关键词： 无人机   航拍图像   输电线路   状态监测   图像处理   多态分层评估  

摘要： 针对现有高压输电线路监测方法获得结果mAP值低的问题,应用无人机航测技术,设计一种数字化高压输电线路运行状态实时监测方法。先依托于云端控制协同平台规划巡航路径,利用无人机携带的紫外相机获取高压输电线路航测图像。然后基于中值滤波与形态学腐蚀处理算法完成航测图像的预处理,再以处理后的线路航测图像为基础,识别出图像内包含的输电线路,并通过8邻域窗口计算模式判断区域线路运行状态。最后结合多态分层评估理念,生成高压输电线路运行状态实时监测结果。实验结果表明:所提监测方法的mAP值保持在97.5%左右,并未出现较大起伏。

关键词： 深度学习   车辆检测   计算机视觉   无锚点检测器   遥感图像   注意力机制  

摘要： 基于深度学习的车辆检测方法近年来取得了显著进展,深度学习模型的引入使得车辆检测在精度和效率方面取得了巨大的提升。针对车辆检测的难点进行了归纳概述;重点综述了目前应用于不同场景和其他因素影响下的基于深度学习的车辆检测方法,包括基于区域方法、基于单阶段方法和基于注意力机制方法等,对每种方法进行了整理介绍,分析所能解决的问题;对主流的车辆开源数据集和车辆检测的评价指标进行了介绍;对车辆检测算法已解决的问题和待改进的难点分别进行了总结;对后续的相关研究方向进行了展望,包括引入多模态信息、跨时空车辆检测等方面。将进一步推动基于深度学习的车辆检测技术的发展,使其在实际应用中发挥更大的作用。

关键词： 无人机   航道治理   5G通信   目标检测  

摘要： 水运是现代化综合立体交通网的重要组成部分,保障内河航道运输安全与绿色环保至关重要。本文介绍了通过在京杭大运河镇江段沿岸部署无人机及机场,并结合5G、AI等前沿技术,开发无人机巡查系统,针对航道、港口等构建目标识别算法,实现对航道的全天候监管、无人化巡查、智能化识别等功能,对提升内河航道数字化治理水平具有重大意义。

关键词： 钻井   掉块深度图像   3D相机   深度学习   目标检测   CBAM注意力  

摘要： 钻井过程中掉块的监测与识别对于及时发现和减缓井壁不稳定和卡钻等井下复杂至关重要。当前,掉块监测主要依赖人工监测,但该方法易受主观影响且耗时较长,存在滞后性。为此,提出一种基于3D视觉的钻井掉块自动识别与特征判断方法。该方法利用3D成像技术来获取振动筛上返出掉块的三维深度信息,以构建掉块图像样本库,并以You Only Look Once v8s(YOLOv8s)为基础目标检测模型,结合引入的卷积块注意力模块(CBAM),建立了CBAM-YOLOv8s掉块目标检测模型。通过将3D相机实时获取的三维深度信息集成到模型中,不仅实现了对掉块的实时监测和准确识别,还能够在识别的基础上判断其形状特征,从而实现井壁失稳性分析和井眼状况的实时评估。实验结果表明:CBAM模块的引入增强了模型对掉块关键特征的关注;集成实时获取三维深度信息的CBAM-YOLOv8s模型对掉块识别精确率和召回率分别达到96.01%和93.40%;扩展模型在掉块形状特征预测中的误差均小于10%。结论认为,基于3D视觉技术的实时掉块可视化监测方法具有良好的可行性和有效性,能够准确识别出掉块及其形状特征,这一方法将为井壁稳定性早期预警和井下复杂提供支持。

关键词： 舰船检测   多头自注意力机制   空间上下文金字塔   WIOU损失函数  

摘要： 海面舰船目标检测容易受陆地、海浪等背景的干扰。针对舰船小目标检测精度低和鲁棒性差的问题,提出一种改进的舰船目标检测模型CWMA-YOLOv5s。首先,设计具有多分支跨层连接的C2f模块丰富多目标舰船梯度流信息。然后,设计并实现了残差多头自注意力融合模块优化特征融合效果。其次,改进Predection网络,设计SCP结构,提高了舰船目标的显著度。最后,引入改进的WIOU损失函数解决CIOU损失函数带来的梯度爆炸和模型提前退化问题。实验结果表明,与YOLOv5s模型相比,该模型在MASATI-v2数据集上,精度提高了13.1%,召回率提高了12.8%,mAP@50提高了6.8%。与其他同类型检测算法相比,该算法拥有更好的学习能力,整体检测精度达到了82.3%,具有较强的鲁棒性。

