关键词： 液化天然气   船舶目标检测   YOLOv5   MobileNetv3   卷积注意力模块  

摘要： 基于视觉传感器的环境感知设备在液化天然气(LNG)船舶实现自主航行过程中发挥着重要作用。海上环境复杂及船舶存在多样性,现有的船舶目标检测算法难以同时满足检测高精度和实时性的要求,为此提出一种轻量化的船舶目标检测算法。基于YOLOv5算法,使用MobileNetv3结构替换YOLOv5的主干特征提取网络,以大幅减少主干网络的参数量及降低网络计算量;在特征融合网络的末端添加卷积注意力模块(CBAM),以增强有用特征的权重,优化目标检测的精度;采用K-means++聚类算法获取适用于船舶目标检测的初始anchor;利用自建数据集对模型进行训练及评估。结果表明,改进YOLOv5 MC模型的平均精度均值(mAP)高达95.66%,较YOLOv5、YOLOv5 M模型分别提高了2.75%和4.7%;该模型的参数量较YOLOv5模型降低了81.5%,约为45.40 MB;传输帧率达到39.55帧/s,满足LNG船舶检测的实时性要求,在检测小目标与遮挡目标中效果良好。

关键词： 水稻   病害   目标检测   YOLOv8n改进模型   卷积神经网络   模型轻量化设计  

摘要： 为解决水稻病害检测中存在的小目标特征提取困难、复杂环境下检测精度不高的问题以及在边缘化设备上实现高效实时检测,该研究提出了一种轻量化水稻病害识别方法YOLOv8-DiDL。该方法通过引入倒残差移动模块(inverted residual mobile block,iRMB)增强小目标特征捕捉能力,采用变形卷积模块DCNv2(deformable convolutional networks)优化目标几何变化适应性,结合采样算子DySample(dynamic sample)算法提升复杂环境适应能力,并改进快速空间金字塔池化模块(spatial pyramid pooling fast,SPPF)为大核分离卷积注意力模块(large separable kernel attention,LSKA)增强多尺度特征融合。试验结果表明,改进的YOLOv8-DiDL模型准确率、召回率和平均精度均值分别为91.4%、83.5%、90.8%;与原始基础网络YOLOv8n相比分别提升7.0、0.5、2.5个百分点,模型权重降低9.7%,每秒浮点运算次数提升7.4%。该研究通过改进模型显著提高了水稻病害检测的精度和部署效率,为智能化农业的实时病害监测提供了技术基础。

关键词： 深度学习   目标检测   CenterNet   输电线路   残差网络  

摘要： 针对高压输电线路会存在异物影响线路正常运行,提出一种改进CenterNet的高压输电线路巡检异物的检测方法,对常见的输电线路异物小目标进行检测。该方法基于空洞卷积设计宽型残差模块,加宽残差模块的特征提取面,并且分别采用通道注意力机制与空间注意力机制对特征信息进行二次处理,优化检测精度。实验结果显示,改进后的平均精度从88.59%提升到93.09%,整体提升了4.5百分点。

关键词： 沥青路面   裂缝检测   图像处理   切比雪夫插值  

摘要： 为了在道路维护过程中,对沥青路面裂缝进行及时识别,保证道路使用寿命并降低维护成本。基于切比雪夫插值的路面裂缝检测系统,可通过切比雪夫插值算法对采集到的裂缝图像进行细化处理,突出裂缝边缘特征并提高识别准确性。通过对传统插值方法与切比雪夫插值的对比,指出后者在数值稳定性和避免龙格现象方面的优势;设计了包括图像预处理、边缘检测、裂缝识别与拼接等模块在内的路面裂缝检测系统,并通过MATLAB GUI工具箱实现对沥青路面裂缝的精准识别。实验结果表明,系统能有效提升裂缝图像质量,突出边缘特征,并显著提高裂缝识别的准确性。

关键词： 计算机视觉   YOLOv5   仪表识别   工业机房  

摘要： 数据机房作为保障数据安全的重要设施,其内部的各种仪器仪表对于监控数据机房的安全至关重要。然而,传统的仪表识别依赖人工操作,易出错且效率低下。为了解决数据机房中工业仪表在复杂场景下准确率低的问题,研究提出了一种结合渐进式注意力机制与目标检测网络的仪表识别算法。此外,研究还引入了幽灵模块以增强特征表达能力,提高模型的识别准确率。实验结果表明,在不同复杂场景下的仪表识别任务中该模型均表现出较高的准确率。例如,在光照不均或有遮挡的场景A中,准确率达到了92.15%,召回率为89.47%,F_(1)分数为90.78%,处理时间为34.21 ms;在背景复杂或多仪表密集的场景B中,准确率提升至93.24%,召回率为90.85%,F_(1)分数达到92.02%,处理时间为35.17 ms。因此研究所提出的基于计算机视觉的数据机房工业仪表识别模型在复杂场景下的工业仪表识别任务中取得了显著成果,显示出较高的实用价值。

