关键词： 个人防护装备   检测   计算机视觉   深度学习   传感器  

摘要： 为了分析和总结个人防护装备(PPE)检测技术的发展及其在工地安全管理中的应用,探索传感器和深度学习在检测中的作用与成效,作者采用文献调研与数据分析相结合的方法,基于Citespace系统梳理了近年来PPE检测领域的技术进展。通过比较基于传感器的检测方法与深度学习算法(包括One-stage和Two-stage)的优缺点,全面评估了这些技术在PPE检测中的实际应用效果。结果表明,深度学习技术能够显著提升PPE检测的准确性与效率,尤其在复杂场景和小目标检测中表现突出。然而,当前检测技术在数据集多样性、设备稳定性和小目标检测等方面仍存在挑战。未来需要进一步优化多模态检测技术,并结合5G与边缘计算等新兴技术,以实现更高效、精准的PPE检测与应用。

关键词： 遗弃物检测   智能视频监控   目标跟踪   区域关联分析  

摘要： 目前的遗弃物检测算法往往有较差的灵活性和可扩展性,针对该问题,同时为满足实时性要求,提出一种基于多目标跟踪的遗弃物检测算法。算法将遗弃物检测分为三个阶段:检测阶段、跟踪阶段和关联性分析阶段。使用检测器以提取感兴趣的目标位置,然后对其跟踪以及对目标关联性和静止性进行分析,以达到遗弃物检测的目的。该算法在AVSS AB2007数据集上进行了验证,平均准确率达到95.87%,同时满足实时性检测的要求,具有较好的鲁棒性和灵活性。

关键词： 计算机视觉   水轮机叶片   状态检测   卷积神经网络  

摘要： 水轮机叶片作为水轮机核心部件,其状态的监测与维护直接影响到水轮机的运行效率和安全性。传统的叶片检测方法往往依赖人工检查和机械设备,这些方法不仅效率低下,而且存在较大的主观性。近年来,基于计算机视觉的检测技术逐渐被引入到水轮机叶片的状态监测中,展现出了显著的优势。本文提出了一种基于计算机视觉的水轮机叶片状态检测方法,其目的是通过计算机视觉技术,实现对水轮机叶片状态自动、高效和准确的检测。

关键词： 智能交通   车路协同   目标检测   激光点云   联邦学习(FL)策略   深度学习模型  

摘要： 在智能交通中,为弥补路侧端点云数据集的缺乏,提高目标检测模型泛化能力,提出了一种基于参数自适应联邦学习(FL)的点云目标检测算法(FLA3DSSD)。在各个路侧客户端数据不互通的情况下,将基于点的3D单级目标检测器(3DSSD)算法与经典联邦学习(FL)策略相结合,同时通过上传局部模型在路侧服务器进行模型自适应参数融合改进客户端模型参数更新策略,实现数据信息共享,并提升检测精度。结果表明:在车路协同差异路口场景算法部署任务中,对比本地数据训练模型,直接部署于其余客户端,用FL与3DSSD的聚合模型所测试的检测平均精度(AP),上升5%~40%;带有改进参数的自适应联邦学习FLA3DSSD聚合模型,实现AP值提升1%~7%。因此,在保护数据隐私的前提下,本方法能够提高模型泛化能力和检测精度。

关键词： 水下目标检测   图诱导原型对齐   域自适应   卷积块注意模块  

摘要： 针对水下目标检测易出现域偏移而导致检测精度下降的现象,文中提出了基于图诱导原型对齐(GPA)的域自适应水下目标检测方法。该方法通过区域建议之间基于图的信息传播得到图像中的实例级特征,导出每个类别的原型表示用于类别级域对齐,从而聚合水下目标的不同模态信息,以此实现源域和目标域的对齐,减少域偏移带来的影响;同时添加了卷积块注意模块(CBAM),使神经网络能够专注于不同水域分布下的实例级特征。实验结果证明该方法能够有效提高发生域偏移时的检测精度。

关键词： 无人机倾斜摄影测量   三维建模   目标检测   深度学习  

摘要： 滑坡现象对人类居住环境和城市建设的安全性构成了相当大的威胁,准确无误地识别滑坡就成为了防灾减灾领域内诸多研究课题的核心前置步骤。针对传统的滑坡体识别主要靠人工野外实地调查,危险性高、效率低、检测精度低的问题。首先,使用无人机倾斜摄影技术进行图像采集,其次,利用ContextCapture进行三维实景建模,最后通过深度学习技术可以对滑坡灾害区域进行图像分割,对滑坡发生的区域进行图像提取,从而达到识别的目的。选取山西省大同市云州区西坪村为研究区,通过基于深度学习的目标检测算法可以为滑坡体的精确识别定位提供数据支撑。通过对比YOLOV8-RCS-OSA、YOLOV3-tiny、YOLOV5n三种训练模型,最终选择YOLOV8-RCS-OSA进行目标检测,实验结果证明YOLOV8-RCS-OSA模型的mAP@0.5达到99.5%,mAP@0.5:0.95达到65.2%,对精确快速地获取滑坡信息对预测滑坡发生的可能性、减轻山体滑坡灾害影响、强化预防和治理效果都极具重要意义。

