之间的负幂函数模型,建立单个砂土颗粒的质量与粒径的函数表达式。最后通过筛分法考察了砂土颗粒级配算术平均值法、均值抽样法的准确性,结果表明:ImageJ图像处理技术识别毫米级及以下砂土颗粒的相对误差依赖于颗粒粒径与标尺长度之间的差距,即当颗粒粒径小于标尺长度时,二者差距越大测量精度越低;当颗粒粒径接近或超过标尺长度时,测量精度较高且较稳定;算术平均值法表现出较强的随机性,不宜作为砂土颗粒级配参数的确定依据;均值抽样法以短径获得的砂土颗粒级配曲线与筛分法结果最为吻合,可用于估算砂土颗粒级配参数,其次是平均径、长径。新方法能够对砂土粒组进行任意划分,获得相对准确的级配参数,结果可靠、操作便捷。

关键词： 稻种分类   稻种识别   机器学习   深度学习   图像处理   特征提取  

摘要： 通过概述图像采集的2种方式,即RGB图像和光谱图像的获取,探讨图像预处理技术,包括图像去噪、增强及分割等步骤。在特征提取方面采用主成分分析(PCA)和线性判别分析(LDA)方法,能高效提取稻种的颜色、纹理和形状特征;探讨了机器学习和深度学习在稻种光谱图像及RGB图像处理中的实践应用,以及深度学习模型在稻种识别分类的性能优化和改进方法。研究发现,机器视觉技术在稻种识别领域展现出高效与准确性,未来可以期待开发出低成本的图像采集平台和更为轻量级的稻种识别软件,推动稻种数据共享,并持续探索新兴的深度学习技术,进一步优化稻种识别的效果。

关键词： 无人机   LK光流法   运动补偿   运动目标检测   目标跟踪  

摘要： 针对无人机视角下拍摄物体尺寸小、外观模糊,以及无人机平台自身存在运动等问题,基于无人机航拍视频的运动目标检测与跟踪仍具有很大的挑战性。提出了基于改进LK光流法的运动目标检测与跟踪算法,利用卡尔曼滤波算法进行目标跟踪;针对传统LK光流法在动态环境下效果不佳的问题,引入语义分割线程筛选动态点和静态点,通过筛选后的静态点求解单应矩阵完成无人机的运动补偿、计算动态点的光流值获得光流点以降低误匹配率,最后通过聚类算法和形态学运算得到完整的运动目标;将所提的重识别模块引入卡尔曼滤波算法实现目标跟踪。实验结果验证了所设计的运动目标检测与跟踪算法在无人机视角下能够实时、准确地提取出运动目标,并持续稳定地跟踪目标。