关键词： 隧道病害   深度学习   病害识别   目标检测   神经网络  

摘要： 针对已有目标检测算法在隧道衬砌病害检测中全局信息提取不充分、检测精度低的问题,提出隧道衬砌表观病害检测算法TDD-YOLO.该算法以YOLOv7框架为基础,采用MobileViT作为主干特征提取网络,提高网络全局信息和局部信息提取能力;在特征金字塔网络的上采样和下采样后增加Coordinate attention (CA)注意力模块,突出病害的特征信息,去除背景信息的干扰;提出卷积模块TP Block,在计算量较小的情况下进一步提高网络的特征提取能力.为了验证所提出算法的有效性,选用SSD、 Faster-RCNN、 EfficientDet、 YOLOv5、 YOLOv7这5种算法进行对比分析.实验结果表明,TDD-YOLO算法的F1为77.43%,相对5种对比算法,分别提高了15.58%、17.36%、 12.19%、 6.32%、 6.14%;mAP为77.52%,相对5种对比算法,分别提高了15.20%、 14.24%、 9.44%、 7.44%、6.39%. TDD-YOLO算法病害识别精度最高,综合性能最优,适用于实际隧道工程的病害检测任务.

关键词： 汽车用棒材轧制   辊缝测量   图像处理  

摘要： 目前国内棒材轧制孔型深度的检测,全部依靠人工卡量,不同的人员测量,会导致不同的结果,进而可能会导致辊缝设置存在较大的偏差。为实现上述孔型深度的自动测量目的,文章研究了一种以标准对比磁棒为标本、平行光源光学成像为手段、图像处理技术为基础的棒材机架孔型深度检测方法,以及相关的数学建模及算法。上述方法能够兼顾现场换辊操作及生产准备的便利性和精度,具有精度高、操作方便的特点。现场实验表明,以图像处理为基础的孔型深度检测方法,其实测精度可以达到0.2 mm以内,且比较稳定,对指导实际工业生产具有一定的实际应用价值。

关键词： 伪装目标检测   双注意力增强   融合互增强   注意力机制  

摘要： 伪装目标检测的任务是找到因颜色、纹理等相似特征而与背景混合的目标,而现有方法没有充分考虑边缘特征对检测性能的影响,存在漏检、错分等情况,检测精度仍需提升。为了克服以上不足,提出一种基于层内双分支相互增强注意力的伪装目标检测方法,该方法在现有多监督机制的基础上,引入对象边缘的预测模块,使模型的检测性能得到提升。为增强模型对物体的空间定位和识别能力,以Swin Transformer模型作为主干网络,设计了一种新型的层内双分支相互增强注意力模块,该模块包含双注意力增强模块和简单互增强模块。在CAMO、COD10K、NC4K等3个主流基准数据集上开展实验评估模型的性能,并将其与现有18种典型算法进行比较。结果表明:该模型具有优越的性能,在S_(α)、αE、ωF、MAE 4个性能指标上显著地优于现有18种先进的方法。

关键词： 深度学习   煤矸石   YOLOv7   目标检测  

摘要： 煤矸石分拣是煤炭开采和加工过程中的重要环节,可以有效降低煤炭后期加工难度和成本。针对目前我国煤矸石分拣工艺复杂、分拣效率低、人工选矸工作难度大等问题,提出了一种基于深度学习的煤矸石检测方法。该方法采用YOLOv7深度学习算法为核心,通过制作煤矸石数据集、训练检测模型、搭建煤矸石检测平台,实现了煤矸石实时智能分拣。试验结果表明,YOLOv7模型的mAP为96.70%,检测速度为69fps,相比于YOLOv5、SSD和Faster-RCNN算法具有明显优势。

关键词： 垃圾分类   目标检测   轻量化网络   坐标注意力   多尺度检测  

摘要： 当前高速发展的社会和迅速增长的城市人口,使得日益严峻的垃圾污染问题越发凸显,垃圾分类处理势在必行。人工处理存在任务重、效率低等问题。部分自动化的分类方法检测精度低,速度慢。为提高复杂场景下垃圾检测准确率,同时轻量化结构,使其便于部署,提出一种融合轻量化卷积模块、注意力机制和多重感受野模块的改进YOLO v5s的垃圾检测模型Lightweight Garbage Detection-YOLO(LGD-YOLO)。首先,在网络结构中引入Ghost卷积和包含GSConv的Slim-Neck模块,使模型变得更加轻量化;其次,嵌入坐标注意力机制,侧重于关注重要信息,以提高检测精度。最后,引入多重感受野模块,提高模型的多尺度检测能力,避免小目标物体的漏检。采用包含不同环境下垃圾图片的Trash_dataset数据集进行测试验证。结果表明:改进后的模型参数量和计算量分别为5.77 M和9.2 GFLOPs,与原模型相比分别减少22.4%和56.4%,单张图片检测速度为26.5 ms,达到垃圾检测的实时性要求。此外,改进的算法具有良好的检测精度,mAP_(0.5)和mAP_(0.5∶0.95)分别达到96.20%和77.77%,优于当前流行的目标检测算法。

