关键词： 条码   深度学习   目标检测   轻量级   YOLOv7-tiny  

摘要： 针对当前复杂工业场景下条码检测精度低、多尺度识别难度大、检测算法复杂度高的问题,本研究提出一种基于改进YOLOv7-tiny的轻量级条码检测算法。首先,针对检测算法复杂度高、难部署到嵌入式设备的问题,引入ShuffleNet v2轻量化网络并将其结构中步长为2的深度可分离卷积修改为空洞卷积来扩大感受野,修改后作为新的特征提取网络。其次,嵌入CBAM(Convolutional Block Attention Module)轻量级注意力机制提高网络特征提取能力,获取更丰富的语义信息,提升小目标检测精度。最后,采用SIoU损失函数替代原始的CIoU损失函数,增强条码定位能力。实验结果表明,改进后的YOLOv7-tiny模型相比原模型的平均精度和速度分别提升了2.36%和19frame/s、参数量和计算量分别减少了0.9MB和1.9G,满足工业场景下条码检测准确度与速度的要求。

关键词： 目标检测   卷积神经网络   自注意力机制   金属锈蚀检测  

摘要： 金属锈蚀会对变电设备的正常运转造成威胁,需要电网运维部门及时发现并处理,以避免形成安全隐患,而基于卷积神经网络的金属锈蚀检测是目前一种可行的智能化检测方法。由于卷积操作着重于局部计算存在着全局信息融合能力不足的缺点,为此,论文通过在卷积神经网络输出的特征图上进行自注意力操作,构建了融合自注意力机制的特征提取网络。实验结果表明,论文提出方法在公开数据集和金属锈蚀自建数据集上可有效提高检测性能。

关键词： YOLOv11   铁轨表面缺陷检测   深度学习   目标检测   实时检测   数据增强   卷积神经网络   铁轨维护  

摘要： 随着铁路运输的快速发展,铁路轨道的安全性与可靠性成为重要的研究课题。传统的人工检测方法效率低且易受人为因素影响。近年来,深度学习,尤其是YOLO系列模型在目标检测中的应用取得了显著进展。为提高铁轨表面缺陷检测的精度和实时性,本文提出了一种改进的YOLOv11模型(TrackDef-YOLO)。通过引入多尺度特征融合、自动锚框调整和加权损失函数等创新技术,TrackDef-YOLO显著提升了对微小缺陷和复杂背景的检测能力。实验结果表明,TrackDef-YOLO相比YOLOv8和YOLOv11n模型在准确率、召回率、F1-Score和误报率等方面均有显著提升。该研究为铁路轨道智能检测提供了高效、精准的解决方案,并为基于深度学习的铁路维护系统的优化奠定了基础。With the rapid development of railway transportation, the safety and reliability of railway tracks have emerged as critical research topics. Traditional manual inspection methods are inefficient and susceptible to human factors. In recent years, deep learning, especially YOLO series models, has achieved remarkable progress in object detection. To enhance the accuracy and real-time performance of railway track surface defect detection, this paper proposes an improved YOLOv11 model, named TrackDef-YOLO. By incorporating innovative techniques such as multi-scale feature fusion, automatic anchor box adjustment, and a weighted loss function, TrackDef-YOLO significantly improves the detection capability for minute defects and complex backgrounds. Experimental results demonstrate that TrackDef-YOLO outperforms YOLOv8 and YOLOv11n models in terms of accuracy, recall, F1-Score, and false alarm rate. This study provides an efficient and precise solution for intelligent railway track inspection and lays the foundation for optimizing railway maintenance systems based on deep learning.

关键词： 采煤工作面   电气自动化   计算机视觉  

摘要： 采煤工作面电气设备故障是引发安全事故的重要因素之一。本文基于计算机视觉技术,提出了一种采煤工作面电气设备故障的智能检测方法。该方法通过工业相机实时采集设备运行图像,利用改进的R-CNN算法对图像进行处理和分析,提取设备关键部位的温度、电流等特征参数,结合支持向量机等机器学习模型实现设备状态的智能诊断与故障预警。实验结果表明,该方法能够有效识别电机烧坏、轴承磨损等典型故障,诊断准确率超过94%,为保障采煤工作面安全高效运行提供了新思路。

