关键词： 街景图像   包容度   偏好性   人群属性   计算机视觉  

摘要： 包容度是指城市空间对不同属性群体的开放性和可及性,偏好性则是不同居民属性群体对环境要素的喜好和选择偏向性,两者共同反映了城市对多样化需求的适应性和满足程度.因此,探究环境要素与包容度及居民属性偏好性的关系,对于“以人为本”视角下的城市规划具有重要参考意义.以往的城市包容度及居民偏好性研究多基于访谈和调查问卷等方式,存在成本高、效率低、样本有限等问题,故本研究基于计算机视觉技术,从居民属性多样性的角度提出了一种新的包容度量化指标,探究了成都市清源、同德社区中影响包容度的环境要素,并进一步挖掘了环境要素对偏好性的影响.具体而言,首先,利用Segformer模型提取街景图像中环境要素的语义信息,并统计其所占视觉比例.接着,利用Paddle Detection模型提取街景图像中的人群属性信息,在此基础上构建包容度指标并将其进行空间分布可视化,再利用皮尔逊相关系数分析环境要素与包容度之间的关系.同时,利用皮尔逊相关系数分析环境要素对不同居民属性的影响,得到偏好性.结果表明:(1)研究区域内整体包容度值较高且呈现空间同质性,同德社区的包容度值相对清源社区较高且更为向中心区域集中;(2)研究区域内环境要素对包容度有显著影响;(3)研究区域内不同属性群体对不同环境要素存在显著偏好性.基于研究结论,提出以下规划建议:应协调建筑、墙体与天空的配比;科学管理车辆;道路的宽度和布局应满足不同交通工具的需求;人行道上应设置并维护无障碍通道;适当保留植被.本研究为优化成都市规划布局和推动社区治理精细化提供了科学依据.

关键词： 结构健康监测   海洋平台   海底环境监测   计算机视觉   深度学习   三维实时声呐图像  

摘要： 针对海洋平台基础海底环境监测人工工作效率低,时间成本高,依赖具有先验知识的技术人员的主观判断等问题,本文提出了一种基于深度学习的智能化海洋平台基础环境监测算法。该算法能够有效避免人工主观因素对图像判读的干扰,实现全天候、自动化、实时的海洋平台基础环境灾害初步预警。首先,通过试验从目前基于深度学习(DL)的主流计算机视觉(CV)算法中筛选出最适合海底三维实时声呐图像分类的基础网络结构。然后,对试验选出的VGG-11算法,使用通道优先卷积注意力(CPCA)模块改进,并通过Grad-CAM热力图验证了CPCA-VGG算法的有效性。试验结果表明,CPCA-VGG算法对海洋平台基础各类环境分类评价指标分别达到了Acc_(Top-1) 97.35%、Acc_(Top-5) 100.00%,平均精确率和平均召回率分别为98.62%、98.44%。该算法能较好地满足对海洋平台基础各类环境的实时监测,以及对灾害进行初步预警的实际工程需要。

关键词： 低光照检测   图像增强   YOLOv8n   大卷积核架构   感受野卷积  

摘要： 针对低照度环境下图像质量差、光照不均匀及细节模糊导致检测精度低的问题,提出了一种基于YOLOv8n改进的夜间检测模型LowLight-YOLOv8n。首先,在Backbone网络的卷积特征提取之前,引入了低光照图像增强网络Retinexformer,提升低光图像的可见度和对比度。其次,在Backbone和Neck网络中使用RFCAConv卷积操作替代传统卷积操作,自适应调整卷积核权重,解决传统卷积参数共享问题,进一步提高模型的特征提取和下采样能力。再次,结合大卷积核架构UniRepLKNet和Neck网络的C2f模块,形成新的C2f_UniRepLKNetBlock结构,获得更大的感受野,用较少的卷积操作覆盖图像的更多区域,聚合更大范围的上下文信息,捕捉到更多低光照图像中潜在的目标信息。最后,采用新的边界框回归损失函数Focaler-CIoU,聚焦于难样本的检测。在ExDark数据集上的实验结果表明,相比基线模型YOLOv8n,LowLight-YOLOv8n的mAP@0.5和mAP@0.5∶0.95指标分别提升了6.8百分点和5.8百分点,且参数量降低0.09×10~6个。

关键词： 双目视觉   检测与定位   YOLOv5   多尺度   棉花采摘   机器人  

摘要： 针对棉花采摘机器人自动采摘棉花过程中需要实时检测并定位棉花的问题,对基于双目视觉的棉花采摘检测与定位技术进行了研究。在YOLOv5s模型中,首先利用Mosaic数据增强技术把CSP结构融入Darknet53,减少模型计算量和内存占用量,然后将模型Neck中的SPP替换为SPPF,解决目标多尺度问题,提高模型计算速度,最后使用搭建的棉花检测与定位系统对不同数量和不同朝向的棉花进行检测并定位。结果表明:该系统能够快速准确定位不同数量和不同朝向的棉花,检测精度达99.4%,基本可以完成棉花检测与定位任务。