关键词： 目标检测   航拍图像   小目标   特征提取   注意力机制  

摘要： 针对传统检测算法在航拍图像小目标检测上准确率低,并存在误检、漏检等问题,提出一种基于YOLOv5的改进算法RBN-YOLOv5。设计基于RepVGG模块的C3RepBlock特征提取模块,增加小目标检测层更具判别性的浅层特征,通过局部和全局信息的联合表征获得更大的感受野;引入BiFormer注意力机制,提升模型检测精度,并基于归一化Wasserstein距离改进损失函数,增强小目标定位能力。在VisDrone2019数据集上的训练结果表明,RBN-YOLOv5相较于YOLOv5在检测精度上提高了9.8%,而且模型参数量大幅降低。

关键词： 图像处理   火灾烟雾识别   特征金字塔   注意力机制  

摘要： 我国火灾隐患高居不下,严重威胁着人民群众的生产、生活安全,火灾释放的污染物对空气质量和人体健康都有潜在影响,提高视频火灾烟雾识别技术能够有效地把火灾扼杀在摇篮里。本文提出了一种基于多尺度特征融合的烟雾识别模型,在神经网络模型VGG19的基础上构建了自上而下的特征路径和自下而上的注意路径,在进行卷积的同时保留低层特征,更利于烟雾识别这项任务。本研究采用火灾科学国家重点实验室公开的烟雾图像数据集进行实验,准确率达到99.75%,相较于仅使用神经网络模型VGG19提高了9.85%。

关键词： 柑橘   病害   虫害   目标检测   YOLOv5   Large Kernel Attention   CARAFE   FReLU  

摘要： [目的]柑橘叶片受到病菌感染或虫害侵袭后,导致柑橘树生长发育异常、产量减少甚至死亡。早期柑橘叶片病虫害检测有助于做好预防措施减少损失。[方法]实际检测过程中YOLOv5s模型存在定位不精确、背景复杂等问题,受VAN(visual attention network)模型的启发,引入LKA(large kernel attention)模块,对YOLOv5s模型进行改进。改进的YOLOv5s模型可实现对图像信息的集中关注和精细抽取;使用CARAFE轻量级算子替换常规的上采样方法,能够提高特征重建质量,解决尺度不匹配问题并提高检测性能;使用FReLU激活函数,能够捕捉更多的柑橘病虫害的关键特征,提高检测准确度。此外,还构建了一个包含炭疽病、溃疡病和受潜叶蝇病虫侵害的柑橘叶片数据集,采用该数据集进行试验。[结果]改进后的模型YOLOv5-LC对于柑橘病虫害的检测结果显示:平均检测精度mAP50达到94.5%,mAP50:95为84.3%,较原模型分别提高了2.0%和4.4%,模型大小仅为7.3 MB。准确率为93.8%,召回率84.5%,浮点运算次数仅为18.5 G。[结论]改进后的YOLOv5-LC模型可以更加准确检测出柑橘病虫害。

关键词： 图像处理   目标检测   YOLOv7算法   聚类算法  

摘要： 为解决水表示数自动识别问题,探索一种高效、准确的图像识别技术,以替代传统的人工读取方式。采用YOLOv7算法,结合图像处理技术,构建了一套自动化的水表示数识别系统。在水表公司内采集大量水表图片,以此为基础构建训练数据集。利用YOLOv7算法训练神经网络模型,实现对水表图像中关键元素(如水表字轮、整体水表及带指针的圆形分度盘)的精准检测。实验结果显示,该识别系统在识别水表字轮、水表整体及带指针圆形分度盘时的准确率(mPA@0.5)达到了97%,展现出卓越的性能。该系统不仅实现了快速检测,还确保了高准确率,显著提升了水表读数的效率与准确性。相较于传统的图像处理方法,基于YOLOv7算法的水表示数自动识别方法无需固定安装相机,对图像采集条件的要求更为宽松,因而具有更高的泛用性和实用性。该方法在水表等仪器仪表读数自动化领域具有重要的应用价值,有望推动相关行业的智能化进程。