关键词： 人工智能   光伏电站   进度管理   机器学习   计算机视觉  

摘要： 传统光伏电站工程项目进度管理存在信息滞后、预测不准、协同低效等问题。本文探讨人工智能(AI)技术在光伏电站进度管理中的创新应用:机器学习技术显著提高了项目进度预测准确性,计算机视觉技术实现了施工现场实时监控,大数据分析强化了多维度进度评估能力。实践表明,AI技术集成应用能构建智能化、可视化、预警式进度管理体系,有效提升项目执行效率,为光伏电站建设模式转型提供了新路径。

关键词： 目标检测   绝缘子   全局注意力机制   特征融合  

摘要： 针对绝缘子目标遮挡、背景复杂及掉串缺陷目标小时出现的漏检和错检问题,提出了一种改进YOLOv7的目标检测算法。在YOLOv7主干中引入GAM注意力来放大全局维度交互特征,提升目标特征提取的性能。同时设计特征融合模块DSC-C2f,在网络颈部将底层与高层的特征进行特征融合,获得了更加丰富的梯度流信息的同时提高算法效率。最后以kmeans++算法重新定义了初始预选框,使其更好的匹配目标尺度框。实验结果表明,改进算法在绝缘子和掉串缺陷的AP值分别达到了95%和98.3%,整体的召回率和均值平均精度较YOLOv7算法提高了2.4%和1.2%,尤其对遮挡目标和小目标检测更加精确。

关键词： 复杂场景   小目标检测   MS-Block(Multi-Scale Block)   ECA(Efficient Channel Attention)   注意力模块  

摘要： 针对复杂交通场景目标检测方法的不足,特别是对小目标和遮挡目标的漏检及多尺度目标检测和模型鲁棒性方面的不足,提出了一种改进后的YOLOv8s-SRCEM(You Only Look Once version 8 small model with Small object detection head,Residual Convolutional block attention module,Efficient channel attention module,and Multi-scale block)模型:引入小目标检测头,使模型能够更加敏感地捕捉小尺寸目标,提高对小目标的检测能力;在小目标检测头上集成Res-CBAM(Residual Convolutional Block Attention Module),进一步提高特征学习的显著性;在骨干网络中加入ECA(Efficient Channel Attention)模块,强化模型对特征通道重要性的关注,提升特征选择和模型的鲁棒性;将原始的SPPF(Spatial Pyramid Pooling-Fast)模块替换为MS-Block(Multi-Scale Block),模型在不同尺度上的特征捕捉和融合能力得到增强。在KITTI数据集上,改进后的模型相比于YOLOv8s模型mAP(mean Average Precision)值提高了6.6%。实验结果表明,多种改进方案的组合使模型在复杂交通场景中的检测性能得到全面提升。

关键词： 辣椒苗   移栽机   YOLOv8n   作业质量检测   目标检测   智能农业  

摘要： 针对田间辣椒苗移栽作业中传统人工检测方法的耗时和低效、无法满足实时性和精确性需求的问题,以提升检测精度,实现高效、实时的辣椒苗移栽质量监测,满足复杂环境下农业现代化的需求,本文提出了基于改进YOLOv8n的轻量化辣椒苗移栽质量检测模型。首先,使用C2f-Faster-EMA模块替换YOLOv8n模型骨干网络中的C2f模块,以减少模型参数量并提升检测效率;其次,在颈部网络中融合BiFPN(双向特征金字塔网络)和全局-局部自注意力模块,增强特征的语义与位置信息,提高多尺度特征的融合能力;最后,采用Focal-SIoU损失函数代替原损失函数,优化边界框回归性能,增强对小目标的检测效果。在自然田间环境下采集的辣椒苗数据集中,改进后的模型参数量和模型大小较原YOLOv8n基线模型分别降低42.96%和37.70%,召回率和平均精度分别提高5.19%和1.99%。为辣椒苗移栽质量检测的智能化和实时应用提供了有力支持,适合在农业无人机和便携式设备上进一步部署。

关键词： 车辆荷载   桥梁动态称重   计算机视觉  

摘要： 文章提出了一种结合深度学习和计算机视觉的新方法,以解决传统桥梁称重技术在应用场景、维护成本和数据准确性上的局限。通过YOLO-v4模型实现车辆及车轴的高精度检测,并利用SORT算法进行车辆跟踪,采用单应性变换建立坐标映射,计算实际轴距、车道位置和车速。实验结果展示了该方法在提高车辆荷载监测效率和准确性方面的潜力。

