关键词： 监测系统   Jetson Orin NX   实时   小麦储存  

摘要： 小麦杂质监测在粮食储存过程中至关重要,较高的杂质含量会加速小麦的霉变和变质,进而导致储存损失和资源浪费。然而,目前的杂质检测仍以人工检测为主,效率低且存在较大的局限性。针对这一问题,设计了一种基于嵌入式计算平台的小麦杂质监测系统,该系统以Jetson Orin NX为核心计算平台,通过小麦采样与检测装置对收获小麦的杂质含量进行实时监测,并对数据进行处理和显示。试验结果表明,小麦杂质监测系统的变速箱在不同挡位转速下,系统均能够实时监测收获小麦的杂质情况,显示采集样本中的杂质数量,并具备警告提醒功能。该系统的应用对大规模小麦储存的精细化管理具有重要意义。

关键词： 电力配网施工   深度霍夫变换   目标检测   畸变矫正子网络   语义分割  

摘要： 传统人工巡检效率低、成本高、覆盖范围有限,难以满足现代电力配网施工的复杂监测需求。为此,提出一种基于深度霍夫变换直线检测和基于YOLOv8目标检测的电力配网施工合规性监测系统。该系统利用深度霍夫变换技术检测电力设施,并引入畸变矫正子网络来校正图像畸变,提高复杂场景下的检测性能。采用YOLOv8算法进行目标检测,识别施工现场的人员、工具和标识。实验结果表明,基于深度霍夫变换直线检测方法在电线杆和电线检测中优于传统直线检测方法,基于YOLOv8的目标检测算法能够实现高精度识别,为电力配网施工合规性监测提供了可靠支持。

关键词： 机器视觉   多目标跟踪   特征提取   FairMOT  

摘要： 多目标跟踪算法中的FairMOT提出了平衡检测和重识别分支的均衡学习策略,有效的平衡了目标检测和重识别两大任务,是目前单阶跟踪段范式算法中最优的算法,但由于DLA34骨干网络的特征提取能力有限,面对实际应用场景中复杂的跟踪场景时,往往会因为出现漏检和误跟等现象导致模型的跟踪效果下降。为了有效的提升模型骨干网络的特征提取能力,本文针对此问题设计了基于元素相乘结构的深度聚合骨干网络,提出了FairMOT-Star算法。该算法利用了元素相乘结构带来的隐藏维度提升原理,实现了简洁高效的目标特征提取。同时使用EIoU_Loss作为检测框回归任务的回归损失函数,更加精准的描述了检测框和真实框之间的位置和形状关系,提升了检测框的预测精度。匹配关联部分使用卡尔曼滤波算法预测目标的运动信息,匈牙利算法完成时序维度上前后帧目标和轨迹的关联匹配。在MOT16数据集上进行了实验测试,MOTA精度达到了86.0%,模型的权重参数量为19.59 M,相比于FairMOT模型参数量减少9.7%的同时,MOTA精度提升了3.5%,较好的优化了FairMOT算法的计算参数量和跟踪精度。

关键词： 输电线路   覆冰厚度   图像处理   边缘检测  

摘要： 针对雨雪天气严重影响线路覆冰图像质量与标准覆冰厚度计算的问题,提出一种基于智能图像处理的线路覆冰厚度检测方法,并在实验室对导线进行人工覆冰并模拟人工冷雾,采集有雾和无雾条件下的覆冰图像,用所提方法检测导线覆冰厚度。对采集的图像通过去雾、灰度化、直方图均衡化和空间滤波进行预处理,采用多种算子对处理后的图像进行边缘检测,计算出覆冰厚度。结果表明,覆冰图像去雾处理后采用直方图均衡化和空间滤波可较好地改善图像质量,配合使用Canny算法进行导线覆冰图像边缘检测时更具优势,即使在有雾的情况下,也可以得到较为准确的覆冰厚度检测结果。

关键词： 高处作业吊篮   AI智能化视频识别技术   计算机视觉   声光报警  

摘要： 当前,高处作业吊篮安全监管面临的挑战,特别是在施工人员数量统计、防护用品穿戴情况监控及危险操作行为识别等方面存在的不足。基于此,本研究设计并开发了一套创新的AI智能化视频识别技术驱动的吊篮安全管理平台。该平台采用五层技术架构体系,涵盖数据采集、数据传输、基础服务平台、业务应用及用户交互层,实现了对吊篮作业全过程中人员数量的精准识别、安全帽与安全带佩戴情况的自动检测,以及施工人员危险操作行为的即时捕捉与预警。此平台的部署显著提升了高处作业吊篮的安全管理水平,为施工人员的生命安全构筑了坚实的防线。

