关键词： 输电线路走廊   防外破   目标检测   注意力机制  

摘要： 输电线路在跨越高速铁路、高速公路和重要输电通道场景下易受到外力破坏,可能严重影响输电线路安全可靠运行。针对此问题,该文通过构建输电线路走廊隐患目标数据集,提出新模型YOLO-2MCS用于输电线路走廊隐患目标检测。使用混合数据增强策略对数据集进行有效扩充,以提高模型在复杂场景下的泛化性和鲁棒性;在EfficientRep骨干网络引入卷积注意力机制模块,有效提升模型对多尺度目标的检测能力;构建使用softplus激活函数的双向特征金字塔结构加强模型特征学习能力;在检测头使用SIoU损失函数进一步提升模型检测精度。实验结果表明,相较于原YOLOv6网络,该模型在0.5:0.95的严苛阈值下平均精度均值提升4.4%;将该模型与主流的检测模型FasterR-CNN、YOLOX、YOLOv5和YOLOv7分别进行对比评估,该模型的检测精度、检测速度、模型复杂度均获得最优性能,其平均检测速度高达约300帧/s,且内存仅为40.7 MB,同时满足在边缘计算设备上部署的要求。

关键词： 目标检测   深度学习   YOLOv3  

摘要： 文章通过对YOLOv3算法目标检测原理进行深入分析,使用自采数据集道路场景中常见的行人、车辆和红绿灯等数据对算法模型进行训练,通过改变模型输入、过滤无意义目标物,以及调整学习策略,利用较小的训练集和较少的训练轮次获得实时性强、精度较高的目标检测模型。实验表明,改进方法在测试集上平均精度达到71.58%,比传统YOLOv3算法提高1.94%,并且算法检测速度达到70.04 f/s,较优于传统YOLO系列算法。同时将该方法应用于车辆行驶动态数据集,能够实现针对视频中道路目标的实时检测。

关键词： 人工智能系统   自然语言处理   人工智能技术   计算机视觉   数据驱动   可信赖程度   技术缺陷   内在属性  

摘要： 随着算力、数据等条件的不断升级以及算法等的不断进步,计算机视觉、自然语言处理等众多人工智能领域取得长足发展,各行各业应用蓬勃兴起。同时,以数据驱动的人工智能因其自身的技术缺陷以及有可能带来的决策偏见、使用安全等问题引发了信任危机,“可信”成为当下人工智能技术关注的焦点。“可信”这一概念反映着人工智能系统、产品和服务在安全性、可靠性、可解释、可问责等一系列内在属性的可信赖程度,具有重要的研究意义与深刻的现实意义。

关键词： YOLOv5   注意力机制   目标检测  

摘要： 为提高交通背景下车辆、行人等交通目标检测识别精度低的问题,文章提出了一种基于改进YOLOv5的交通目标检测方法。在YOLOv5骨干网络引入了全局注意力机制模块,增强模型对交通小目标特征提取的能力,并在YOLOv5模型上增加了一个小目标检测头,以提升模型对交通小目标的检测能力。验证结果表明所提算法的识别精度优于原始的YOLOv5算法,平均精度提升1.4%,检测速度为74帧/秒。

关键词： 遥感图像   小目标检测   实时检测   卷积神经网络   特征融合  

摘要： 得益于深度学习方法的发展,近年来目标检测方法的性能有了很大的提升。然而,从无人机(UAV)遥感图像中检测目标仍然存在很大的挑战,原因包括:UAV遥感图像中目标分辨率小、背景复杂,现有算法难以满足实时性要求。面对这些挑战,提出了一种基于多尺度多深度特征提取(MMFE)网络的实时小目标检测(RTSTD)方法,能够高效的从UAV遥感图像中检测小目标。RTSTD将一幅输入图像剪裁成多个小尺寸的图像,并将一部分小尺寸图像输入到轻量化的MMFE网络中。因此,RTSTD具有处理任意分辨率的遥感图像而不丢失图像细节特征的能力。对于MMFE网络,提出了一种更有效的输出:重叠向量能够表示目标在输入图像中的位置和置信度。为了增强MMFE网络区分目标和复杂背景的能力,重新定义了正样本和负样本。为测试RTSTD的性能,从开源数据集UAV123、DTB70和AU-AIR中筛选重构了7个数据集,共8369张UAV遥感图像,涉及地面和海面场景下的小目标检测。结果证明,与现有的检测方法相比,RTSTD方法在准确性和速度方面都取得了改善,平均F1-Score>0.90,GPU运行每秒>66帧,CPU运行每秒>35帧。