关键词： 多目标跟踪   目标检测   Fairmot   交通违法行为  

摘要： 在监测交通违法行为的检测任务中,传统的人工监控与基础传感器方法因准确性和实时性存在局限而面临挑战。通过引入多目标跟踪技术,可以显著提升检测效率和系统识别的准确性。文章提出了一种针对车辆信息的多目标跟踪算法,使用MAU-DLA34(Mixed Attention Unit-Deep Layer Aggregation 34)作为主干网络,替换传统的DLA34主干网络。在处理高密度交通和复杂交互情况下,该算法的表现出色,AP达到73.6%,MOTA为82.9%,IDF1为79.3%,明显优于传统方法和其他深度学习方法,如JDE、DeepSort、CenterTrack等。该算法有效减少了身份切换,确保了对交通参与者的精准且连续跟踪。

关键词： 深度学习   目标检测   钢材表面缺陷   YOLOv5s算法   CBAM注意力机制  

摘要： 钢材是工业制造领域必不可少的原材料之一,其质量控制对于确保最终产品的性能、安全性和耐用性十分关键。表面缺陷是钢材在生产和加工过程中的常见问题,而高效准确地检测这些表面缺陷对于确保产品质量至关重要。面对因复杂的工业条件而导致的高误检、高漏检及低效率难题,对钢材瑕疵进行快速而精确的识别具有显著的科研价值。基于YOLOv5s引入卷积块注意力模块(CBAM)注意力机制,并在东北大学开源NEU-DET数据集上验证算法和评估模型性能。实验结果表明,该算法平均精度从0.73提升到了0.768,具有较高的检测精度和鲁棒性,能够有效地检测出钢材表面的各种缺陷。

关键词： 图像处理工作站   分析   技术审评  

摘要： 图像处理工作站通过对医学图像的处理和分析,可以帮助医生准确地定位病变、评估疾病的程度和进展,并制定合理的治疗方案。文章从医疗器械技术审评角度对图像处理工作站产品的安全有效性进行分析,在图像处理工作站相关基础理论研究、监管信息、综述资料、产品技术要求、临床评价资料等方面提出建议,以期对该类产品注册申报时资料的准备及技术审评有所帮助。

关键词： 深度学习   目标检测   检测变换器   Transformer   窗口注意力机制   多尺度   小目标   COCO2017数据集  

摘要： Transformer目标检测模型在小目标检测性能和训练收敛速度方面存在不足。为了解决这些问题,本文设计了一种多尺度窗口注意力机制,将其应用于检测变换器(detection Transformer,DETR)的Transformer中。这种机制为注意力计算引入了局部信息,有助于提取局部小目标的信息,并且降低了计算复杂度,使得DETR能够处理更高分辨率的特征图。本文提出的Windows DETR在COCO 2017数据集上取得了比DETR更优的性能,特别是在小目标检测方面,平均精度(average precision,AP)提升了3.2;同时,Windows DETR还加快了模型的训练收敛速度。

关键词： 计算机视觉   风格迁移   视觉transformer模型   Swin–Transformer模型   中国画   孪生编码器  

摘要： 中国山水画风格迁移的目标是在保持原有山水真实场景图像内容的前提下,引入传统中国画作特征,以生成具有中国山水画艺术特征的图像。近年,由于深度学习的快速发展,卷积神经网络(CNN)和对抗生成网络(GAN)几乎主导了包括风格迁移在内的大部分图像生成任务,但也存在一些问题,如真实场景在风格迁移过程中易丢失语义,GAN网络训练出现模型坍塌,CNN风格迁移方法出现棋盘效应等。视觉Transformer模型为图像处理任务提供了新的解决方案,但训练需大量数据且计算复杂。为了解决生成中国画过程中由上述因素引起的图像质量低及细节特征丢失等问题,本文提出一种能基于细节特征提取融合的中国山水画风格迁移网络,即SSTR(swin style transfer transformer)。该网络在StyTr^(2)网络的基础上,引入了Swin–Transformer模型,利用视觉Transformer的强语义性保留山水场景的特征;同时利用Swin–Transformer模型的分层体系结构及滑窗操作计算注意力机制,提取更多的山水画艺术风格细节,同时降低模型训练复杂度;最后,引入一个CNN解码器细化生成目标图像。本文利用公开视觉数据集COCO 2014与公开山水画数据集进行训练、验证与测试,并将结果与基线方法进行比较。结果表明,SSTR在处理中国山水画风格迁移任务中,风格损失和内容损失分别为1.35和1.88,在风格损失上优于StyTr^(2),表现出了优异的特征提取能力和图像生成能力。