关键词： 表计   深度学习   图像处理   数值识别  

摘要： 针对传统火电厂的巡检工作,本文着重介绍了巡检机器人搭载摄像头对不同类型表计的读数和报警功能。采用深度学习技术识别不同类型的表计,根据表计类型采用不同的图像处理技术进行数值识别,最后根据识别的信息进行报警或者干预,满足了传统火电厂对管理运维以及生产效率的要求,提高了火电厂的智能化水平。

关键词： 目标检测   关键点检测   人员定位   深度学习   增强现实  

摘要： 针对目前基于预测框的定位方法受人体姿态影响较大的问题,提出了一种基于人体关键点的巡检人员精准定位方法。首先采用YOLOX(you only look once X)目标检测算法检测出图像中的人员目标;其次,利用改进的人体姿态估计网络获取人体脚部关键点及其像素坐标,并计算出两脚连线中点的像素坐标作为其在图像中的位置;最后,建立二维图像坐标系至三维世界坐标系的映射模型,定位目标在世界坐标系下的精准坐标位置。测试结果表明,所提方法受人体姿态影响较小,其定位精度明显优于基于目标检测框的定位算法。所提算法的欧氏距离平均定位误差、最大误差、标准方差和相对误差分别为13.69 cm、20.21 cm、2.44 cm和1.22%,具有较高的人员定位精度,可广泛应用于电网巡检、运维安全风险管控等电网业务对人员定位精度要求较高的场所。

关键词： YOLOv8算法   无人机   目标检测   智能巡检  

摘要： 传统的目标检测算法在无人机应用中面临一些挑战,如高空拍摄环境下的目标过小导致特征不明显、模糊和视角变化等。为克服这些困难,提出了一种基于深度学习的小目标检测算法。该算法基于YOLOv8模型深度改造,以提高在高空环境下对小目标的检测准确性和稳定性。在真实的露天采矿场景中进行了大量的实验和测试,并与传统的目标检测方法进行了比较。实验结果表明,所提算法在30~100 m高空范围内能够有效地检测出矿区中的目标,如人员和车辆。通过应用所提算法和技术,结合无人机的灵活性和机动性,矿区的巡检工作效率得到极大提升,并为危险或难以到达的区域提供了重要的安全保障。

关键词： 无监督   开放世界   增量学习   目标检测  

摘要： 开放世界目标检测(OWOD)将目标检测问题推广到更为复杂的现实动态场景,要求系统能够识别图像中所有已知和未知目标的类别,并且具有根据新引入知识进行增量学习的能力。然而,当前的开放世界目标检测方法通常将高对象分数的区域标记为未知对象,且在很大程度上依赖于已知对象的监督。尽管这些方法能够检测出与已知对象相似的未知对象,但存在严重的标签偏差问题,即倾向于将与已知对象不相似的所有区域都视为背景的一部分。为解决此问题,该文首先提出了一种基于视觉大模型的无监督区域提议生成方法,以提高模型检测未知对象的能力;然后,针对模型训练过程中,感兴趣区域(ROI)分类阶段对新类别的敏感性会影响区域提议网络(RPN)在提议生成阶段的泛化性能,提出了解耦RPN区域提议生成和ROI分类的联合训练方法,以提高模型解决标签偏差问题的能力。实验结果表明:所提方法在MS-COCO数据集上检测未知对象的性能取得了巨大的提升,未知类别的召回率是SOTA方法的2倍以上,达到了52.1%,同时在检测已知对象类别方面也保持了竞争性;在推理速度方面,该文模型使用纯卷积神经网络构建,而不是使用密集注意力机制,帧率比基于可变形的DETR方法多8.18 f/s。

关键词： 电子纸技术   图像再现   颜色特性   误差扩散  

摘要： 四色电子纸再现彩色图像会损失细节,不同算法再现效果不同。基于色差最小和误差扩散,优化设计了两种图像再现算法,以3幅图为对象,获取了相应的黑、白、红、黄四色电子纸图像。研究结果表明,优化的误差扩散法能保留更多图像细节、呈现更好的视觉效果。

