关键词： 油气管道   漏磁检测   深度学习   YOLOv8   目标检测   数据集  

摘要： 油气管道漏磁检测是评估管道完整性的重要手段,但传统人工分析方法存在效率低、误判率高等问题,故提出了一种基于YOLOv8深度学习算法的油气管道漏磁检测智能识别方法,实现管道缺陷的自动化检测。研究创新性地构建了一套基于人工标注经验的自动化训练数据集生成方法,有效继承了专家领域知识,显著提升了数据集构建效率。通过对漏磁信号进行预处理和图像增强,将原始数据转换为标准化灰度图像,并采用自适应图像增强策略,有效提升了图像质量和目标特征的可区分性。从实际工程项目中采集并生成36 098张高质量漏磁图像,其中3 403张含缺陷图像用作训练集。缺陷在管道轴向-周向平面上呈现相对均匀分布,在焊缝位置存在局部高密度区域,尺寸主要集中在较小范围内并呈现长尾分布特征,为模型训练提供了扎实的数据基础。训练过程中,模型的精确率P和召回率R指标分别稳定在0.66和0.60,mAP@0.5指标稳定于0.57,而mAP@[0.5∶0.95]达到0.27。在实际工程数据测试中,模型的精确率、召回率和F1分数分别达到63.17%、65.24%和64.19%,验证了YOLOv8模型在管道检测任务中的可行性和优异的检测性能。该方法不仅显著提高了检测效率,降低了人工成本,而且有效避免了人为因素导致的判断偏差。研究结果表明,基于深度学习的智能识别方法在油气管道漏磁检测领域具有广阔的应用前景。

关键词： 水下目标检测   YOLOv7   漩涡聚合网络   噪声特征扰乱  

摘要： 水下目标检测在海洋探索、生态保护和水下机器人导航等领域具有重要应用。然而,由于水下环境的复杂性,如光照不均匀、悬浮颗粒干扰和低对比度图像,传统的目标检测方法在水下环境中的表现往往不尽如人意,尤其是面对数据中的噪声问题。为了解决这一问题,本研究提出了一种基于YOLOv7的改进模型用于水下目标检测。我们将YOLOv7作为基线模型,针对其在水下环境中的不足之处,对模型的关键模块进行了优化。具体而言,我们提出了一种漩涡聚合网络模块来破坏噪声数据,并在此过程前引入了空间注意力机制,帮助网络更好地关注重要特征,并抑制不相关的噪声;针对下采样过程中可能存在的信息丢失问题,我们提出了空间到深度池化模块(STD-MP),通过将空间特征转换为深度特征,结合最大池化操作完成下采样过程;最后,我们对损失函数进行了优化。实验结果表明,我们的模型相比于基准模型提升了4.2%的mAP。Underwater object detection has important applications in fields such as ocean exploration, ecological protection, and underwater robotics navigation. However, due to the complexity of the underwater environment, including uneven lighting, interference from suspended particles, and low-contrast images, traditional object detection methods often perform suboptimally in underwater scenarios, particularly when dealing with noisy data. To address this issue, this study proposes an improved model based on YOLOv7 for underwater object detection. We use YOLOv7 as the baseline model and optimize its key modules to overcome its limitations in underwater environments. Specifically, we introduce a vortex aggregation network module to disrupt noisy data, incorporating a spatial attention mechanism before this process to help the network better focus on important features and suppress irrelevant noise. To tackle the issue of potential information loss during downsampling, we propose the Space-To-Depth Pooling (STD-MP) module, which converts spatial features into depth features and combines them with max pooling for downsampling. Finally, we optimize the loss function. Experimental results show that our model achieves a 4.2% improvement in mAP compared to the baseline model.

关键词： 目标检测   YOLOv7-tiny   激活函数   集中综合深度可分离模块   注意力机制  

摘要： 实现实时印刷电路板(Printed Circuit Board, PCB)表面缺陷检测是提高PCB制作工艺流程智能化的基础,针对原始PCB检测方法耗时长、精度低、不易移动的问题,提出了一种基于YOLOv7-tiny的改进模型。将YOLOv7-tiny中的SiLU激活函数替换为ELU函数,引入集中综合卷积模块(C3模块),将深度可分离卷积与C3相结合,构成集中综合深度可分离模块,并添加卷积块注意模块。经实验,改进后的模型在检测准确性、召回率以及均值平均精度上都表现出色,相较于原模型大小下降了2.8 MB。与其他主流的目标检测方案对比,也表现出较好的检测效果。改进后的YOLOv7-tiny能够保持更高的准确性,同时还减少了模型的内存需求,这为PCB缺陷的实时检测以及边缘部署提供了新的可能性。

关键词： 残障人员   运动特征   异质人群   实验平台   图像处理  

摘要： 为克服开展真实残障人员运动实验的挑战,设计并研制了一个能够模拟残障人员和健全人员组成的异质人群运动教学实验平台。结合文献调研、可控实验、图像处理等方法,设计了通道中残障人员和健全人员组成的异质人群单向运动实验方案,模拟真实的异质人群运动过程。基于理论分析,从人员运动轨迹、典型行为特征、速度、密度、流量等角度分析异质人群的基本运动规律,结果符合经验结论,验证了该平台模拟异质人群运动的可行性和合理性。该实验平台可为交通安全、安全管理等领域的实验研究与教学创新提供参考。

