关键词： 煤与瓦斯突出   图像处理   钻杆计数   MobileNetV2  

摘要： 煤层天然气预抽可提高煤矿井下开采效率和天然气利用率,而钻孔深度是天然气预抽的关键参数。为此,对钻杆计数方法展开了详细研究。建立钻机工作状态数据集作为钻杆计数方法的数据基础,探究了煤矿井下不同环境中的钻杆计数方法。针对钻机稳定工作环境中钻杆计数精度低的问题,提出了基于改进MobileNetV2(P-MobileNetV2)的解决方案。结果表明,P-MobileNetV2在钻机工作状态识别任务上优于其他7种经典图像识别模型,在煤矿井下具有一定的应用可行性。

关键词： 水面目标检测   YOLOv8   轻量化改进   Slim-Neck设计范式   注意力机制  

摘要： 针对复杂多变的水面环境,小目标检测存在漏检、错检且检测平台计算资源有限的问题,提出了基于YOLOv8的轻量化水面目标检测算法SOE-YOLO。首先在Neck部分使用包含GSConv的Slim-Neck设计范式对模型进行轻量化改进;其次通过使用轻量型卷积(ODConv)模块重新构建Backbone部分,以减少参数量从而提高网络的检测速度;最后引入多尺度注意力机制(EMA)增强网络多尺度特征提取能力,提高小目标检测能力。在WSODD测试集中的实验结果表明,SOE-YOLO模型参数量和计算量分别为2.8 M和6.6 GFLOPs,与原模型相比分别减少12.5%和18.6%,同时mAP@%0.5和mAP@0.5-0.95分别达到79.9%和47.2%,与原模型相比分别提高2.4%和1.6%,且漏检率下降明显,优于当前流行的目标检测算法。FPS达到了64.25,满足水面目标检测实时性的要求。在实现轻量化的同时具有更好的检测性能,满足了在计算资源受限环境下的部署需求。

关键词： 河道整治工程   施工进度   无人机巡检   图像识别   目标检测   特征点匹配  

摘要： 长线性小流域治理工程中的河道衬砌、生态护岸等距离长、范围广、布置分散,且工区交通不便,人工巡检费时费力,难以及时掌握工程的整体施工进度形象面貌。提出了基于无人机巡检与深度学习的河道整治施工进度智能图像识别方法,通过定位施工节点(施工区域起点和终点)的位置计算施工进度。首先,建立了施工区域目标检测模型,针对无人机航拍影像进行河道衬砌护岸施工区域的识别以及施工节点的定位;然后,利用尺度不变特征变换(scale-invariant feature transform,SIFT)算法对不同视频帧中的施工节点进行匹配,并基于单目视觉的运动视差法,计算施工节点的实际工区坐标;最后,计算当前衬砌护岸施工进度,并分析进度偏差。结果表明:该方法得到的施工节点定位平均误差为1.026 m,平均相对误差为0.74%,该方法能够较为准确地从航拍图像中识别得到当前衬砌护岸的施工进程,从而实现长线性工区快速巡检,及时掌控现场施工进度,提高工程管理的智能化水平。

关键词： 铁道障碍物   深度学习   自动感知   目标检测   神经网络架构搜索  

摘要： 利用神经网络实现对列车运行环境的自动感知已成为保障列车安全运营的一种重要手段。然而,传统的神经网络模型设计往往依赖人工试错和经验积累,不仅耗时、费力,而且难以保证最终模型的性能最优。为此,文章提出一种零成本神经网络架构搜索方法来优化铁道障碍物目标检测模型。其首先构建一个全面的模型架构空间,并在此基础上,根据实际应用中的计算量需求对搜索范围进行有效约束,确保最终选择的模型在满足精度要求的同时也兼顾运行效率要求;接着,利用零成本神经网络架构搜索算法,快速预测各种架构的实际效果,无需进行冗长且耗时的实际训练;最后,通过比较不同模型的预期性能得分,选取最优者作为最终方案。实验结果表明,采用该方法,实现了0.711的均值平均精度以及6.12ms的单帧平均推理时间,效果显著优于同等计算量下基准模型的。

关键词： YOLOv8   YOLOv8m模型   城市交通   目标检测   电动车头盔佩戴检测  

摘要： 在城市交通中,时常出现由于电动车骑行者未佩戴头盔引发的安全事故。佩戴头盔可以有效地避免或降低安全事故带来的损害。为了解决这一问题,提出了一种基于YOLOv8的电动车头盔佩戴检测方法。首先采集数据并对数据集进行手工标注,然后将标注好的数据集分别通过YOLOv8模型的4种模型进行训练,即YOLOv8n、YOLOv8s、YOLOv8m和YOLOv8l模型,从而得到最适合检测电动车头盔佩戴的模型。实验结果表明,相较于其他三种模型,YOLOv8m模型更适用于电动车头盔佩戴检测。

