关键词： 深度学习   目标检测   智能船舶   雾环境  

摘要： 针对船舶在雾环境中因能见度不良易发生碰撞、船舶识别困难和检测精准度较低等问题:首先构建出雾环境下的船舶目标检测数据集;接着在YOLOv5基础上进行改进,在原网络结构基础上,为使深度可分离卷积更接近可分离卷积,使用GSConv模块替换Head部分CBS模块,以提高模型精准度,并引入Slim-Neck范式,进一步提高模型平均精准度,降低模型的计算量。同时,采用多项式损失函数替换原二元交叉熵损失函数,以提高模型的精准度,并引入SIoU Loss消除真实框与预测框方向问题的缺陷,以提高训练速度和推理准确性。实验结果表明,模型在mAP0.5指标上达到95.7%,相较于基础YOLOv5模型,改进后的船舶目标检测模型mAP0.5提高0.9%、mAP0.95提高0.9%,同时FLOPs也降低2.1G。这一结果表明,雾环境下的船舶目标检测模型具有更优的精准度和更轻量的模型结构,在提高雾环境下船舶检测的精准度和效率方面具有很好的应用前景。

关键词： 公路绿化   人工智能   目标检测   深度学习  

摘要： 探讨基于深度学习的智能目标检测技术在公路绿化管理中的应用与优化,目的是让公路绿化管理的效率和水平更上一层楼。目前传统的人工巡视方式存在效果不显著、浪费人力等问题,故此需要一个新的解决方案。基于深度学习的智能目标检测技术能够快速、准确地识别和定位公路上的绿化目标,对推动公路绿化管理的可持续性和可发展性有积极影响。然而,目标检测技术在公路绿化管理中面临天气、光照和GPU资源限制等挑战。为解决这些问题,提出了轻量型YOLO-IoU网络,通过优化数据集扩充、特征提取和损失函数,改进了目标检测模型,提高了效率和精度,mAP@0.5值为99.48%,具有很好的鲁棒性。

关键词： 垃圾桶满溢检测   目标检测   指标设计  

摘要： 随着我国城镇化率不断提升,垃圾处理问题日益突出,体现在垃圾分类、收运统筹和资源化利用等方面。作为计算机视觉的重要分支,目标检测能精准识别给定图像中目标物体的类别和具体位置,可在垃圾桶满溢检测中发挥重要作用。主要研究目标检测的YOLO算法及关键评价指数,为垃圾桶满溢检测提供一个Baseline,并从标签和异常数据分析,结合垃圾治理的调研情况,设计图片检测对应的业务指标,通过图片检测有效率解决标签检测漏检率过高的问题。

关键词： 双目测距   图像处理   档距审计   电力工程数据分析  

摘要： 针对电力工程线路图像信息利用程度低的问题,基于图像深度学习技术,文中提出了电力线路档距智能识别与审计算法。该算法利用维纳滤波进行电力线路图像的预处理,采用极线矫正和立体匹配完成实际空间点在双目图像中的映射匹配。同时使用Sobel算子进行边缘检测,并通过三维坐标转换实现电力线路档距的智能识别与审计。仿真算例结果表明,所提算法的档距识别平均误差仅为3.4%,相比于单目测距算法具有更高的识别准确度。且在实际电力工程应用中,该算法对档距不合格线路的识别率高达85%,远大于单目测距法的40%,故可有效提升电力工程线路审计的智能化水平。

关键词： YOLOv5s   激光雷达   多传感器融合   目标检测  

摘要： 目标检测是自动驾驶感知系统的基础。由于单一传感器的感知存在时空盲区问题,本文提出一种基于相机与激光雷达的后融合目标检测算法。该算法采用改进后的YOLOv5s视觉目标检测算法来检测目标类别,其平均精度均值提高了2.75%。激光雷达感知采用分段聚类半径的欧几里得聚类算法对预处理后的点云信息进行聚类,并检测出检测区域内物体的目标距离。通过标定的参数,将点云投影到图像上,以融合感知结果来确定检测对象的类别和距离。本文在相关工况环境下对算法进行了验证和测试,结果表明:本文提出的目标检测算法的检出率为88.9%,比单一相机感知的检出率提高了7.8%。