关键词： 监测系统   Jetson Orin NX   实时   小麦储存  

摘要： 小麦杂质监测在粮食储存过程中至关重要,较高的杂质含量会加速小麦的霉变和变质,进而导致储存损失和资源浪费。然而,目前的杂质检测仍以人工检测为主,效率低且存在较大的局限性。针对这一问题,设计了一种基于嵌入式计算平台的小麦杂质监测系统,该系统以Jetson Orin NX为核心计算平台,通过小麦采样与检测装置对收获小麦的杂质含量进行实时监测,并对数据进行处理和显示。试验结果表明,小麦杂质监测系统的变速箱在不同挡位转速下,系统均能够实时监测收获小麦的杂质情况,显示采集样本中的杂质数量,并具备警告提醒功能。该系统的应用对大规模小麦储存的精细化管理具有重要意义。

关键词： 飞机零件   机器视觉测量   图像处理   密封垫圈  

摘要： 文章针对飞机零件的机器视觉测量方法和机构设计进行了深入研究。首先,借助Matlab软件对被测零件图像进行去噪、二值化、图像分割,以及对分割后图像的再优化;然后,采用Canny算子对边缘像素进行定位;最后,通过图像数据提取与拟合,实现密封垫圈参数的测量。实验结果表明,使用文章方法和数显千分尺对同一零件进行测量,测量平均误差仅为0.005 mm。因此,文章采用的视觉检测方法,可以实现对中小模数密封垫圈快速、高精度测量。

关键词： 双高斯分布   输电铁塔   螺栓状态   无人机   可见光图像  

摘要： 为有效判断输电铁塔螺栓当前应用状态,排除人工干扰。文中提出基于无人机可见光图像的输电铁塔螺栓状态检测方法。利用无人机搭载可见光摄像机采集输电铁塔螺栓可见光图像,图像经旋转、平移与缩放处理后,校正螺栓的方向与格式大小;利用中值滤波方法增强校正后螺栓图像,构建输电铁塔螺栓状态检测双高斯分布拟合模型,按照优先级排列顺序通过拟合判断检测前景目标,实现输电铁塔螺栓状态检测。经实验验证:通过该方法增强后图像对比度及细节明显增加,可有效检测出螺栓的中心区域坐标以及边缘轮廓像素,且目标检测概率相对较高。

关键词： 无人机   航道治理   5G通信   目标检测  

摘要： 水运是现代化综合立体交通网的重要组成部分,保障内河航道运输安全与绿色环保至关重要。本文介绍了通过在京杭大运河镇江段沿岸部署无人机及机场,并结合5G、AI等前沿技术,开发无人机巡查系统,针对航道、港口等构建目标识别算法,实现对航道的全天候监管、无人化巡查、智能化识别等功能,对提升内河航道数字化治理水平具有重大意义。

关键词： G-YOLO v7   目标检测   GhostNet   YOLO v7   无人机图像(UAV)  

摘要： 针对传统无人机(unmanned aerial vehicle,UAV)目标检测算法存在漏检率高、检测成功率低、模型体积大等问题,提出一种新的基于GhostNet和注意力机制的大检测头网络结构的目标检测方法G-YOLO v7(GhostNet YOLO v7)。该技术在YOLO v7-tiny的基础上增加一个大尺寸160×160目标检测头以提升小目标检测能力,同时对网络进行轻量化处理。删除原有20×20的小检测头及其卷积结构,新增GhostNet卷积模块,以减少网络的参数量,降低模型体积,同时修改损失函数为WIoU(wise intersection over union),增加PCBAM(parallel convolutional block attention module)注意力模块以提升检测精度。实验结果表明,基于G-YOLO v7网络结构的目标检测的mAP@0.5为42.3%,较YOLO v7-tiny提升5.2%,较YOLO v8n提升7.4%。G-YOLO v7的参数量和模型体积仅为YOLO v7-tiny的33.9%和37.9%,YOLO v 8n的64%和75.6%,能够有效地应用于无人机航拍图像目标检测。

关键词： 苹果采摘   目标检测   YOLOv8   MFIC   可变形注意力  

摘要： 针对现有检测方法存在遮挡苹果检测困难以及易错检、漏检的问题,提出一种基于改进YOLOv8的苹果检测算法。使用树枝、树叶对苹果数据集进行前景加强,加强遮挡特征;采用多特征信息融合模块C2f-MFIC组合独立细节信息,以丰富特征图内容,提升特征响应;通过引入可变形注意力机制DAttention强化感兴趣区域并且抑制冗余环境的干扰;为了提升边界框预测的准确性,引入Shape-IoU,考虑位置框的形状与尺寸,加强回归定位;采用曼哈顿距离加权对图像进行后处理,结合置信分数与边框阈值综合评优。在苹果检测数据集上进行消融实验,结果表明,改进的YOLOv8n算法和base算法相比,mAP@0.5提高了3.4%,mAP@[0.5∶0.95]提高了6.2%,recall提高了4.1%,参数量和计算量分别减少了0.73%、3.7%,与当前流行的识别网络相比,对苹果具有更好的识别效果。