关键词： YOLOv8   多尺度检测   通道注意力机制   特征融合   深度可分离模块  

摘要： 针对无人机巡检输电线路过程中待检测目标受复杂背景干扰、故障目标部分遮挡以及目标多尺度造成传统算法难以准确检测的问题,提出一种基于CSD-YOLOv8的输电线路故障目标检测方法。首先,以YOLOv8网络作为基础框架,并在其主干网络中引入空间金字塔池化将不同尺度特征进行融合;然后,在检测网络头部中引入深度可分离卷积,并将其与交叉卷积连接模块结合,实现对部分遮挡目标的准确检测;此外,设计基于通道注意力机制的特征融合模块对不同层级特征进行加权融合,提高复杂背景下故障目标特征信息提取能力;最后,利用某电力巡检部门近5年的巡检数据对所提出算法进行验证。结果表明:相比于4种经典对比算法,所提方法在对12种故障类型检测效果的综合指标最好,平均检测精度为94.7%,召回率为93.0%。与此同时,所提算法具有较好的实时性,对于分辨率为1280×720的图像检测速度为45帧/s,为输电线路的智能巡检奠定了坚实的理论基础。

关键词： 目标检测   RevCol网络   YOLOv5   Dynamic head检测头   MPDIoU   烟火检测  

摘要： 现有的烟火检测方法主要依赖员工现场巡视,效率低且实时性差,因此,提出一种基于YOLOv5s的复杂场景下的高效烟火检测算法YOLOv5s-MRD(YOLOv5s-MPDIoU-RevCol-Dyhead)。首先,采用MPDIoU(Maximized Position-Dependent Intersection over Union)方法改进边框损失函数,以适应重叠或非重叠的边界框回归(BBR),从而提高BBR的准确性和效率;其次,利用可逆柱状结构RevCol(Reversible Column)网络模型思想重构YOLOv5s模型的主干网络,使它具有多柱状网络架构,并在模型的不同层之间加入可逆链接,从而最大限度地保持特征信息以提高网络的特征提取能力;最后,引入Dynamic head检测头,以统一尺度感知、空间感知和任务感知,从而在不额外增加计算开销的条件下显著提高目标检测头的准确性和有效性。实验结果表明:在DFS(Data of Fire and Smoke)数据集上,与原始YOLOv5s算法相比,所提算法的平均精度均值(mAP@0.5)提升了9.3%,预测准确率提升了6.6%,召回率提升了13.8%。可见,所提算法能满足当前烟火检测应用场景的要求。

关键词： 图像增强   高斯滤波   缺陷检测   轴承套圈  

摘要： 针对轴承套圈端面黑块缺陷检测中部分缺陷套圈轮廓提取困难、表面无关特征过多所导致的检测准确率较低的问题,基于图像处理提出了一种综合方法。首先对预处理后的图像进行改进高斯滤波图像增强以提高轴承套圈和背景的对比度,使用轮廓跟踪和最小二乘拟合确定套圈ROI位置信息,使用极坐标变换得到端面矩形图像,根据套圈成像特性消除矩形图像上的无关特征,采用双阈值对是否存在缺陷进行判定。实验表明,所提方法对缺陷轴承套圈检测准确率达到100.00%,综合检测准确率达到98.47%,同时具有较好的实时性。

关键词： 目标跟踪   交互式多模型   自适应   马尔可夫矩阵   无迹卡尔曼滤波  

摘要： 为解决传统交互式多模型(interactive multiple model, IMM)算法在车辆目标跟踪中存在模型概率变化不明显和跟踪精度不足问题,提出一种改进的自适应IMM-UKF(unscented Kalman filter)算法。首先采用匀速直线、匀加速直线和匀速转弯来建立车辆的运动模型,并通过无迹卡尔曼滤波对车辆目标进行跟踪。然后将子模型概率变化率作为IMM算法修正参数,对马尔可夫矩阵主对角线和非主对角线元素采用不同的修正策略。最后设置判定窗修正归一化后的马尔可夫矩阵主对角线元素,以扩大匹配模型的概率。结果表明,改进算法模型概率变化更加明显,位置和速度均方根误差均要小于原有算法,有效地提高了跟踪精度。

关键词： YOLOv7   深度学习   输电线路缺陷检测   小目标检测   多尺度融合   Swin Transformer   β-dropout   自适应特征融合   损失函数  

摘要： 针对在复杂背景下输电线路多尺度缺陷目标检测精度较低的问题,文中提出一种基于改进YOLOv7(You Only Look Once version 7)的输电线路多类缺陷目标检测模型。对于复杂背景造成缺陷目标较低的问题,在Backbone部分引入改进的Swin Transformer模块,通过使用多头注意力机制提升对全局特征的提取效果来提高模型的检测精度。对于待检测目标的多尺度特性,在特征金字塔基础上引入自适应特征融合模块,提升了Neck部分特征融合网络对多类不同尺度缺陷目标的检测能力。使用SIoU(Structured Intersection over Union)损失函数在提高预测框回归精度的同时加快了模型的收敛。实验结果表明,相较于YOLOv5、YOLOv7和Faster R-CNN(Faster Region with Convolutional Neural Network)模型,改进YOLOv7模型具有较高的检测精度,其平均检测精度可达96.4%,检测速度为29.6 frame·s^(-1),能够为输电线路多类缺陷目标检测提供参考。

