关键词： 特征融合   三维运检   电网变电设备   轮廓线   自动化   计算机视觉   形态学滤波算法  

摘要： 因工作环境的复杂性,变电设备成为智能电网中故障频率最高的装置之一,易发生设备接地故障、保险熔断故障、绝缘材料老化等问题,为提高电网变电设备三维自动化运检精度,提出基于轮廓线与特征融合的电网变电设备三维自动化运检方法研究。采集电网变电设备三维图像,获取电网变电设备三维图像初始轮廓点,筛选变电设备轮廓点,依照顺序连接提取出的关键轮廓点,得到变电设备三维图像轮廓线,结合形态学滤波算法,对图像进行开、闭运算,依据轮廓线的闭合情况,分割出目标图像与背景图像,提取包括HOG特征与LBP特征的变电设备目标图像特征,经过特征融合后,构造最优分类超平面,制定电网变电设备三维自动化运检规则,判定变电设备运维情况,最终实现变电设备的三维自动化运检。实验数据显示:该方法识别出变电设备的正常与异常状态,在不同实验工况背景下,应用提出方法获得的变电设备运检精度达到了96%。提高了变电设备的自动化运检的识别及运检精度,满足现今变电设备的运检需求。

关键词： 船舶   目标检测   深度学习   Cascade R-CNN   Swin Transformer  

摘要： 为了解决实际场景下船舶目标检测精度低的问题,本文在Cascade R-CNN算法的基础上,提出一种船舶目标检测方法 Boat R-CNN。Boat R-CNN使用带自注意力机制的Swin-Transformer Tiny网络提取图像特征,使用Soft-NMS非极大值抑制方法提升候选框过滤精度,使用Smooth_L1损失函数加速模型收敛并减少梯度爆炸情况,使用CIOU边界框回归损失提高候选框回归质量,并针对船舶目标的形状特征优化锚框的长宽比,提高锚框的生成质量。实验结果表明,Boat R-CNN算法的精度相比原版Cascade R-CNN算法提高了21.8%,相比主流Faster R-CNN算法提高了30.3%,有效提升了实际场景下的船舶目标检测精度。

关键词： 织物缺陷   缺陷检测   计算机视觉  

摘要： 介绍了织物缺陷的背景特点、常见类型、产生原因,对织物检测算法进行了系统分类,综述了现有的织物缺陷公开数据集和检测系统,总结了各种方法的优缺点,并对该领域未来的发展进行了展望。

关键词： 目标检测   深度学习   雾天场景   轻量化   注意力机制  

摘要： 针对雾天场景下目标检测算法精度较低、模型复杂度较高,提出一种基于YOLOv5的轻量级雾天目标检测方法。采用感受野注意力模块(RFAblock)通过交互感受野特征信息,对感受野添加注意力机制,提高特征提取能力;采用轻量化网络Slimneck作为颈部结构,在保持精度的同时降低模型参数和复杂度;在损失函数中引入真实框与预测框之间的角度向量,提高训练速度和推理的准确性;采用PNMS(precise non-maximum suppression)改进候选框选择机制,降低车辆遮挡情况下的漏检率。在真实雾天数据集RTTS和合成雾天数据集Foggy Cityscapes上进行测试,实验结果表明,与YOLOv5l相比mAP50分别提高了4.9和3.5个百分点,模型参数量仅为YOLOv5l的54.6%。

关键词： 无人机(UVA)图像   目标检测   YOLOv8   轻量化主干   CARAFE  

摘要： 针对无人机(UAV)航拍图像检测存在的小目标检测精度低和模型参数量大的问题,提出轻量高效的航拍图像检测算法FS-YOLO.该算法以YOLOv8s为基准网络,通过降低通道维数和改进网络架构提出轻量的特征提取网络,实现对冗余特征信息的高效复用,在较少的参数量下产生更多特征图,提高模型对特征信息的提取和表达能力,同时显著减小模型大小.在特征融合阶段引入内容感知特征重组模块,加强对小目标显著语义信息的关注,提升网络对航拍图像的检测性能.使用无人机航拍数据集VisDrone进行实验验证,结果表明,所提算法以仅5.48 M的参数量实现了mAP0.5=47.0%的检测精度,比基准算法YOLOv8s的参数量降低了50.7%,精度提升了6.1%.在DIOR数据集上的实验表明,FS-YOLO的泛化能力较强,较其他先进算法更具竞争力.