关键词： 遥感图像   旋转目标检测   深度学习   特征融合   损失函数  

摘要： 遥感图像船舶目标小、背景复杂、姿态变化大,传统船舶检测算法为提升精度,往往忽视了模型规模和实时性,难以应用到资源受限的设备上。针对上述问题,提出一种适应遥感船舶图像的轻量化旋转小目标检测网络(RFDNet)。考虑到遥感船舶图像拍摄距离远而导致图片中目标较小且图像中包含丰富的背景信息,设计注意力卷积融合双分支网络(ACFNet),通过对局部特征信息与全局空间感知信息的充分提取,提高船舶小目标检测精度;为避免船舶目标姿态各异而导致检测时的精度下降,利用旋转目标方向信息引入旋转边界框损失函数,获得更准确的边界框回归损失,提升任意方向旋转船舶目标的检测性能;针对为提高模型精度而带来的参数量增加问题,在特征融合部分引入轻量级卷积,将卷积、深度可分离卷积以及通道混洗相结合,减少模型的参数量。通过对比实验和消融实验证明,RFDNet在HRSC2016数据集和DOTA数据集上的平均精度均值(mAP)分别达到了97.63%和81.63%,模型参数降到了2.99×10^(6),在有效提升检测精度的同时实现了模型的轻量化设计,为遥感船舶目标检测算法在资源受限设备上的应用提供了新思路。

关键词： 图像处理   焊缝跟踪   核相关滤波器   强噪声   结构光视觉   跟踪漂移  

摘要： 在基于结构光视觉的焊缝跟踪中,焊接时产生的电弧和飞溅等强噪声会大幅降低焊缝的能见度,导致跟踪失败。为了解决这一问题,提出了一种基于改进核相关滤波器的焊缝跟踪算法,以更好地适应强噪声的环境。首先获取焊缝的初始特征点,基于焊缝激光条纹的灰度分布特征,通过Steger算法提取焊缝激光条纹的中心线;接着对中心线进行滤波并求导来获取焊缝的初始特征点;最后将焊缝的初始特征点作为初始输入,应用改进的核相关滤波器对焊缝特征点进行学习与跟踪。结果表明,在强噪声干扰的情况下,该算法的平均误差为0.305 mm,最大跟踪误差为0.479 mm,取得了良好的跟踪效果并有效避免了跟踪漂移。该研究为高精度焊缝跟踪提供了有益参考。

关键词： 深度学习   特征融合   目标跟踪   模板更新   注意力机制   多尺度结构   单流框架  

摘要： 为解决目前基于Transformer的目标跟踪算法采用单一注意力机制,难以有效区分背景和目标的优先级,以及全局注意力操作导致计算负担过重的问题,提出一种基于双层路由注意力的目标跟踪算法。双层路由注意力特征融合模块将单一注意力分为两个层次,上层对图像的区域特征进行相似度筛选,下层对筛选出的区域进行注意力计算。所提算法在LaSOT、GOT-10K、OTB100多个数据集上进行对比实验,实验结果表明,所提算法跟踪表现优良,性能优于现有的多个跟踪器。

关键词： CT扫描   图像处理   煤体裂隙结构   细观参数   三维数值模型  

摘要： 煤岩体内部含有大量形态迥异的裂隙结构,其间接影响并决定着煤岩体的力学性质,准确把握裂隙结构并重构三维数值模型是研究煤岩体力学性质的必要途径。采用CT扫描、岩石力学试验、图像处理技术、RFPA3D-CT相结合的方法对煤样切片进行阈值分割,提取煤样三维裂隙结构,建立与所研究煤样内部裂隙结构、力学性质基本一致的三维数值模型,嵌入RFPA3DCT进行单轴加载数值模拟分析。结果表明:煤样三维数值模型能较好地反映其内部复杂的细观裂隙结构,其单轴压缩试验与数值模拟试验在破坏形态、应力应变曲线上具有较强的相似性,且两者单轴抗压强度平均误差仅为1.56%,弹性模量平均误差仅为2.22%,进而验证了煤样三维数值模型构建方法的正确性。

关键词： 目标检测   变电站   人工智能   YOLOv10-s  

摘要： 变电站作为电力系统的核心枢纽,其安全管控至关重要。针对现有变电站安全意识薄弱、外来施工人员管控困难等问题,本文提出基于YOLOv10-s的智能门禁系统。该系统通过优化调整YOLOv10-s算法,引入BiFPN特征融合网络,显著提升了对安全帽、工作服及人脸的检测精度和速度。系统设计包括YOLOv10-s检测网络、人脸识别网络和基于树莓派4B的硬件部署,实现了与后端数据库的高效交互。实验结果表明,改进后的检测模型在mAP达到了88.94%,FPS提升至56.63张/s,人脸识别模型准确度高达94.98%,FPS提升至65.77张/s,有效强化了变电站的安全管理能力。