关键词： 目标检测   旋转矩形框   深度学习   电容器元件  

摘要： 针对经典的YOLOv5目标检测算法仅能实现水平矩形边界框的目标定位的问题,设计了一种基于YOLOv5s模型的旋转边界框电容器目标检测方法。该方法通过使用环形平滑标签将角度预测问题由回归问题转化为分类问题,并使用二值交叉熵损失描述角度预测的损失函数。此外,通过复制、旋转变换和拼接等手段对原始训练数据进行扩充,以提高模型的精度和泛化能力。在真实电容器数据集的实验结果表明,改进的旋转边界框电容器目标检测算法平均精度达83.5%,相比于原始YOLOv5模型,预测的目标边界框与电容器实际矩形轮廓更加吻合。

关键词： YOLOv8   煤泥水外溢   选煤厂   目标检测   标志物  

摘要： 为解决煤泥水外溢检测中传统方法响应速度慢、误报率高及环境适应性差的问题,提出一种基于标志物的煤泥水外溢检测方法。通过设置地面标志物,使用YOLOv8深度学习模型实时监测标志物的可见性,当标志物被煤泥水覆盖时,系统自动触发泄漏警报;该方法采集60张选煤厂现场煤泥水图像,其中,40张图像为倾倒煤泥水覆盖标志物生成的模拟数据;通过亮度调节、对比度调节及噪声添加等数据增强技术模拟环境变化,扩充40张图像数据,共100张图像即可完成YOLOv8模型训练;对比图像分类方法,验证该方法的有效性,研究表明:该方法有效减少对大量标注数据的依赖,成功解决数据量不足的难题,检测准确率可达95%,且显著降低对光照、天气等环境变化的敏感性,特别适用于选煤厂工业环境复杂多变的场景。

关键词： 南药   病虫害检测   目标检测   YOLOv5s   轻量化  

摘要： 本研究构建了南药病虫害图像数据集并提出了南药病虫害检测轻量化模型以提供诊断防治。以YOLOv5s为基础,使用更轻、更快的轻量化网络Mobile Net V3作为主干网络提取特征,加入了神经网络架构搜索(NAS)和h-swish激活函数,得到轻量化后的YOLOv5s-M检测模型,构建的数据集包含南药病虫害图像1693幅,其中病害种类包括鞘翅目、同翅目、鳞翅目和异鳃总目等11目昆虫,实验结果表明:基于YOLOv5s-M的南药病虫害检测模型平均检测精度达到了95.7%,参数量下降了30%,浮点运算次数下降了43.7%,模型内存占用量为21.561MB,YOLOv5s-M模型内存均小于Faster R-CNN、SSD、YOLOv3。所提出YOLOv5s-M南药病虫害检测模型更加轻量化,准确且快速检测图像中南药病虫害,可为病虫害绿色防控提供检测手段,推动绿色防控技术与绿美生态的融合。

关键词： YOLOv11   智能分拣   目标检测   人机交互  

摘要： 设计了一种高效的智能分拣控制系统,该系统使用基于深度学习的神经网络算法YOLOv11来检测识别目标物料,显著提升了物料识别的精度与速度。该系统结合机械臂、传送带等分拣机构执行相应的分拣任务,同时以PLC为下位机、触摸屏为上位机进行了人机界面控制,实现了实时监控和数据记录等功能。实验结果表明,本智能分拣控制系统在复杂场景下以及物理干扰和环境变化时对物料识别的准确率达98%以上,能够迅速而精准地执行相应的分拣任务,大大提升了分拣效率。

关键词： 计算机视觉   目标检测   深度学习   模态融合   轻量化  

摘要： 针对可见和红外双模态融合的目标检测算法计算量大、难以在边缘设备上有效部署的问题,提出一种基于可见和红外双模态融合的轻量化行人车辆检测算法。该算法使用轻量级网络Mobilenetv2替换YOLOv7-tiny作为网络主干,减小了模型的参数量与计算量,并设计了照明感知模块和差分模态特征融合模块,其中照明感知模块能够依据光照条件自适应调整各模态权重,差分模态特征融合模块能在不增加网络参数的同时合理互补各模态的特征信息,提高了检测精度。在多光谱数据集FLIR、LLVIP和KAIST上的验证实验表明,相比于经典的YOLOv5s、YOLOv7-tiny轻量级模型和ICAFusion、CFT双模态算法,所提出的双模态轻量化目标检测模型具有检测精度高、推理速度快等优势。

关键词： 结构健康监测   深度学习   计算机视觉   无接触位移测量  

摘要： 提出了一种基于深度学习的无接触式结构健康监测算法,旨在突破传统位移测量方法的局限性。传统接触式和非接触式传感器安装复杂、耗时,并且难以实现全场位移测量。相比之下,计算机视觉技术在位移监测中具有全场测量和安装便捷等优势,但仍存在靶点安装困难等问题。通过改进算法,利用SuperPoint特征点提取和SuperGlue匹配技术,实现在无需安装靶点的情况下对结构表面位移的精准监测,从而提高了大型土木工程结构健康监测的实用性和鲁棒性。