关键词： 目标检测   YOLOv4-tiny   剪枝   嵌入式设备  

摘要： 针对YOLOv4-tiny存在计算量较大,检测精度低,无法满足嵌入式设备实时性需求的问题,论文基于MobileNetv3改进的轻量级网络YOLOv4-E,使用BN层的γ尺度因子对冗余的特征通道进行剪枝,在25%剪枝率下模型大小降低到了6.7MB,mAP仅降低了0.59%,FPS提升了8.8%。同时使用NCNN前向推理框架对剪枝后的模型进行Int8量化,在树莓派4B上检测单张图片仅需173 ms,满足了实时性需求。

关键词： 卷积神经网络   声呐图像   水下目标检测   深度学习  

摘要： 声呐探测技术作为水下探测的主要手段之一,在海洋环境中具有广泛的应用,随着卷积神经网络(CNN)在计算机视觉领域表现出卓越的性能,该技术越来越受到研究人员的重视。文章综述了卷积神经网络在声呐图像水下目标检测中的应用与发展,重点讨论基于CNN的典型水下目标检测方法,包括基于候选区域与回归的检测算法在声呐图像上的改进与应用,并分析各类网络模型在处理声呐图像特有问题上的创新策略,如小样本检测、小目标检测及CNN与传统算法融合等。最后总结了当前基于CNN的水下目标检测面临的挑战,并预测该领域技术发展趋势。

关键词： 海洋生物识别   目标检测   深度学习   RT-DETR  

摘要： 针对现有浅水海洋生物识别方法在水下环境中对浅水海洋生物识别效果不佳的问题,提出了一种以RT-DETR为基准模型的改进浅水海洋生物识别方法。首先,使用重参数化网络RepViT作为模型的主干网络,提升模型的特征提取能力。然后,构建基于重参数化的并行膨胀卷积RepPDC并引入颈部网络中,使模型能够有效获取长距离上下文信息,有利于提升模型的识别精度。最后,基于注意力机制构建了双向特征融合模块CAFM,提升模型在水下环境中对重点信息的关注能力。实验结果表明,改进后的方法,mAP50提升至87.5%,mAP75提升至70.9%,mAP50:95提升至64.9%,且参数量更少,有望应用到实际浅水海洋生物识别任务中。

关键词： 路面病害   目标检测   深度学习   YOLOv5   SPD-GSConv  

摘要： 针对路面病害检测中因病害形态多样、尺度差异大、背景灰度值相似而导致检测精度较低的问题,提出一种改进的轻量化路面病害检测模型PD-YOLOv5s(pavement disease-YOLOv5s).首先,模型嵌入三维无参数注意力机制SimAM,在不额外增加模型参数的同时有效增强模型在复杂环境下的特征提取能力;其次,引入残差块Res2NetBlock增加模型感受野,增强模型在更细粒度层次上的特征融合能力.最后,构建SPD-GSConv模块完成下采样,从而有效捕捉不同尺度的目标特征,将提取的特征融入模型完成路面病害分类检测.在真实路面病害数据集上实验结果表明:相较于原YOLOv5s,PD-YOLOv5s模型平均精度值(mAP)提升4.7%,参数量降低至6.78M,检测速度达到53.97 f/***-YOLOv5s在降低网络计算成本的同时具有优越的检测性能,对路面病害检测具有工程应用价值.

关键词： 电梯安全   电动自行车检测   YOLOv8   目标检测   网络模型  

摘要： 针对电动自行车进入电梯,入户充电而危及人身安全的问题,提出了一种基于深度学习的电梯内电动自行车自动检测方法。以YOLOv8作为核心检测的网络模型,通过构建数据集进行了训练和测试。结果表明,YOLOv8网络模型能够对电梯中违规进入的电动自行车进行精准识别,即使在电动自行车被部分遮挡的情况下也能保持较高的识别率,证明了YOLOv8网络模型在不同场景下应用的有效性和稳定性。由对比实验可知,YOLOv8网络模型相对YOLOv5网络模型来说,不仅可提高安全管理的效率,而且能够及时预警,显著提升电梯乘客的安全。与传统人工检测和视频监控方法相比,提出的电梯内电动自行车检测方法能够实时处理图像并精确识别目标,具有较高的实用价值和广泛的应用前景。