关键词： YOLOv5s   自动驾驶   目标检测算法   深度可分离卷积   感受野模块   自适应空间特征融合   PANet   多尺度特征融合  

摘要： 在复杂道路场景中检测车辆、行人、自行车等目标时,存在因多尺度目标及部分遮挡易造成漏检及误检等情况,提出一种基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法。首先,利用深度可分离卷积替换部分普通卷积,减少模型的参数量以提升检测速度。其次,在特征融合网络中引入基于感受野模块(receptive field block,RFB)改进的RFB-s,通过模仿人类视觉感知,增强特征图的有效感受野区域,提高网络特征表达能力及对目标特征的可辨识性。最后,使用自适应空间特征融合(adaptively spatial feature fusion,ASFF)方式以提升PANet对多尺度特征融合的效果。实验结果表明,在PASCAL VOC数据集上,所提算法检测平均精度均值相较于YOLOv5s提高1.71个百分点,达到84.01%,在满足自动驾驶汽车实时性要求的前提下,在一定程度上减少目标检测时的误检及漏检情况,有效提升模型在复杂驾驶场景下的检测性能。

关键词： 边坡稳定   落石监测   运动检测   目标识别   目标跟踪  

摘要： 边坡落石是一种常见的自然灾害,构建高效准确的落石监测方法对边坡安全监控十分重要。传统基于视频图像的落石监测方法缺乏对落石运动的关注。针对该问题,选取YOLOv5s和DeepSort模型,基于DBT框架,从框架、算法两个层面对模型进行改进,提出了基于M-DBT框架的落石跟踪算法。框架层面,基于Background Matting算法搭建了运动检测器,并融入原有的DBT框架中,依据运动检测结果动态调用落石跟踪算法,提出了M-DBT目标跟踪算法框架,提高了设备算力的使用效率。算法层面,基于CBAM注意力机制、ASPP空间金字塔池化、SIoU损失函数和Swin Transformer网络集成优化了YOLOv5s和DeepSort算法,提高了算法对落石特征的提取能力、预测框的准确率及检测目标ID分配精度。使用自建目标检测和图像分类数据集进行模型训练与试验,试验结果表明:基于M-DBT框架的落石跟踪算法与基于DBT框架的算法相比,能有效减少算力资源消耗(最高可减少21.5%);改进后的YOLOv5s模型检测精度提高了8.4%,岩块检测准确率最高达87%;改进后DeepSort模型的跟踪精度提升了8.9%,跟踪准确率最高达84%。所提落石跟踪算法能够实现边坡落石的检测与跟踪,具有较强的实用价值。

关键词： 深度学习   目标检测   YOLOv8   渔船识别   进出港统计   伏渔季管理  

摘要： 为减轻渔港执法人员在渔船进出港统计工作中的压力,提出了一种基于改进YOLOv8模型的渔港船舶进出港目标检测与统计模型YOLOv8n-Bi-FPN-EMA,该模型采用加权双向特征金字塔网络结构(Bi-FPN),引入高效多尺度注意模块(EMA)以提高模型的目标检测准确性和稳定性,并结合BoT-SORT跟踪算法实现对不同类型船舶进出渔港的分类统计。结果表明:与YOLOv8n模型相比,YOLOv8n-Bi-FPN-EMA模型的准确率提高了5.0%,mAP@0.5提高了0.2%,对执法船、拖船和渔船的识别准确率分别提高了9.9%、4.9%、0.3%。其中,对渔船的识别准确率为99.1%,召回率为84.4%,mAP@0.5为97.8%。研究表明,YOLOv8n-Bi-FPN-EMA模型在渔船识别上有较好的表现,可用于渔船识别与进出港统计的辅助工作。

关键词： 图像处理   GhostConv卷积模块   双向特征金字塔网络   卷积块注意力模块   Soft双向特征金字塔网络   轻量化模型   小目标检测   VisDrone数据集  

摘要： 为了解决无人机航拍图像小目标检测算法检测速度与精度无法兼顾的问题,在Yolov5的基础上,提出了针对于无人机图像小目标检测的Yolov5_GBCS算法。在新的算法中,添加一个额外的检测头,以便增强对小目标的特征融合效果;在主干网络中分别采用GhostConv卷积模块、GhostBottleneckC3模块替换部分Conv模块和C3模块用以提取丰富特征和冗余特征以提高模型效率;引入加权双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)结构,用以提高对小目标的检测精度;在主干网络和颈部网络中引入轻量化的卷积块注意力模块(convolutional block attention module,CBAM),关注重要特征并抑制不必要的特征,增强小目标特征表达能力;使用Soft-NMS算法来替换NMS,因此降低了小目标在密集场景下的漏检率。通过在VisDrone2019数据集上的实验结果表明,集成了所有改进的方法后的Yolov5_GBCS算法,不仅提高了检测精度,而且有效地提高了检测速度,模型的mAP从38.5%提高到43.2%,检测速度也从53 f/s提高到59 f/s。Yolov5_GBCS算法可以有效地实现无人机航拍图像中小目标识别。

关键词： 图像分割   计算机视觉   相似特征   Image   图像划分   可分析性   聚类   分割方法  

摘要： 引言图像分割(Image Segmentation)~([1])是将图像划分成多个具有相似特征的区域或对象的过程,是计算机视觉领域一种广泛应用的技术,图像分割技术能够自动将图像分成若干具有相似性质的区域,从而提高图像的可分析性。图像分割的方法日新月异,当前有多种图像分割技术,如基于图论的分割、基于语义的分割、基于聚类的分割方法。