关键词： 遥感影像   神经网络架构搜索   目标检测   特征分离卷积   最大熵   多尺度熵   渐进式进化  

摘要： 针对传统神经网络架构搜索需要耗费大量时间用于超网训练,搜索效率较低,搜索得到的模型无法高效解决遥感影像中多尺度目标检测困难、背景复杂度高的问题,本文提出采用多尺度熵神经网络架构搜索的方法进行遥感影像目标检测。首先,在搜索空间的基础模块中加入特征分离卷积以代替残差模块中的常规卷积,减少遥感影像中由于背景复杂度高而造成的信息间干扰,提高网络模型在复杂背景下的检测性能;然后,引入最大熵原理,计算搜索空间中每个候选网络的多尺度熵,将多尺度熵与特征金字塔网络相结合,以兼顾遥感影像大、中、小目标的检测;最后,在不进行参数训练的情况下利用渐进式进化算法搜索得到多尺度熵最大的网络模型用于目标检测任务,在保证模型检测精度的同时,提升网络搜索效率。本文方法在RSOD、DIOR和DOTA数据集上的平均检测精度均值分别达到93.1%、75.5%和73.6%,网络搜索时间为8.1 h。试验结果表明,与当前基准方法相比,本文方法能够显著提升网络的搜索效率,在目标检测任务中更好地结合了不同尺度下的特征并解决了影像背景复杂度高的问题。

关键词： 目标检测   雷视融合   SAF-FCOS网络   多尺度融合   LNblock_GAM  

摘要： 针对雷视特征融合目标检测网络难以有效利用雷达点云信息和图像特征,在恶劣天气环境下,仍然容易出现误检、漏检的问题,提出了一种改进SAF-FCOS雷视融合目标检测网络。对SAF-FCOS的骨干网络结构进行改进,在C3、C4特征层进行雷达特征信息的多尺度融合,使网络模型更充分地利用雷达信息;在检测层前使用改进的LNblock模块——LNblcok_GAM,能够以较低的计算成本提取图像特征的同时提高网络的检测性能;在回归损失方面,使用基于EIOU与GIOU改进的CEIOU替换原网络中的GIOU,提高了网络的检测精度,提升了模型的鲁棒性。在NuScenes数据集上,改进网络的mAP_(0.5:0.95)达到了70.7%,AP_(50)达到了90.5%,比原网络SAF-FCOS分别提高了1.7个百分点和0.9个百分点,漏检、误检的情况得到了有效改善,同时,该改进网络的总体检测效果要优于其他经典的纯视觉目标检测算法。

关键词： 工厂阀室   注意力机制   可变形卷积   边缘设备  

摘要： 在工厂阀室内,安全问题一直是一项关注的重点,为了防止工厂阀室内员工未佩戴安全帽、阀室内抽烟、打电话分心等异常行为对工厂设备和员工造成伤害,目标检测技术常常被应用于工业安全场景下进行员工异常行为的识别,从而保证工业生产安全进行。目标检测技术作为工业安全监控的核心组成部分,其在真实场景下应用、算法识别性能尤为关键。为了进一步研究应用于工业生产安全领域的人体异常行为识别算法,本文进行了如下工作:(1) 本文提出了一个近两万张工厂阀室背景下的数据集,数据集共2万多张真实工厂阀室下的监控拍摄图片。将其按照训练集(验证集)和测试集按照4:1的比例进行划分。为了数据集的实用性,对风险等级最高的8种异常行为以及三种安全行为进行数据标注形成了11类标签的USDA数据集,并且为了提高模型的鲁棒性,还对USDA数据集进行数据增强扩充,使其更具有在真实场景下应用的实用性。(2) 本文提出了改进的SD-YOLOv7模型进行异常行为的识别。在该模型中,首先在核心网络Backbone内集成了Squeeze-and-Excitation Networks (SENet)的注意力机制。其中,SENet引入了一个创新的特征重标定方法,它能够自动学习并分配各个特征通道的权重,从而提高关键特征通道的权重值,通过自学习的方式自动获取每个特征通道的权重,增大目标重要特征通道的权重值,同时加入可变形卷积DCNv4来替换传统卷积,以更好地捕捉各种角度和姿态的目标以加强SD-YOLOv7模型在工厂监控下在不同角度下的目标检测能力,此外还提出了一种符合工厂阀室场景特征的加权损失函数FA loss。本模型在自建的2万多张图像数据集下与传统YOLOv7、YOLOv9等模型做了对比实验。结果表明本模型在召回率、平均精确率(mAP)比传统YOLOv7、YOLOv9等模型有较大提升,改进后的SD-YOLOv7算法在增加较少复杂度的情况下明显提升了算法的性能。此外,该模型已经成功部署在边缘设备上,可以成功地为合作单位进行实时检测。本研究为工业安全监控领域提供了一个高度实用的数据集和一种高效的目标检测模型,未来将探索在更多实际工业场景中的应用。

关键词： 缺陷检测   焊缝   深度学习   目标检测   轻量化  

摘要： 针对当前深度学习模型在焊缝缺陷检测工作中成本高、速度慢、不易在终端部署应用等问题,提出一种效果良好的轻量级高效模型(lightweight and high-precision optimized detection model,LHODM).首先,搭建新型主干网络并设计超轻量卷积ULConv作为网络基础卷积,降低模型深度,用Depthwise操作生成更多有效冗余特征映射,减少参数与运算量.其次,设计高效轻量级专注模块ELCC,在响应模型轻量化前提下,考虑焊缝缺陷分布特性与成像规律,从水平和垂直两个方向捕获孤立区域关系,结合轻量级上采样算子CARAFE,使模型特征重组时具有更大的感受野,更有效地利用环境周围信息,弥补轻量化造成的精度损失.最后,为提高收敛速度和损失函数效率,设计OS-Io U损失函数,考虑期望回归向量之间的夹角,重新定义惩罚项及相关性,强化距离损失和形状损失关注程度.结果表明,LHODM模型检测准确率和检测速度达到91.62%和63.47帧/s,参数量仅为3.99 M,有效解决了焊缝缺陷检测工作中成本高和速度慢的问题.