关键词： 电网缺陷   目标检测   注意力机制   特征金字塔  

摘要： 检测输电线路缺陷并及时维修可以确保电网的安全稳定,具有重大的实际意义。但输电线路图像背景复杂、元件尺寸小,导致现有的目标检测模型不能取得很好的效果,因此文中提出了基于双分支串行混合注意力的输电线路缺陷检测深度神经网络模型。该模型设计了DBSA(Dual-branch Serial Attention)双分支串行混合注意力,从而将更多的权重放在缺陷上,并提出了WCFPN(Well-connected Feature Pyramid Network)特征金字塔,让经DBSA提取的特征充分融合,从而增强模型检测小目标的能力。DBSA将特征图沿高度和宽度两个分支压缩并用一维卷积提取注意力,WCFPN设计了一种包含跨尺度融合和跳层连接的新型融合路径,让经DBSA提取的高层语义信息和低层空间信息进行更充分的交互。最后在绝缘子自爆、防振锤损坏、鸟巢异物、水泥杆破损和输电线路缺陷5个数据集上进行实验,结果显示所提模型取得了最佳的检测效果,在5个数据集上的平均AP50和AP分别为84.3%和46.1%,相比目前最先进的模型YOLOv7分别提升了3.7%和3%。

关键词： 钢材   表面缺陷   目标检测   深度学习  

摘要： 钢材是工业领域不可或缺的原材料,表面缺陷严重影响钢材质量。传统钢材表面缺陷检测方法精度低、速度慢、劳动强度大,无法满足实际生产需求。近年来深度学习技术发展迅速,其能充分挖掘目标图像底层特征信息,给钢材缺陷检测带来了新的解决方案。综述近年钢材表面缺陷检测方法相关文献,简述传统检测方法的原理及其适用性,分析深度学习检测模型的结构与特点,并对目前该领域存在的一些技术难点进行总结,对未来发展趋势进行展望。

关键词： 目标检测   少样本   特征融合   特征增强   Faster R-CNN  

摘要： 为了更充分地利用支持特征和查询特征中的关键信息,提出一种基于特征融合和增强注意力的少样本目标检测方法FFA-FSOD(Feature Fusion and enhanced Attention Few-Shot Object Detection)。首先引入迭代注意力特征融合(iAFF)模块,以有效融合支持图像和查询图像的关键特征;其次在iAFF模块后添加特征增强操作,充分利用支持特征信息对查询图像中的目标特征进行增强。为避免上述两次处理可能导致的查询图像特征部分细节信息的丢失,对iAFF模块中的多尺度通道注意力模块(MS-CAM)进行改进,以捕获更多的上下文信息。在MS COCO数据集上的实验结果表明,在2-way 10-shot条件下,与小样本目标检测(FSOD)方法相比,加入iAFF模块、特征增强操作并改进MS-CAM后,FFA-FSOD的平均精度均值(mAP)提升了8.0%。实验结果验证了所提特征融合增强方法充分关注到了特征中的细节信息,从而实现了更好的少样本目标检测效果。

关键词： 规范佩戴口罩   YOLOX网络   GIoU   GUI设计  

摘要： 针对公共场所存在人员密集、异物遮挡面部以及不规范佩戴口罩等问题,以YOLOX网络为基础对人们是否佩戴口罩进行识别,同时使用GIoU损失函数,完善模型的检测效果;使用Albumentations库进行数据增强,提高捕捉面部的准确率;添加GUI设计,使用户的操作更加便捷。实验结果表明,该模型的平均准确率(mAP)达到了94.36%,可以在光线昏暗等各种环境因素下和面部存在各种遮挡物下准确识别口罩是否遮住口鼻,实时性较好,未来可在教室、商场等公共场所用于检测。

关键词： 轻量化   YOLOv4   MobileNet   多尺度融合   深度可分离卷积  

摘要： 针对当前目标检测算法模型复杂度高、实时检测图片速度较慢的难题,提出一种基于跨通道融合与注意力机制的轻量化目标检测模型,便于移动场景搭载。利用MV1模块构建主干特征提取网络,CDC模块改造多层基础卷积,提出一种基于深度可分离卷积(depthwise separable convolution,DW)的轻量化模型。在网络的颈部,三通道扩展为四通道;同时设计一种跨通道路径,融合深浅层信息,进一步加强特征提取。最后融合一种高效通道注意力机制(efficient channel attention,ECA),使算法聚焦图像中的目标位置。仿真实验结果表明:该算法在Pascal VOC 07+12数据集上所有类别的平均识别准确率达到91.64%,与最新的YOLOv7相比,模型参数量降低了60%,检测速度达到55.54 FPS,证明了该算法的有效性。