关键词： YOLO算法   目标检测   残差网络   特征分析   身份识别与跟踪  

摘要： 针对群组互动中单点追踪的难题,尤其是人物间遮挡及追踪目标失踪的问题,本研究开发了一种将个体目标检测与身份辨识相结合的图像追踪策略,旨在提高追踪系统的稳定性和目标遮挡后的快速恢复能力。本研究采用YOLO算法快速筛选潜在追踪目标,因其高效且精准,在图像目标侦测中广受推崇。随后,研究利用预训练的深度残差网络(ResNet)对候选目标进行特征分析,ResNet能捕获丰富且深层次的特征,对身份辨识至关重要。此追踪策略结合YOLO的高效筛选和ResNet的深度特征分析,显著提升了追踪系统在处理目标遮挡和丢失时的恢复效率。该研究为智能监控、公共安全等领域提供了新技术方案,有望推动相关技术的进一步发展和应用。

关键词： 水下目标检测   SimAM注意力机制   可变形卷积   WIoU  

摘要： 目的针对水下环境复杂,水下目标因光线折射导致的目标边界模糊或外观、形状可能会发生非刚性形变,使水下目标检测困难的问题,提出了一种基于SimAM注意力机制的DCN-YOLOv5水下目标检测方法。方法首先,采用YOLOv5所使用的双向金字塔网络(BiFPN,Bi-directional Feature Pyramid Network)在多个尺度上提取和融合特征信息,从而提高目标辨别的准确度;其次,针对水下目标的外观、形状变化问题,将C3模块中的CBS模块结合可变形卷积(DCN,Deformable Convolution Network),提出DBS模块并组成D3模块替换部分C3模块,以适应水下目标的外观、形状变化;同时,融入加权注意力机制(SimAM),自适应地调节模型的关注度,进一步在复杂场景下增强特征表达能力;最后,考虑目标边界模糊,为改善目标定位精度,采用WIoU(Wise-IoU)损失函数来替换交叉熵损失,能够更好地适应不同目标类型和尺寸的特点,提高算法鲁棒性。结果实验结果表明:DCN-YOLOv5可以达到87.57%的平均精度(mAP),检测效果优于YOLOv5网络和其他经典网络,平均每张图像的识别时间仅为24.5 ms。结论通过实验结果可以证明模型在检测精度明显提升的同时兼顾检测的实时性,对水下目标检测用于实际用途有着一定的参考价值。

关键词： 印刷品缺陷检测   深度学习   异常检测   目标检测  

摘要： 印刷品缺陷检测通过分析纹理特征、颜色特征及形状特征确定缺陷的类别和位置,是印刷品质量管控的重要手段。本文针对现有印刷品缺陷检测方法进行综述。首先,回顾了传统印刷检测方法的原理和国内外应用现状,分析当前检测的特点和局限性;然后,重点探讨基于深度学习的印刷品缺陷检测方法,并对比了各方法的优缺点及适用场景;最后,总结了现阶段深度学习检测技术在印刷领域的局限性,并对该检测方法未来发展趋势进行展望。

关键词： 遥感图像   目标检测   Vovnet   上下文信息融合   自注意力  

摘要： 针对遥感图像目标检测面临目标分布密集、背景复杂、小目标众多等问题,在Vovnet算法的基础上进行改进,在特征提取主干网络中加入CoT全局特征提取模块,协同跨视角的特征提取,在多个尺度上保留了感受野的视角信息,以结合不同尺度目标的上下文信息并增强视觉表示;同时在FPN的基础上设计了上下文信息融合模块MSSFPN,建立在深层特征图上,在尺度维度对图像特征进行融合以增强目标的特征表示;引入深度超参数化卷积层进行预测,对每个通道的特征图使用独立的权重,使网络适应不同尺度所提取的图像特征,以提高检测精度。改进的算法在公开的Visdrone数据集中的目标检测平均精度均值(mAP)相较于原始Vovnet算法提升6.80个百分点,同样优于其他目标检测算法。实验结果进一步验证了所改进算法在遥感图像目标检测方面的高精度和有效性。

关键词： 路面裂缝   ROS   裂缝修复   图像处理  

摘要： 针对公路路面养护作业自动化程度低、人工养护作业耗时长、人力成本高等问题,本文基于机器人操作系统Robot Operating System(ROS),以Jetson Nano为核心搭建路面裂缝修复机器人模型,基于图像处理算法实现了路面裂缝识别,采用机械臂加末端装置的结构搭建了路面修复装置,并进行了机器人性能测试,可初步实现设计的功能,为下一步深入研究路面裂缝识别与修复提供了基础。