关键词： 计算机视觉   深度学习   说话人脸生成   音频驱动   数字人  

摘要： 随着人工智能的快速发展,语音驱动的说话人脸生成技术因其在公共安全、医疗、电影娱乐、虚拟数字人等领域的广泛应用而受到越来越多的关注。该技术旨在根据给定的目标人脸和音频,生成自然的说话人脸视频。在过去五年中,研究人员提出了许多创新方法,以解决该领域中的不同问题,推动了这一领域的发展。本文对当前说话人脸生成领域的发展进行了系统梳理和总结,以期为学术界提供有价值的资源。此外,详细介绍了常用的数据集及多项用于评估模型性能的评价指标,为该领域的研究提供了更全面的理解和认识。最后,我们总结了该领域未来的发展趋势,并鼓励更多研究者在这一领域进行持续创新,为技术进步贡献力量。

关键词： 输煤皮带   目标检测   深度学习   U-Net网络  

摘要： 为了提高煤矿井下输煤皮带检测的效率和准确性,进行了基于U-Net的输煤皮带检测技术研究。实验中通过构建U-Net神经网络模型,实现对输煤皮带的自动识别和检测。研究结果表明,该技术有效解决了传统巡检方法存在的低效率、依赖人工干预等问题,可提高煤矿生产的安全性和效率。

关键词： 苹果   目标检测   图像增强   阴影去除   EnlightenGAN   YOLO v5m  

摘要： 自然光照下阴影会降低采摘机器人视觉系统对苹果目标的准确感知能力,导致采摘效率低。本研究采用EnlightenGAN算法进行图像增强,以实现阴影的去除和苹果目标检测精度的提升。首先通过图像光照归一化处理得到自正则化注意力图,达到图像阴影检测的目的,再采用注意力引导的U-Net作为生成器骨干网络得到增强后的图像,然后通过全局-局部判别器来比对图像信息,最终在生成器和判别器的对抗中达到图像质量增强的效果。为了进一步检验该方法的阴影去除效果,分别采用EnlightenGAN、Zero_DCE、Adaptive_GAMMA、RUAS等算法在MinneApple公共数据集上进行试验验证。结果表明,EnlightenGAN算法均方误差较Zero_DCE、Adaptive_GAMMA、RUAS算法分别降低19.21%、59.47%、67.42%,峰值信噪比增加6.26%、34.55%、47.27%,结构相似度提高2.99%、23.21%、68.29%。同时,在对果园拍摄的苹果图像进行标注后,将其送入YOLO v5m目标检测网络进行苹果检测训练。并对EnlightenGAN算法增强前后的苹果图像进行了测试,图像增强前后检测精确率分别为97.38%、98.37%,召回率分别为74.74%、91.37%,F1值分别为84%、94%,精确率、召回率和F1值分别提升1.02%、22.25%、11.90%。为证明模型有效性,对不同数据集进行了试验,结果表明EnlightenGAN算法增强后的目标检测精确率、召回率和F1值较无增强算法及Zero_DCE、Adaptive_GAMMA、RUAS算法有显著提升。由此可知,将EnlightenGAN算法应用于苹果采摘机器人的视觉系统,可以有效克服果园图像光照不均以及存在阴影的影响,提升果实目标检测性能。该研究可为自然条件下复杂光照环境中的果实检测提供借鉴。

关键词： 仪表识别   均值滤波   Hough检测   图像处理  

摘要： 指针仪表识别并读数是油气生产领域日常巡检的重要任务,但基于深度学习的指针式仪表读数识别需要针对每个项目专门进行模型训练,不具有普遍适应性,工程实施成本高。基于图像处理和深度学习算法,采用Python语言设计了一种适用于油气生产领域的指针式仪表识别系统。首先,通过巡检机器人采集生产现场巡检的数据集;其次,对巡检机器人原搭载的模型采用Python语言进行改进,并使用均值滤波除去图像噪点、Hough检测对图像特征的捕捉与分析来实现仪表的自动检测与读数;最后,通过Python代码调用tkinter实现GUI人机交互界面,达到批量识别现场仪表数据的目的。现场试验结果表明:改进后的模型准确率较高,解决了原模型识别“死点”问题,平均精度达到95%,该模型现场实测运行的误差变异系数控制在0.05以内,可以满足现场巡检需求,具有较好的油气田领域仪表识别应用价值。

关键词： MobileNetV3-SSD   图像处理   特征投影   钢筋绑扎识别  

摘要： 针对传统人工钢筋绑扎过程中操作效率低、成本高等问题,将深度学习技术应用于钢筋绑扎节点检测,提出一种融合深度学习与特征投影曲线的钢筋绑扎节点检测方法.首先,通过原始数据采集和增强构建3300幅图像的钢筋绑扎节点数据集,基于TensorFlow深度学习框架构建MobileNetV3-SSD钢筋绑扎节点识别模型,实现钢筋已绑扎/未绑扎节点的自动识别及分类,初步提取预测框区域图像;然后,对提取的未绑扎节点预测框区域进行图像预处理,提出一种由控制因子α与特征投影曲线相结合的节点定位方法实现未绑扎节点精确定位;最后,通过性能测试实验对方法评估,并根据评价指标确定识别模型与定位方法的最优阈值.实验结果表明,采用MobileNetV3-SSD钢筋绑扎节点识别模型的宏精确率和宏召回率分别为95.40%和96.70%;采用特征投影曲线定位方法的定位准确率达90.45%,平均相对误差为6.15%;所提方法可实现快速、非接触的智能化检测,具有良好的鲁棒性和应用价值.