关键词： 管道巡检   无人机视觉   三维重构   缺陷识别   图像处理  

摘要： 为克服传统巡检技术风险高、成效低、成本高的缺点,利用无人机搭载高清摄像头,获取过河管道巡检图像并进行预处理;采用深度学习、图像识别、特征点匹配与三维重构技术,可实现对管道缺陷及空间距离快速识别与精准测量,显著提升巡检效率和质量。

关键词： 交通标志检测   YOLOv5   重参数化   注意力机制   SLA  

摘要： 针对当前算法在面对交通标志时存在识别精度低、检测错误较多等问题,提出了一种基于YOLOv5优化的交通标志检测方法。在Backbone部分,为了获得不同大小的感受野,不同复杂度的特征,并增强特征图的重要特征,抑制冗余特征,使用DBB重参数模块代替Conv卷积,并加入SE注意力机制;在Neck部分,设计了新的SLA Neck,聚合来自不同层的特征图,有效防止小目标特征信息损失,对融合后的特征进行上采样,增加小目标检测层,增强浅层语义信息;在Head部分引入IoU-Aware查询选择,即将IoU分数引入分类分支的目标函数,预测框与GT的IoU作为类别预测的标签,以实现对正样本分类和定位的一致性约束;使用SIoU损失函数代替CIoU损失函数,考虑真实框与预测框之间的方向,提升收敛速度和推理能力。实验结果表明,在TT100K数据集下,方法相较于YOLOv5m,计算量减少了3.3%,参数量减少了34.8%,而mAP和mAP@50:95分别提升了13.8%和10.4%。实验说明,该模型在减少模型参数量及大小的同时提高了检测精度,具有应用价值。

关键词： 目标检测   注意力机制   轻量化   深度学习  

摘要： 针对零件(以轴承座为例)表面缺陷人工检测效率低、容易误检和漏检的问题,提出了一种基于YOLOv5的改进的检测算法。首先在主干网络中引入CA注意力机制,该机制将位置信息嵌入到了通道注意力中,有效提升了模型的检测性能。其次,将YOLOv5的定位损失函数由CIoU改为WIoU v3 loss,以提高预测框回归精度。接着用轻量级卷积方法GSConv代替原有的标准卷积,使网络模型计算量及参数量降低,以提升模型推理速度。实验结果表明,所改进算法与YOLOv5s原模型相比,参数量减少了6.1%,计算量减少了3%,平均检测精度提升了1.3%,检测速度提升了1.6%。

关键词： 霉变花生   机器视觉   HSV色彩空间   图像处理   双边滤波  

摘要： 花生霉变产生的黄曲霉毒素具有强致癌性,严重影响食品安全。为精准快速的识别霉变花生,提出一种基于机器视觉的霉变花生检测方法。首先对花生图像进行双边滤波降噪,然后将图像转为色调、饱和度、亮度(HSV)空间,通过在色调、饱和度空间内提取的霉变颜色范围叠加亮度空间的开运算处理结果来实现对霉变花生的识别检测。实验结果表明,该方法对于霉变花生的识别精度达到95.3%,处理单帧花生图像耗时为0.6s,通过与其它算法对比,该方法具有快速、准确率高等优点,可以满足霉变花生的实时检测,对花生霉变的分级处理也更加实用。

关键词： 松材线虫病   目标检测   轻量级网络NanoDet   注意力机制   无参注意力   迁移学习   数据增强   小尺寸  

摘要： 针对小尺寸松材线虫病受害木检测精度及检测效率低的问题,提出了一种融合深度网络和注意力机制的小尺寸松材线虫智能检测模型。采用无人机(UAV)搭载小型相机在220 m高度拍摄小尺寸松材线虫受害木图像,应用图像旋转、缩放、添加高斯噪声和模拟光照强度等数据处理方式扩充数据集,设计轻量级深度网络NanoDet和SimAM注意力模块融合模型NanoDet-SimAM对小尺寸松材线虫受害木进行精准检测。结果表明,该模型相较于Faster R-CNN、Yolov4、Yolov5s及NanoDet等检测网络模型,具有更高的检测精度、速度和稳定性。

关键词： 混凝土检测   目标检测   YOLOv5s   注意力机制   智能监管  

摘要： 为研发一种核心智能算法,以监管云平台系统,实现工程试验室检测过程的智能监管。以混凝土试块抗压试验为例,采用改进的YOLOv5s算法对试验室全程影像进行实时识别,确保混凝土试块全过程的无缝监控。通过建立YOLOv5s的混凝土试块目标检测模型,并在网络中添加SE通道注意力模块,该模型能够实时监测混凝土试块的位置和状态,应对实验室环境中的复杂情况,从而显著提升智能识别的准确性和鲁棒性。试验结果表明,改进的YOLOv5s算法在混凝土试块识别方面表现出色,各项性能指标得到显著提升。通过智能算法与云平台技术的结合,该研究为实验室检测活动提供了一种先进的监管解决方案,实现了检测全流程的智能监管。这一方法确保了检测结果的客观性和可靠性,为工程检测质量的智能监管提供了新途径。