关键词： MATLAB   茅型瓶   裂纹缺陷   Hough变换  

摘要： 茅型瓶是一种乳白色仿瓷玻璃瓶,具有较好的热稳定性、密闭性和遮光性,是茅台酒常用的包装材料,存在缺陷的酒瓶会出现酒渗漏、酒体挥发、酒体变质等。裂纹缺陷是常见的茅型瓶缺陷,利用MATLAB图像处理技术对茅型瓶裂纹缺陷进行识别,首先对缺陷图像进行灰度化、去噪、边缘检测等预处理,然后使用Hough变换法对预处理的缺陷图像进行识别,采用不同的裂纹缺陷图像进行验证。结果表明,霍夫变换能够检测不同形状和位置的茅型瓶裂纹缺陷,识别效果较好。

关键词： 目标检测   深度学习   云边协同   算法模型   进度采集   预警模型   协同分析  

摘要： 基于目标检测优化的深度学习算法,研发了一套基于云边协同的工程施工进度智能全时空监控软件。该套软件包括边缘进度采集装置和云端进度智能监控软件后台。施工现场部署边缘进度采集装置,装置内构建了精细化训练网络算法模型,选取38类关键识别对象,建立了输变电工程现场基建的构建筑物样本库,工程进度识别准确率提升达到96%以上。同时,边缘进度采集装置将进度数据实时上传汇聚至云端的进度智能监控软件后台,后台整合现场班组人员、设备资源投入等全要素信息,建立工程进度风险分级预警模型,通过识别出的多维数据的协同分析,实现基建现场进度精准预警掌控,解决了输变电工程的进度管控困难问题。

关键词： 人工智能   景观设计   图像处理   设计辅助  

摘要： 随着2023年年初,CHATGPT在国内逐渐掀起一股人工智能(AI)热潮,似乎标志着人类科技发展出现了一个新的转折点,日常生活即将面临着翻天覆地的变革,也开始席卷到景观设计等行业当中。文中简要概述了目前景观行业可以运用的人工智能技术及其操作方法,着重介绍了Stable Diffusion和CHATGPT两种不同类型平台分别在景观项目图像处理和文字处理方面的利与弊,并展望了人工智能技术在设计行业的巨大潜能。

关键词： 计算机图像处理   循环神经网络   识别系统   医学诊断   图像序列   图像数据集   瞳孔大小   眼球运动  

摘要： 本研究旨在开发一种基于计算机图像处理的人眼变化识别系统,以实现快速、准确地监测和分析人眼的变化情况。文章提出了一种综合利用深度学习技术的方法,包括卷积神经网络(CNN)和循环神经网络(RNN),用于从连续的眼部图像序列中提取特征信息。通过采用大规模眼部图像数据集进行训练和验证,系统能够识别多种不同类型的人眼变化,如瞳孔大小、眼睛颜色、眼球运动等。实验结果表明,该方法在准确性和速度方面明显优于传统方法,为眼部健康监测和医学诊断提供了可行的解决方案。

关键词： 大米外观品质   目标检测   空间金字塔池化   路径聚合网络   注意力机制  

摘要： 针对现有的大米外观品质检测方法存在识别准确率较低的问题,本研究提出一种结合高效通道注意力机制(Efficient Channel Attention,ECA)的改进CenterNet模型(SEP-CenterNet)用于大米外观品质检测。首先,使用图像采集设备获取碎米、整米和黄米图像,为防止由于数据集较小出现过拟合现状,对图像进行旋转、翻转等方式扩充数据集;然后将引入空间金字塔池化(Spatial Pyramid Pooling,SPP)的GhostNet作为CenterNet的骨干网络,用于提取大米的多层次特征,并使用基于ECA注意力机制的路径聚合网络(EPANet)进行语义特征融合。实验结果表明,改进后的CenterNet模型的对碎米、黄米和整米的检测准确率分别达到97.02%、96.73%、98.14%,mAP值较原始CenterNet提升了5.84%,识别准确率均高于SSD、Faster-RCNN、Retinanet、YOLOV4、YOLOV4-tiny和YOLOV5等模型,同时对比基于提取形态特征和傅里叶系数的传统大米检测方法,本文模型准确率更高,且具有较好的泛化性。

关键词： 目标检测   轻量级   GhostNet   知识蒸馏   密集空洞空间金字塔池化  

摘要： 针对现有交通信号灯检测算法计算量和模型大,嵌入式端部署难,且对远距离交通信号灯的检测难度大,漏检率高等问题,设计了一种面向嵌入式端的轻量级交通信号灯检测算法,针对轻量化和实时性要求,采用GhostNet网络Ghost模块和Ghost瓶颈层结构,减少了模型参数量,提升了检测速度;针对特征相似问题,采用加权双向特征金字塔网络结构,使得算法对目标更敏感;使用密集空洞空间金字塔池化,优化全局上下文信息的提取;针对小目标识别问题,通过多尺度检测的改进,增强对小目标的信息提取;通过知识蒸馏,提升模型学习能力,进而提高检测性能。实验结果表明,该检测算法对交通信号灯的识别精度达到了97.0%,召回率达到了99%,较YOLOv5s算法分别提高了2.7和3个百分点,模型大小减小到8.06 MB,是YOLOv5s的58%,识别速率从51帧每秒提升到56帧每秒,通过在嵌入式端的测试,改进后算法对远距离下的交通信号灯能够实时准确地识别。