关键词： 桥面污染物   应急管理   计算机视觉   信息融合   平急两用  

摘要： 桥梁危化品运输泄漏导致水污染事件机理复杂,影响因素多,极难人为识别和提前研判,目前迫切需要利用高效便捷的信息技术构建智慧化桥面污染物应急管理系统;同时桥面径流会对桥梁跨越的生态敏感区的环境造成危害,应做好污染径流的收集、处理和运维管理工作。分析实际工程应用场景及应急管理系统功能,通过对系统架构以及系统功能的分析研究,提出针对桥面突发事件设计的基于计算机视觉的智能应急管理处置系统,应用多源异构信息融合感知体系以潜在危险源为目标实现监测、识别、响应、处置及恢复功能,可智能识别桥面突发事件与不利天气状态,通过自动化控制系统实现了日常与应急状态事件的集中管理、统筹调度,可有效阻止水环境污染现象,且多事件统一管理,避免了安装多款软件及安排人员值守的成本,不仅建设成本和运维成本低,还具备快速应急指挥、自动化处置能力,可大规模推广应用。以河南安罗黄河特大桥为依托工程,验证新方法可有效提升应对突发事件的能力,降低安全防护成本,有效保护生态环境。

关键词： 非现场监管   YOLO算法   实时监控   异常检测   计算机视觉  

摘要： 医疗器械生产过程的质量与安全直接关系到公众健康,传统现场监管因实时性和覆盖范围的局限,难以满足现代化生产需求。本文设计了一套基于YOLOv5的智能化非现场监管系统,结合深度学习与计算机视觉技术,实现了对隔离门状态、防护设备佩戴及洗手动作的实时监测与异常检测。系统在复杂场景下通过多尺度特征融合与数据增强,确保了高效的目标检测与异常行为识别。实验结果表明,该系统在生产监管中表现出卓越的实时性与鲁棒性,显著提升了监管效率,为医疗器械生产企业的智能化转型提供了技术支持。

关键词： 跨介质高速小目标   目标检测   注意力机制   深度可分离卷积  

摘要： 在高速射弹测试领域,射弹的极高速度使探测技术面临显著挑战,实时检测与定位射弹的能力受限。由于射弹实验布设复杂、成本高昂,引起射弹检测可用数据集的稀缺。针对上述问题,搭建跨介质射弹入水测试系统,使用高速相机捕捉射弹,制作跨介质射弹数据集并采用数据增强的方法扩充现有数据集。针对射弹入水瞬间检测精度相较于射弹在空气和水中检测精度明显降低的问题,提出一种基于坐标注意力机制的跨介质小目标检测方法。该方法在高精度识别射弹小目标的基础上,替换传统的卷积为深度可分离卷积,在检测精度、速度和模型复杂度之间实现了良好的平衡。实验结果表明,新方法在射弹入水瞬间的检测精度提升了2.68%,召回率提升了7.31%,为跨介质高速小目标检测提供了解决方法。

关键词： 输电线路   目标检测   绝缘子缺陷检测   复杂背景   轻量化   RT-DETR算法  

摘要： 为解决无人机在输电线路绝缘子巡检中目标检测算法面临的模型复杂度高、小目标缺陷检测精度不足和上下采样过程中容易造成特征丢失等挑战,本文提出了一种基于轻量化改进的RT-DETR绝缘子缺陷检测算法(SDH-DETR)。首先,以RT-DETR作为基线算法,降低优化难度并提高鲁棒性;其次,采用轻量级StarNet作为主干网络,在显著降低模型复杂度的同时提升特征提取能力;接着,引入DySample动态上采样模块,通过基于采样点的自适应上采样方法,有效减少细节丢失与图像失真;最后,利用Harr小波变换下采样模块(HWD),实现低频与高频信息的高效融合,抑制复杂背景干扰并增强对小目标的检测能力。在复杂背景数据集上的验证实验表明,SDH-DETR的平均精度达98.5%,较基线算法提升0.9%,参数量和计算量分别减少43%和46.1%,检测速度达78.6 fps。这表明该算法在保证高准确性的同时,实现了轻量化设计,满足了输电线路巡检对效率和性能的实际需求。