关键词： YOLOv8   目标检测   车辆清洗检测  

摘要： 为缓解建筑工地车辆未经过清洗离开工地带来的城市道路污染和卫生问题,采用计算机视觉领域的目标检测方法即YOLOv8技术设计了一种车辆清洁度检测算法。该算法首先根据工地实际视频数据构建目标检测标签与清洁度标签,然后利用构建好的工地车辆清洗数据集训练YOLOv8目标检测模型,接着调用该模型用于实时检测目标车辆与清洗装置出水情况,最后根据检测效果实时计算最终清洗状况。针对清洗装置有时喷水面积较小的情况,在网络架构中额外引入一个专门用于小尺寸目标的检测层,并采用Focus层技术对输入图像执行分块处理,验证指标包括精确率、召回率、平均精度均值、帧率和清洁度(平均交并比)。结果显示该算法对车辆清洗情况的判断准确率达97.6%,表明所提出的改进模型很好地解决了工地车辆清洁度识别问题。

关键词： 机器视觉   缺陷检测   图像处理   特征提取   误检率   人工目检  

摘要： 表面缺陷检测是产品出厂前必不可少的一个环节,新能源汽车电池底座的铝巴缺陷检测以往是依靠人工目检,但该方式效率低下、误检率高,且易受人的主观因素影响。为了促进产线升级,通过Halcon与C#实现混合编程,设计一种基于机器视觉的铝巴表面缺陷检测系统。通过工业相机采集铝巴图像进行相应的阈值分割;采用Halcon算法的图像处理方式,依据正常与缺失铝巴间的差异选择特征向量进行特征提取,进而判断铝巴是否缺失。该系统弥补了以往人工目检方式存在的不足,实现了由传统人工生产向半自动化生产的转变。企业实际应用结果表明:所设计检测系统的误检率为0%,相比于人工目检省时26min,达到了预期效果,能够满足实际需求。

关键词： 安全工程   低照度图像   目标检测   图像增强   注意力机制  

摘要： 实时的吸烟行为监测对于保障工地安全具有重要的意义。研究针对隧道等低照明环境因光照强度低、光线分布混杂、点光源过曝光而导致的烟支检测精度低的问题,提出了一种基于改进YOLOv5s(You Only Look Once Version 5s)的吸烟行为检测模型。首先,设计一种图像增强方法,旨在限制点光源过曝光产生的局部高光,增强烟支特征细节,改善图像对比度。其次,引入卷积块注意力模块(Convolutional Block Attention Module,CBAM),使模型更加聚焦烟支目标区域的内容信息和位置信息。最后,改进多尺度检测头,增加适用于烟支的更小检测层,提升模型对烟支的检测能力。试验结果显示,研究提出的针对低照明环境的检测模型可将平均检测精度从91.8%提升至95.9%,相较于原模型和其他经典模型,检测效果得到了显著提升,表明了方法的有效性。

关键词： 深度学习   图像处理   距离测量   多传感器融合   配网线缆  

摘要： 不停电配网作业视场条件复杂,传统机器视觉方法存在配网线缆识别定位精度与速度无法满足要求等问题。为实现智能化配网作业中配网线缆的快速准确识别与定位,该文设计了多传感器视觉引导系统以及搭载的配网线缆分割算法。首先,面向配网作业需求进行了针对性的传感器选型,提出了一套使用可见光相机+激光雷达(RGB+Lidar)对末端执行机构进行引导的系统,以解决传统配网检修人工作业方式劳动强度大、工作效率低等问题。其次,针对传统机器视觉方法参数量大、推理速度慢的问题,将深度可分离卷积引入轻量化的图像分割模型的设计,输入部分增加了雷达点云提供稀疏的深度信息,并引入了直线注意力模块以进一步提高精度。最后,经过配网作业中采集的数据集进行图像分割模型的测试,验证了其速度和精度能够满足不停电配网环境下的识别定位需求。

关键词： 深度学习   目标检测   YOLOv8s   VanillaNet   CARAFE   极小目标检测层   MPDIoU  

摘要： 针对电动车头盔检测模型易受天气、视角等因素影响,存在漏检、误检、精度低和实时检测效率差等问题,基于原始YOLO第8小版(you only look once version 8 small, YOLOv8s)模型进行改进,提出改进YOLOv8s模型。主干特征提取网络选用轻量级的香草网络(vanilla network, VanillaNet)模块,颈部网络采用轻量级的上采样算子内容感知特征重组(content-aware reassembly of features, CARAFE)模块,增加160像素×160像素的极小目标检测层(tiny object detection layer, tiny)模块并修改损失函数为多尺度预测距离交并比(multi-scale prediction distance intersection over union, MPDIoU)。为验证优化模块的有效性,采用消融实验并对比模型改进前后的差异。结果表明,改进YOLOv8s模型平均精确率均值达95.6%,检测速度提升至102帧/s,检测精度有明显提升且延时有所降低。改进YOLOv8s模型能够在实际场景中有效检测电动车骑乘人员的头盔佩戴情况,对于减少人身伤害、提升道路安全和优化智能交通系统具有重要作用。