关键词： 目标检测   YOLOv5   ECA注意力机制   加权双向特征金字塔  

摘要： 在足球赛事中,对运动员和球实施目标识别,能够为自动化的跟踪与拍摄系统提供必要的算法支撑。针对传统技术在识别球员和足球方面准确度不足的情况,本文介绍了一种改进的检测方法,该方法结合了ECA注意力机制和BiFPN (即加权双向特征金字塔网络),简记为ECABiF-Y5n。此模型优化了ECASPPF组件,以增强局部特征表达,并改善小物体的识别效率;同时利用BiFPN来整合多层级的特征信息,生成更为有效的特征描述。实验在SoccerNet_v3_H250数据集上进行,结果表明,相较于原作者采用的YOLOv8n,整体类别的精度提升了4.4%,召回率增加了2.3%,mAP50增长了3.7%,而mAP0-95则提高了0.2%。特别是对于较难识别的“球”类别,精度提高了6.1%,召回率上升了5.9%,mAP50增进了7.6%,mAP0-95也有了2.8%的进步。这些实验对比结果证明,ECABiF-Y5n在提升检测准确性方面表现出色,特别增强了对足球赛事中小型目标的辨识能力。In football matches, implementing object recognition for athletes and the ball can provide essential algorithmic support for automated tracking and filming systems. To address the issue of insufficient accuracy in traditional techniques when identifying players and the football, this paper introduces an improved detection method that combines ECA attention mechanisms with BiFPN (weighted bidirectional feature pyramid network), abbreviated as ECABiF-Y5n. This model optimizes the ECASPPF component to enhance local feature representation and improve the efficiency of small object recognition;it also employs BiFPN to integrate multi-level feature information, generating more effective feature descriptions. Experiments were conducted on the SoccerNet_v3_H250 dataset, showing that compared to YOLOv8n used by the original authors, the overall category precision increased by 4.4%, recall rose by 2.3%, mAP50 grew by 3.7%, and mAP0-95 improved by 0.2%. Specifically, for the “ball” category, which is more challenging to detect, precision improved by 6.1%, recall increased by 5.9%, mAP50 by 7.6%, and mAP0-95 by 2.8%. These comparative experimental results demonstrate that ECABiF-Y5n excels in enhancing detection accuracy, particularly strengthening the identification capability for small objects in football games.

关键词： 电力通信机房巡检   多阶段   超分辨率重建   多小目标检测   注意力机制   K-means++  

摘要： 提出了一种多阶段小目标检测方法。首先,利用轻量级目标检测网络YOLOX-m对待检目标进行快速检测,获取含有小目标的中间图像;然后,利用改进SRCNN(super-resolution convolutional neural network)超分重建算法对中间图像进行超分预处理操作,获取含有小目标的高分辨率图像;最后,构建基于深度可分离卷积核和通道注意力机制的轻量化小目标检测网络(small object network,SO-Net),并在模型训练过程中引入先验框聚类机制,以提高小目标检测精度。对电力通信机房巡检目标的测试结果表明,该改进SRCNN+SO-Net多阶段目标检测方法能提高小目标图像分辨率,平均检测精度均值、检测速度分别为91.72%、18.7帧/s,明显优于其他小目标检测方法。该方法为提高图像背景复杂条件下小目标检测精度和速度提供了一种新的技术手段和研究思路。

关键词： 人工智能   炼化领域   知识图谱   大数据分析   机器学习   深度学习   计算机视觉   自然语言处理  

摘要： 介绍了人工智能相关技术在石油化工领域的全球发展态势以及应用现状。目前,人工智能相关技术已经广泛应用于从上游的勘探开发场景,到中游的炼油厂生产过程,再贯穿至下游的运营、销售、投资等领域,显著提高了石油化工领域的工作效率和生产效益。未来,人机协同所产生的融合智能,将更加高效地解决复杂问题,使人工智能成为人类智能的自然延伸和拓展,进一步推进石化领域工作模式转变。

关键词： 旋转目标检测   箱体定位   YOLOv7-tiny   特征融合   注意力机制  

摘要： 针对物流领域箱体拆垛场景中,箱体密集堆叠、排列杂乱且来料随机等导致难以精确定位的问题,提出了一种基于旋转框定位的轻量级箱体精确检测方法。在单阶段目标检测网络YOLOv7-tiny的基础上,针对箱体目标密集排列的问题,引入融合多尺度可变形卷积的特征选择模块改善箱体形变建模,提升上下文特征提取能力;融合坐标注意力(coordinate attention,CA)机制以增强目标位置特征表达;采用旋转框长边表示法精确表示箱体边界,并结合高斯分布的KL散度(Kullback-Leibler divergence,KLD)作为损失函数,实现箱体旋转框的高精度回归。实验结果表明,改进方法在箱体数据集上检测精度AP_(75)达到85.25%,与原模型相比提升了7.85个百分点,箱体中心点平均像素距离小于3个像素,平均偏移角度小于4°,在小幅增加模型参数量的基础上,检测速度达到26.52FPS,所提方法可以有效提高拆垛箱体的定位精度,满足实际拆垛需求。

关键词： 地铁车辆   附着异物   图像识别   深度卷积神经网络   目标检测   数据集   模型训练   训练方法  

摘要： 现有的地铁车辆异物检测模型存在真实训练数据匮乏、检测精度低等问题,难以满足实际应用的需要。对此,从公开数据集和互联网中收集废弃塑料袋等异物图像并标注异物轮廓,利用随机旋转、缩放等方法扩展图像数据,利用泊松融合算法,将异物图像与可能附着异物的图像随机融合,生成附着异物图像数据集。采用随机mixup方法,利用扩充后的数据集,训练基于YOLOv4网络的地铁车辆附着异物检测模型,并开展验证试验。试验结果表明,利用扩充后的异物数据集,采用随机mixup方法训练后的检测模型,检测效果更佳。

关键词： 夜间视频   目标检测   YOLOv8   Adown   CBAM  

摘要： 夜间视频目标检测一直是一项具有挑战性的课题。由于低能见度和光线不足等问题,夜间视频目标检测面临诸多挑战。该文提出了一种改进的YOLOv8算法,在YOLOv8n模型的基础上,引入了SOTA(State-of-the-Art)轻量化下采样ADown模块和CBAM注意力机制,以降低参数量、提高检测精度并增强模型的感知能力。实验结果表明,相较YO-LOv8n,改进算法的计算量和参数量分别下降了8.5%和10.5%,mAP@0.5~0.95值提高了3.7个百分点,有效提升了夜间目标检测的精度。