关键词： 光伏组件   目标检测   深度学习   卷积神经网络   图像处理  

摘要： 针对光伏组件的热斑和蒙尘故障,提出基于YOLOv7的故障检测模型。首先,引入Mosaic与Mixup结合的数据增强方法扩充图像数据集,提高模型的泛化能力;其次,引入坐标注意力机制(CA),不仅能关注通道特征和空间特征,还能解决长程依赖的问题。实验结果表明,改进后的YOLOv7模型在检测光伏组件、蒙尘以及热斑故障时的准确率分别达到96.08%、83.92%以及77.19%,与原始模型相比分别提升3.66个百分点、1.90个百分点以及2.27个百分点;mAP值由82.48%提升至83.05%;模型精度提高,鲁棒性增强,满足实际应用需求。

关键词： 目标检测   YOLO   边缘设备   推理精度   推理速度   数据读写量   计算复杂度   模型部署  

摘要： 现有目标检测模型在边缘设备上部署时,其检测性能和推理速度的平衡有较大提升空间。针对此问题,本文基于YOLO(you can only look once)v8提出一种可部署到多类边缘设备上的目标检测模型。在模型的骨干网络部分,设计了EC2f(extended coarse-to-fine)结构,在降低参数量和计算复杂度的同时降低数据读写量;在颈部网络部分,将颈部网络替换为YOLOv6-3.0版本的颈部网络,加速了模型推理,并将推理精度维持在较好水平;预测头网络部分设计了多尺度卷积检测头,进一步降低了模型的计算复杂度和参数度。设计了两个版本(n/s尺度)以适应不同的边缘设备。在X光数据集的实验表明,模型在推理精度上比同尺度的基准模型分别提升0.5/1.7百分点,推理速度上分别提升11.6%/11.2%。在其他数据集上的泛化性能测试表明,模型的推理速度提升了10%以上,精度降低控制在1.3%以内。实验证明,模型在推理精度和速度之间实现了良好的平衡。

关键词： 钢轨   垂直位移   图像处理   非接触测量  

摘要： 为保证轨道平顺性,消除传统钢轨位移测量装置存在的不易安装、难以实时监测等弊端,基于图像处理技术开发一种可以快速、非接触测量钢轨动位移的技术,对于分析掌握轨道状态具有重要意义。该技术基于图像处理技术对标志物、标志物特征点提取算法进行改进,分析结构形变、目标分辨率计算方法对测量精度的影响,并进行现场试验验证了该技术的工程适用性。结果表明:2×2黑色圆形阵标志物、灰度重心法与最小二乘结合算法在测量过程中将测量精度提高近51.4%;结构倾角对位移测量精度产生影响,而目标分辨率修正公式可以消除倾角产生的测量误差;位移标定法计算的目标分辨率所得位移曲线与实际位移曲线的R2更接近1,测量精度提高25%。随列车轴重增加,钢轨垂直位移增大,最大位移达到4.452 mm。因此,该技术实现对钢轨竖向动位移非接触、远距离测量,为监测轨道位移提供了技术手段。

关键词： 构件识别   进度监测   BIM   虚拟数据集   自动标注  

摘要： 针对建筑领域开源数据少、数据标注成本高、目标检测模型训练困难等问题,提出一种基于BIM与计算机视觉的施工现场构件识别方法。首先,利用BIM三维模型模拟施工现场并进行渲染,批量生成包含目标构件的二维虚拟图像;随后,利用阈值分割、形态学腐蚀等图像处理手段突出构件主体,实现虚拟图像的自动标注;最后,利用带标注的虚拟图像训练目标检测模型,并迁移应用于真实施工现场,实现施工现场构件的快速检测和识别。结果表明,高质量渲染的虚拟图像可以支撑目标检测模型的训练,检测结果能够满足建筑施工现场环境下构件识别的基本需求。

关键词： 交通场景   遮挡目标   YOLOv8   特征融合   特征增强  

摘要： 交通场景下的目标因为密集或遮挡等情况会导致检测困难,针对该问题,提出了一种交通场景目标检测算法FFE-YOLOv8。设计跨层级特征融合模块(cross-level feature fusion module,CFFM),结合浅层细节和深层整体特征,得到更丰富的特征信息指导遮挡目标的检测;设计了双路特征增强模块(dual-channel feature enhancement,DCFE),经两通道同时提取浅层特征的中心区域关键信息以及上下文信息,补充特征的同时避免浅层特征层感受野较小的问题;经自适应特征融合模块(adaptive feature fusion module,AFFM),计算经双路特征补充模块处理后的特征和浅层检测通道特征的相似度从而进行有针对性的增强。在KITTI,CBCL和Udacity数据集上进行实验,结果显示相比于基准网络改进后的算法在精度上分别提升了1.52、1.61、2.47个百分点,改善了遮挡目标的检测效果,证明了该方法的有效性。