关键词： 目标检测   多视图融合   激光雷达   Dempster-Shafer证据理论   注意力机制  

摘要： 在自动驾驶领域,汽车周围的环境信息能够通过3D点云很好地呈现出来,而激光雷达是获取3D点云数据的关键来源。但对于现有的3D目标检测任务而言,直接处理点云数据会因数据量庞大而占用大量计算资源;另外,利用由点云数据生成的投影视图进行检测时,又会因其视角的限制而增加漏检和错检的风险。为此,提出一种基于激光雷达点云投影的多视图融合目标检测方法。首先,将点云投影并编码为三通道2D鸟瞰图(BEV)和距离视图(RV)完成数据预处理;然后,将编码后的BEV和RV分别输入到增加有效通道注意力(ECA)模块的Complex-YOLOv4和YOLOv5s网络中进行目标检测,得到初步检测结果;最后,基于引入证据权的Dempster-Shafer证据理论,将两个视图的目标检测结果进行多视图决策融合,得到最终检测结果。实验结果表明:相较于基于单个BEV或RV视图的方法,所提方法的平均精度均值(mAP)分别提高4.07百分点和4.18百分点,显著提升目标检测性能。

关键词： 无人机   智能运维   计算机视觉分析  

摘要： 在“低空经济”的政策引导下,基于计算机视觉分析技术的无人机智能运维应用是结合了无人机技术与轨道交通管理需求的创新解决方案。通过利用无人机的灵活性和高效性,结合计算机视觉分析算法,为轨道交通系统提供全方位的复杂场景下的运维服务,从而提高轨道维护效率,降低运营成本,并保障轨道交通的安全运行。

关键词： 辅助诊疗系统   深度学习   皮肤病诊断   目标检测   图像分类  

摘要： 目的为皮肤病患者提供准确的诊疗建议,使患者及时得到专业的治疗。方法基于医院科研大数据平台,以专病数据库的建立为基础,构思并设计皮肤病智能辅助诊疗系统。系统利用深度学习算法对皮肤病图像进行特征提取与分类,实现对皮肤疾病的辅助诊断。结果系统对皮肤疾病图像进行识别判断后,结果与诊疗知识库相匹配,为患者提供相应的皮肤病诊疗建议。结论本研究构建的皮肤病智能辅助诊疗系统,有助于患者快速、准确地获得有效治疗,降低病情恶化的风险。

关键词： 图像处理   缺陷检测   SURF特征   图像配准   缺陷密度  

摘要： 针对深度学习算法无法兼容设备检测及新样本收集、检测时效性及泛化能力差的瓶颈,提出了一种基于SURF特征改进的传统模板匹配检测算法。首先,使用SURF算法对图像进行特征提取,采用乘积量化理论构建搜索树,结合特征点空间位置信息快速筛选匹配点;其次,根据匹配点获取单应性矩阵和仿射变换矩阵,通过两矩阵结合筛选“内点”进行偏移量计算并执行图像配准;最后,结合局部缺陷密度度量法思想,综合区域前景及区域背景加权方式计算缺陷密度,通过缺陷密度判定标签是否合格,同时针对小字符特征少又含有局部偏移的场景,使用改进方法避免误判。结果表明,所提算法在自建数据集上的准确率、召回率及F1分别为98.67%、97.69%及98.18%,均优于主流方法,在设备上实际应用时满足实时性要求。该算法能有效提升特征点稳定性和检测精度,为其实际应用提供了技术参考。

关键词： 目标检测   YOLOv7   注意力机制  

摘要： 针对无人机航拍图像目标检测任务中目标数量多并且小目标占比多的问题,提出了一种基于YOLOv7的无人机航拍图像目标检测算法。首先,在YOLOv7网络基础上增加了一个小目标预测头;其次,在网络中嵌入Swin Transformer注意力模块;然后,在网络特征融合部分集成了卷积注意力模型(CBAM),在公开数据集VisDrone2019上mAP0.5提升6%,mAP0.95提升4.9%。

关键词： 无人机   路面病害   目标检测   YOLOv8   轻量级   知识蒸馏  

摘要： 针对无人机检测路面病害的实时性与准确性需求,提出基于改进YOLOv8的轻量级检测算法LHP-YOLO。将RG-C2f模块替换原C2f模块以减少计算冗余,设计了轻量化检测头Detect-T3G以减少模型参数量,在颈部网络嵌入内容引导注意力融合机制以提升复杂背景下的目标检测精度,应用通道级知识蒸馏以补偿轻量化带来的精度损失。在路面病害数据集RDD 2022上的实验表明:改进模型的mAP50较原模型提升3.4%,参数量与计算量分别为1.76×106和3.9 GFLOPs,较原模型减少了41.3%和51.8%,满足无人机路面病害检测的实时性要求。