关键词： YOLOv5   遥感图像   小目标检测   CA注意力机制   BiFPN  

摘要： 遥感图像中小目标占图像的比例极小,准确识别这些目标具有很大的挑战性。针对遥感图像领域小目标检测困难的问题,提出一种改进YOLOv5遥感图像小目标算法。首先,使用改进后的Mosaic-9对数据集进行了预处理,以此解决遥感图像小目标研究数据稀缺的问题。其次,在主干网络中添加CA注意机制模块增加对细节信息的感知力,提升对小目标的检测能力。最后,在特征融合网络引入高效的双向跨尺度连接加权特征融合BiFPN,解决目标特征较少且易丢失的问题。实验结果表明,改进的网络模型对遥感图像小目标检测平均精度(mAP)达到90.3%,优于常规目标检测模型,适合遥感场景下的小目标检测。

关键词： 小目标检测   无人机航拍图像   Double-Head RCNN   Transformer   内容感知特征重组  

摘要： 为解决无人机航拍图像中小目标特征信息少且容易被噪声干扰导致现有算法漏检率和误检率高的问题,提出一种改进Double-Head Region-卷积神经网络(RCNN)的无人机航拍图像小目标检测算法。在骨干网络ResNet-50上引入Transformer和可变形卷积(DCN)模块,更有效提取小目标特征信息和语义信息;提出一种基于内容感知特征重组(CARAFE)的特征金字塔网络(FPN)结构模块,解决特征融合过程中小目标被背景噪声干扰而丢失特征信息的问题;在区域建议网络中针对小目标尺度分布特点重新设置Anchor生成尺度,进一步提升小目标检测性能。在VisDrone-DET2021数据集上的实验结果表明:所提算法能提取更具有表征能力的小目标特征信息和语义信息,对比Double-Head RCNN算法,所提算法的参数量增加了9.73×10^(6),FPS损失了0.6,但是AP、AP50和AP75分别提升了2.6%、6.2%和2.1%,APs提升了3.1%。

关键词： 图像处理   特征识别   深度学习   注意力机制  

摘要： 为了提高对图像中微小特征的识别效果,本研究基于深度学习技术,提出了一种新的特征识别技术。首先,对采集到的原始图像进行小波分解处理,消除噪声对图像质量的影响;然后,基于图像预处理结果,利用深度学习技术中的空间注意力机制,构建图像识别注意力模型;最后,通过设定模型训练过程,实现对图像中微小特征的识别。实验结果表明:应用此技术后,对图像微小特征的识别精度始终保持在98.00%以上,且此技术降低了识别计算量。

关键词： 装配   机械臂   目标检测   深度学习   抓取  

摘要： 针对视觉引导定位的机械臂抓取装配任务中对工业零件的定位差、抓取效率低等问题,提出一种基于改进YOLOv3的智能抓取系统方案,实现工业零件从目标检测到自动化抓取的智能化。首先,为提高对小目标和拥挤目标的检测性能,提出了改进YOLOv3目标检测网络;其次,对工业零件进行数据采集与训练,实现对零件的目标识别与定位;最后,通过相机标定和手眼标定实现由图像坐标系到世界坐标系的转变,获得被抓物体的世界坐标,对机械臂进行抓取规划,完成目标物体的抓取。实验采用Kinect V2相机与UR3六轴协作机械臂组成抓取实验平台,对目标零件进行定位和抓取实验。实验结果表明,改进的YOLOv3算法提高了对小目标和拥挤目标的检测性能,对零件进行精准的目标定位并抓取。

关键词： 管道   保温破损   红外热成像   图像特征   目标识别   神经网络   定位检测   预知性维修  

摘要： 针对炼化企业中管道保温层散热损失问题,提出一种利用计算机视觉识别炼化企业管道保温破损并定位的方法。通过无人机搭载红外热成像技术进行图像采集,利用ResNet50架构进行特征提取,并结合Faster RCNN神经网络实现破损的准确识别与定位,阐述了图像预处理、数据集构建、模型训练及预知性维修等关键步骤,通过深度融合无人机与计算机视觉技术,显著提升了检测效率和精度。此外,利用生成的保温破损分布定位图,企业可制定数据驱动的维护策略,降低运维成本并延长管道保温使用寿命,从而提高整体运营效率,为管道系统的长期安全稳定运行提供了科学支持。