关键词： 城市轨道交通   目标检测   YOLO   轻量化   无人列车驾驶  

摘要： YOLO系列算法因其独特的优越性而被广泛研究,但是复杂的模型使得其在某些应用场景受到了限制。针对城市轨道交通无人列车驾驶中对前方轨行区异物入侵检测的时效性,本文以YOLOv5s算法为基础,从主干网络轻量化设计和边界框回归损失函数两方面进行优化。首先,通过引入GhostNet网络来减少网络参数提升模型轻量化。然后,以DIOU作为边界框回归损失函数,提高了模型收敛速度和精度。以COCO数据集进行试验,结果表明,所提算法在模型轻量化和检测精度上相比YOLOv5s均有所提升。

关键词： 神经网络算法   多目标检测   追踪系统   图像预处理  

摘要： 当今时代,科技迅速发展,多目标检测追踪系统在各行各业中发挥着越来越重要的作用,这类系统的核心是通过算法分析图像或视频数据,实现对多个目标的同时检测和跟踪。本文将从系统架构、图像预处理、特征提取以及恒模检测算法等多个方面详细阐述系统的设计和实现过程。本文详细阐述基于神经网络算法的多目标检测追踪系统的设计和实现,包括系统的整体架构、图像预处理模块的设计、特征提取的骨干网络选择与优化,通过系统测试与验证展示其有效性和高效性。

关键词： FPGA   帧间差分   区域裁剪   卡尔曼滤波   目标跟踪  

摘要： 针对传统运动目标检测与跟踪算法计算量大、检测速度慢、鲁棒性差的问题,提出了一种通过动态调整检测区域以实现高效运动目标检测与跟踪的方法。利用改进的帧间差分算法提取运动目标,将目标大小和位置信息分别传给区域裁剪算法和卡尔曼滤波跟踪算法,实现检测范围的缩小和目标跟踪。采用改进后的方法对分辨率为640×480的图像进行实验,检测到目标的大小为66×84,调整后的检测区域大小为132×168,帧间差分检测部分计算量减小了约92.78%,并且根据目标位置进行跟踪的效果较好,在FPGA中验证了此方法的正确性。

关键词： 光学遥感图像   目标检测   感受野增强   特征融合   注意力机制  

摘要： 针对光学遥感图像目标分布密集、尺度变化范围较大及小目标特征信息过少等造成目标检测精度不高、泛化能力差等问题,本文提出了一种增强小目标特征的多尺度神经网络(ESF-MNet)。首先在骨干网络中引入注意力模块构建出高效层注意力聚合结构,以增强特征提取能力;此外,在浅层特征图与颈部网络融合之前加入感受野增强模块,以捕获不同尺度的上下文信息。其次,使用GSConv构成颈部网络,减少网络层参数量,保持网络的特征提取能力,并通过基于内容感知的特征重组模块提高识别精度。最后,采用下采样率分别为4、8和16倍的三个下采样模块作为头部网络输入,来提高小目标的检测效果。为了证明该方法的有效性,在DOTA数据集和NWPU NHR-10数据集上进行实验,平均检测精度分别达78.6%和94.3%,计算复杂度为94.7 G,整体模型大小为26.2 M。该方法具备检测精度高、计算复杂度低、模型权重小等特点,能有效提高小目标的检测精度,进一步改善光学遥感图像小目标检测性能。

关键词： 人脸识别   超分辨率重建   计算机视觉   生成对抗网络   人脸重建  

摘要： 现有人脸识别方法主要针对高分辨率人脸,对于作战场景中获取的低分辨率人脸,已有模型的识别效果并不理想,对人脸进行超分辨率重建是处理低分辨率人脸的一个有效方法。现有研究主要关注于重建图像的视觉效果,而忽视重建后结果的识别率。针对现有需求和存在的问题,研究使用超分辨率重建的方法,提高低分辨率人脸的识别率,从而提高精准打击的成功率。提出超分辨率重建SRR模型,与现有其他算法相比,该模型在视觉效果和识别率方面具有一定的优势。