关键词： 交通工程   道路停车   巡检方法   图像处理   无人机  

摘要： 快速准确的对城市道路停放车辆进行巡检对于城市智慧管理具有重要意义。针对当前巡检方法的低效率、高成本和不准确,研究了1种基于无人机图像的巡检方法。首先,为满足全天候巡检,采用光照度增强算法对暗光条件的图像进行增强,同时采用去模糊算法对模糊图像质量进行改善。针对YOLOv5现有算法检测精度不高,实时性不强等问题,改进网络为使模型收敛速度更快,采用Focal-EIOU Loss优化损失函数;为了可以更好的适应不同大小和形状的目标,采用C2F模块替代C3模块,使用不同大小的卷积核提取特征;为了提高网络的鲁棒性及抗干扰能力,通过添加SimAM注意力机制,不增加网络模块参数且能预测特征图的3D注意力权值;采用CARAFE算子进行上采样增加感受野,全面利用特征图的语义信息。实验结果表明:改进后YOLOv5模型的准确率提高了5.1%,召回率提高了5.9%,平均精度mAP值提高了3.6%。其次,采用字符识别网络SVTR对车牌号进行识别,仅通过单个视觉模型就能完成特征提取和文本转录2个任务。通过无人机场工程应用平台进行试验,试验结果表明:该巡检方法可以准确、快速且智能完成巡检,准确度达到90%,检测速度达到170帧/s,基本满足巡检精度和实时性要求。

关键词： 改进YOLOv8   目标检测   特征提取   起降飞行姿态   风险检测  

摘要： 飞机在执行飞行任务时,其起飞和降落两个阶段是整个飞行过程中最关键和最具挑战性的时刻之一,其起降飞行姿态的变化程度关系到整个飞机的安全性。为了降低飞机在起降过程的风险性,提出了一种基于改进YOLOv8的飞机起降飞行姿态的风险检测方法。该检测方法综合利用了CBAM注意力机制、GSConv轻量化卷积模块和HIOU准则函数等深度学习和目标检测技术,实现了对飞机机翼、起落架等关键结构部位的准确检测,以便利用识别到的飞行姿态特征参数来对飞机当前的安全状态进行分析和评估。经实验验证表明,该改进方法对于飞机起降阶段中的飞行姿态风险状况能够进行精准识别和检测,具有较高的可靠性。

关键词： YOLOv8   YOLOv8m模型   城市交通   目标检测   电动车头盔佩戴检测  

摘要： 在城市交通中,时常出现由于电动车骑行者未佩戴头盔引发的安全事故。佩戴头盔可以有效地避免或降低安全事故带来的损害。为了解决这一问题,提出了一种基于YOLOv8的电动车头盔佩戴检测方法。首先采集数据并对数据集进行手工标注,然后将标注好的数据集分别通过YOLOv8模型的4种模型进行训练,即YOLOv8n、YOLOv8s、YOLOv8m和YOLOv8l模型,从而得到最适合检测电动车头盔佩戴的模型。实验结果表明,相较于其他三种模型,YOLOv8m模型更适用于电动车头盔佩戴检测。

关键词： 矿井目标检测   YOLOv4   MobileNetv2   深度可分离卷积   注意力模块   特征融合   轻量化   主干网络  

摘要： 为解决在矿井环境中目标检测算法模型体积大、计算复杂度高以及模型轻量化后精度低的问题,提出了一种专为矿井环境设计的目标检测算法——YOLO-AM。该算法采用轻量化网络MobileNetv2作为主干网络,并使用深度可分离卷积来替代颈部网络中的3×3卷积,显著降低模型的计算量和参数量。这一设计使得算法更适应矿井中有限的计算资源和对实时性的需求。接着在主干网络的输出位置引入坐标注意力机制,增强输出特征中的有效信息。同时提出了一种浅层特征增强模块,在特征融合网络融合该模块用于增强浅层特征的语义信息,从而提高模型的检测精度。在公共数据集PASCALVOC上的试验结果表明,相比基准模型YOLOv4,YOLO-AM以降低7%检测精度的代价,减小了83%的参数量和86%的计算量,同时也提高了检测速度。