关键词： 植被环境   未爆弹目标   机载探测   YOLOv5   红外特征  

摘要： 针对无人机在多种植被环境下检测地面未爆弹的光学精度低、误检率高等问题,提出了一种基于未爆弹红外特征的YOLOv5未爆弹检测方法。首先对采集到的未爆弹目标数据进行重建,然后引入ECA注意力机制以提高识别精度;同时引入ASPP空洞空间金字塔池化以提高识别效率,并使用CIoU_NMS作为预测框筛选依据。实验证明,在多组不同植被环境的鸟瞰UXO目标红外数据集上,SAE-YOLOv5算法相较于原YOLOv5算法模型,在UXO目标方面精确率由83%提高至87%,平均精度均值从83.6%提升至85%。该算法在文中所述的四种复杂背景下都能有效检测UXO目标,并且漏警率低。

关键词： 游商小贩   目标检测   级联检测器   分辨率  

摘要： 监控场景下的游商小贩,具有大小不一、形态多样性、样本难获取、车载商品目标较小等特点,针对小目标在大尺寸图像中目标检测精度低的问题,提出了一种二级级联的游商小贩检测方法。采用由粗到精的策略,第一级检测器采用高分辨率的YOLOv5s模型检测运输车辆的位置,取运输车辆的子图作为第二级检测器的输入,第二级检测器采用低分辨率的YOLOv5s模型检测运输车辆上的车载商品,将一级检测器与二级检测器串联起来,结合目标跟踪算法,实现监控场景下游商小贩的检测识别。实验结果表明,在级联检测器中,不同的阶段选取不同大小的分辨率,能有效提高检测精度与检测速度。

关键词： 视觉制导   目标跟踪   无人机   自适应   模板更新   搜索区域  

摘要： 为解决无人机制导中跟踪目标尺度变化大、外形变化大、推理速度慢、数据集缺失的问题,提出了一种面向无人机视觉制导的自适应目标跟踪方法。自适应搜索区域机制通过分析制导过程调整搜索区域解决尺度变化快的问题;自适应模板更新机制通过更新模板特征解决外形变化大的问题。此外,该方法在骨干网络引入FasterNet Block,在跟踪头引入无锚机制,减少推理的时间。最后,构建并公开了一个包含12个制导视频的测试数据集Guidance UAV以评估算法在视觉制导中的性能。实验结果表明,该方法不仅在通用无人机跟踪数据集UAV123上适用,而且在Guidance UAV上实现了最先进的性能,同时在机载设备Jetson Xavier NX上保持15 f/s的速度。室内无人机制导打击实验证明了算法的有效性。

关键词： YOLOv5s模型   深度学习   注意力机制   目标检测  

摘要： 为提高电力设备异常检测的精度,提出以融合双向加权特征金字塔网络(BiFPN)和三重注意力(TA)机制改进Yolov5s的电力设备异常检测方法。首先,融合BiFPN是在特征融合结构中加入跨尺度连接线以保留更多深层的语义信息,可以有效促进目标的分类识别和位置精确定位;然后,加入采用三分支结构的注意力机制能够更好地提取空间交互注意力和通道空间交互注意力,抑制无用的特征信息;最后,通过采用Soft NMS来取代传统的NMS算法可以有效减少目标的遗漏,并提升检测的准确性。实验数据显示,改进后的YOLOv5s网络模型相较于原始YOLOv5s模型,精确率从88.3%提升至90%,召回率从89%提升至93%,mAP@0.5值从88.7%提升至92.8%,有效地提高了检测精度。

关键词： 指针式仪表   元学习   小样本   目标检测   稀疏采样  

摘要： 仪表定位精度是保证指针式仪表示数准确识别的前提。复杂工业场景下仪表样本难以采集,小样本情况下,现有指针式仪表定位检测方法存在检测精度低、实时性差的问题。为此,提出了基于元学习的小样本指针式仪表检测方法Sparse-Meta-DETR。并以Meta-DETR为目标检测基线模型,采用元学习训练策略,在元训练阶段构建多个小样本任务训练Sparse-Meta-DETR模型,增强特征相关聚合模块对特征空间中支持集和查询集类别的余弦距离的度量能力,使模型能够在元测试阶段小样本任务中识别图像包含的类别,快速适应新类小样本任务,检测复杂工业场景图像中包含的指针式仪表;引入轻量级主干网络Efficientnet b1作为特征提取器,减少模型的计算复杂度和参数量;设计评分网络对查询特征稀疏采样,构建稀疏化遮罩选取前景特征,引导Transformer编/解码器对前景特征进行处理,进一步减少计算量并提高检测精度。使用Sparse-Meta-DETR模型,20-shot时指针式仪表定位检测精度指标AP^(50)和AP^(75)分别达到了94.2%和87.5%,10-shot时的AP^(50)达到了91.1%;相较于最初的基线模型,改进模型的时间复杂度下降了74.5%。实验结果表明,Sparse-Meta-DETR不仅能够保证样本匮乏时仪表定位的精度,还可以有效地提高仪表定位的实时性,其整体性能优于Meta-RCNN等小样本深度学习算法。