关键词： 改进YOLO11算法   混凝土抗渗性能   渗漏水识别   深度学习   计算机视觉  

摘要： 混凝土抗渗性能是评价其耐久性的重要指标,而渗漏水识别则是混凝土抗渗性能检测的关键环节。传统渗漏水识别方法主要依赖人工肉眼观察,存在主观性强、效率低、准确性受限等问题。文章提出了一种基于改进YOLO11深度学习算法的混凝土抗渗性能检测方法,用于试件渗漏水识别。与传统人工方法相比,该方法能够实时观察抗渗试验过程中的渗漏水情况,显著提升检测效率与可靠性,同时为混凝土抗渗性能的自动化、智能化检测提供了有效的技术支持。

关键词： 钻杆计数   目标检测   时空融合   深度学习   瓦斯抽采  

摘要： 目的随着煤矿开采逐渐深入,瓦斯抽采作业的安全风险不断增加,钻杆计数的准确性对保障瓦斯抽采的安全和效率至关重要。传统的钻杆计数方法效率低、易出错,且难以适应复杂环境。方法本文基于YOLOv5深度学习模型,提出了一种结合时空信息融合的钻杆智能计数方法,通过实时处理煤矿井下的视频数据,实现钻杆的自动检测与计数。实验数据包括7组28段模拟退钻场景和10组真实退钻场景。为了增强模型的鲁棒性,采用过亮、过暗、烟尘噪声和镜像等数据增强技术。此外,对YOLOv5的不同版本(YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x)进行比较,选择最优模型进行钻杆计数。计数过程中,结合钻杆面积跳变、IOU跳变等前置更新条件,进一步优化钻杆数量更新的准确性。结果结果表明,4种YOLOv5模型在当前数据中均达到了99.5%的准确率和100%的召回率,因此采用YOLOv5s作为后续计数检测模型。结论本文方法在模拟和真实退钻场景下均实现了100%的正确计数,展现出较高的准确性和鲁棒性。通过减少人工干预,显著提高了钻杆计数的自动化水平,具有广泛的应用前景,尤其在煤矿安全生产及其他工业自动化监控领域具有重要意义。

关键词： 激光雷达   目标检测   点云掩码   不确定性估计  

摘要： 激光雷达获取的三维点云数据是自动驾驶的关键数据源,但其标注难度大、数据量有限且标签不确定性高,限制了基于深度学习的三维目标检测模型的训练效果。针对以上问题,提出点云掩码策略构建预训练数据集,结合迁移学习提升模型检测精度;提出基于高斯分布的定位不确定性估计建模方法,使目标检测模型在预测边界框坐标的同时预测每个坐标的定位不确定性。实验结果表明,在不明显增加算法复杂度的前提下,新方法有效减少了误检现象,显著提高了目标检测的准确性。

关键词： 自动装箱系统   弱光环境   图像增强   目标检测   KinD网络   YOLO 11  

摘要： 针对在厢式货车中的弱光环境下,对自动装箱系统的箱体识别精度低的问题,提出一种基于优化的Kindling the Darkness(KinD)网络与You Only Look Once 11(YOLO 11)目标检测的视觉识别方法。对KinD网络进行结构优化,引入双边滤波降噪和Sobel边缘增强模块,实现图像亮度与细节的有效提升;通过YOLO 11算法检测瓦楞纸箱,进行三维定位与姿态估计。结果表明,优化的KinD网络经图像增强后,平均峰值信噪比达到15.04 dB,结构相似性指数为0.72,图像处理时间为0.338 s;YOLO 11算法对增强图像的目标检测匹配度达到完全匹配26.7%、高匹配42.7%,整体平均位置误差归一化值为0.0143。研究为物流行业的自动装卸工作提供技术支撑。

关键词： 图像处理   多类番茄病害   早晚期识别   陀螺块   纹理注意力  

摘要： [目的]本文提出一种具有新轻量化瓶颈层模块和纹理注意力的TB-MobileNetV2轻量级网络,旨在解决多类番茄不同病害程度识别研究较少、识别精度较低、收敛速度较慢等问题。[方法]参照设计高效网络的相关准则设计了更高效轻量的瓶颈层模块设计即陀螺块(TOP Block),使用对病害纹理特征具有更高效关注的改进纹理注意力模块(texture coordinates attention)。[结果]TB-MobileNetV2对包含16种类别的番茄早晚期病害数据集的测试集识别准确率为88.49%,较原MobileNetV2网络提升了2.18%,且具有计算量减少与单张图片运行时间基本相同的优势;同时其准确率和收敛速度也均优于ShuffleNetV2 1.0×、MobileNetV3-Small、MobileNetV2和MobileNeXt等轻量级网络。[结论]本文提出的TB-MobileNetV2能有效提高对多种番茄早晚期病害识别准确率。