关键词： 动态环境   目标检测   几何约束   稠密建图  

摘要： 针对同步定位与建图(Simultaneous Localization and Mapping,SLAM)算法在动态场景中存在定位精度低且无法生成稠密地图的问题,提出一种基于动态区域剔除与稠密建图的视觉SLAM算法。在原ORB-SLAM3算法的基础上新建动态特征点检测线程,使用YOLOX网络获取动态场景语义信息及物体检测框,同时结合语义和几何约束检测特征点运动状态,提出动态特征点剔除算法,旨在精准实现动态特征点的剔除。随后设计稠密建图线程,基于关键帧及相应位姿构建稠密点云地图,利用地图中剩余的静态特征点,去除动态物体造成的重影,实现稠密地图的构建。在公开TUM数据集和真实动态环境进行验证,在TUM数据集的动态环境下,新算法有效消除了动态物体对位姿估计的影响,提升了SLAM算法在动态场景中的定位与建图的鲁棒性。

关键词： 深度学习   目标检测   YOLOv5s   漂浮垃圾   特征融合   双层路由注意力机制   损失函数  

摘要： 针对漂浮垃圾检测存在小目标特征丢失引起的漏检误检和模型过于复杂导致部署困难的问题,提出一种基于改进YOLOv5s的目标检测算法YOLOv5s-PBW。采用改进的PB-FPN特征融合结构,在不影响检测精度的情况下,降低模型的复杂度;引入双层路由注意力机制(BRA),关注关键信息,提高对小目标特征的提取能力;使用Wise-IoU边框损失函数,专注于训练普通质量的锚框,提高模型的泛化能力。实验结果表明,改进后的模型相比原始YOLOv5s算法,参数量减少了62%,权重文件减少了61%,mAP@0.5提高了1.2%,适合无人水面船的漂浮垃圾实时检测。

关键词： YOLOv5s   目标检测   注意力机制   损失函数   行人检测  

摘要： 为了提高图像目标检测的准确率,提出一种结合注意力机制的YOLOv5s目标检测算法。首先,针对局部遮挡以及小目标难以检测的问题,在YOLOv5s主干网络中引入注意力机制以提高目标检测算法对重要区域的特征提取能力;然后,为降低模型复杂度并加快网络收敛速度,使用SIoU损失函数替换YOLOv5s原有损失函数CIoU;最后,利用改进模型与人群检测算法进行对比试验,分析模型行人检测能力。在VOC2007数据集上的对比实验表明,改进后的YOLOv5s目标检测算法平均准确率达到了70.5%,有效改善了复杂背景下的行人检测效果,同时实现了网络的轻量化。

关键词： 图像处理   颜色一致性   跨相机应用   RAW图像   光源感知  

摘要： 针对相机传感器光谱灵敏度和内置图像信号处理(ISP)模块差异导致的图像间颜色不一致的问题,提出2种基于光源感知的跨相机颜色一致性算法,即色温(CCT)感知的自适应分区映射算法和类别感知的自适应分类映射算法,用于将RAW图像从待处理相机的颜色空间转换到目标相机的颜色空间.通过在不同色温和类型的典型光源下得到的训练算子来推导目标场景最终的映射算子,为不同照明场景建立特定的映射关系,进而实现跨相机图像的转换.在实验中采用颜色差异指标来对算法进行客观评估,结果表明所提出的2种算法在色差和视觉效果方面均比现有经典方法展现出更好的性能,能够有效适应照明条件的多样性和复杂性,具有广泛的应用潜力.

关键词： 低照度   YOLOv8   注意力机制   损失函数   轻量化网络  

摘要： 针对低照度场景下目标检测算法面临的检测精度不高、计算成本以及内存消耗大等问题,提出一种改进YOLOv8的轻量级低光照目标检测网络模型CDD-YOLO。提出一个基于坐标注意力机制的多尺度卷积模块,提取不同感受野纹理特征并捕获空间位置之间的远程依赖关系;将动态头部框架集成到检测头中,减少复杂背景和尺度变化的干扰;基于动态非单调聚焦机制设计边界框回归损失函数,提升锚框回归路径和质量,提高模型对光照变化和噪声的适应能力;通过剪枝算法修剪模型中的冗余参数,实现模型轻量化。采用自建数据集、ExDark和VOC数据集进行实验验证,实验结果表明该方法与主流算法相比具有更好的检测效果,在计算复杂度与检测精度之间实现了更好的平衡。