关键词： 深度学习   3D目标检测   YOLOv7   注意力机制   自动驾驶  

摘要： 目前基于雷达点云的3D目标检测算法在准确度上能达到令人满意的效果,但是速度慢,很难达到自动驾驶场景下对于实时性的要求。该文在Complex-YOLO基础上进行改进,将点云数据编码投影到鸟瞰图上后,使用YOLOv7算法进行检测并通过施加注意力机制对不同通道的权重进行重新分配,再利用完全交并比(CIoU)损失改进模型损失函数。在KITTI数据集上的实验表明,基于YOLOv7的3D目标检测算法检测速度可以达到70.4FPS,并且在简单和中等难度的样本检测中能获得不错的性能。

关键词： 焊缝缺陷分类   YOLOv8   深度学习   轻量化   图像处理  

摘要： 焊接过程中产生的焊缝缺陷对结构件的强度和使用寿命有较大的影响。针对现有焊缝缺陷分类模型中存在的参数量大、推理速度慢、成本高等问题,提出了一种轻量级实时焊缝分类模型(TDRE-YOLO-cls)。首先,更改YOLOV8n-cls模型架构,将较浅层的C2f模块更改为含有RepConv模块的重参数重塑卷积(RCR)模块,这样在获取多尺度特征的同时,有效控制了推理速度。其次,引入了一种含有特殊下采样和压缩机制的位置特定注意力模块(DPSA),有效减少了模型参数量。最后,为了进一步提升模型对关键信息的提取能力,为DPSA模块设计了一种专用的CSE注意力机制。结果表明,所提出的模型相较于YOLOv8n-cls,在推理速度同样为0.9 ms/frame的前提下,Top-1准确率提高了2.4%,加权精确率提高了2.3%,加权召回率提高了2.4%,并且模型参数量减少了52.1%。

关键词： 可变形卷积   目标检测   损失函数   深度学习   实时监测  

摘要： 穿戴个人防护装备是保障矿井人员作业安全的重要手段,开展矿井人员防护装备监测是煤矿安全管理的重要工作内容。煤矿井下环境较为复杂,视频监控易受到噪声、光照以及粉尘等因素干扰,导致现有的目标检测方法对矿井人员防护装备存在检测精度低、实时性差、模型复杂度高等问题。为此,提出一种改进YOLOv8的矿井人员防护装备实时监测方法,称为DBE-YOLO。DBEYOLO模型首先在基准模型主干网络的CBS模块中结合可变形卷积(DCNv2)组成DBS模块,使卷积具有可变形能力,在采样时可以更贴近检测物体的真实形状和尺寸,更具有鲁棒性,有效提升了其对不同尺度目标的特征获取能力,有利于模型提取更多人员防护装备的特征信息,提高模型检测精度。其次在特征增强网络融合了加权双向特征金字塔机制(BiFPN),在多尺度特征融合过程中删除效率较低的特征传输节点,实现更高层次的融合,提高了对不同尺度特征的融合效率,同时BiFPN引入了一个可以学习的权值,有助于让网络学习不同输入特征的重要性。最后使用WIoUv3作为模型的损失函数,其通过动态分配梯度增益,重点关注普通锚框质量,在模型训练过程中减少了低质量锚框产生的有害梯度,进一步提升了模型性能。实验结果表明,DBE-YOLO模型在矿井人员防护装备监测中有着良好的效果,查准率、查全率、平均精度分别为93.1%、93.0%、95.8%,相较于基准模型分别提高0.8%,2.9%,2.9%,检测实时性提升到65 f·s^(-1),提高了8.3%,此外,参数量、浮点计算量、模型体积分别为2 M、6.6 G、4.4 MB,相较于原模型分别降低33.3%、18.5%、30.2%。使用煤矿现场作业视频监控对改进模型进行验证,其有效改善了漏检和误检问题,为提高矿井人员的作业安全提供了技术手段。

关键词： 水下目标检测   YOLOv7-tiny   结构重参数化   注意力机制   损失函数  

摘要： 水下目标检测算法的研究是实现水下机器人智能捕捞的前提。水下目标检测任务中存在的目标模糊、小目标众多以及相互遮挡等问题对实现精确的目标检测提出了挑战,本研究提出了一种基于YOLOv7-tiny的水下目标算法YOLO-U。该算法通过引入具有结构重参数化的RepViT骨干网络,融合ESE通道注意力机制,增强水下模糊目标的特征提取能力;同时,设计了浅层坐标信息特征融合的特征金字塔网络CAFPN,进一步增强检测模型对方向和位置信息的敏感度,融合不同尺度的特征信息以提高小目标的检测能力;最后,采用WIoUv2边界框损失函数有效降低了简单示例对损失值的贡献,使得模型能够聚焦于遮挡目标,进一步提高遮挡目标的检测精度。YOLO-U算法在URPC2021数据集上mAP50取得了84.6%的检测效果,较YOLOv7-tiny、YOLOv5s和YOLOv8s分别提高了2.1%、5.2%和2.8%,检测结果显示,该算法可以有效提高水下目标检测精度,进一步改善水下模糊目标、小目标和遮挡目标的检测效果。

关键词： 输电通道   仪表仪器   改进YOLOv11算法   目标检测  

摘要： 为解决输电通道异物检测中目标尺度小、样本稀缺、类别多样和背景复杂等问题,提出了一种改进的YOLOv11检测方法。实验结果表明,改进后的YOLOv11算法在目标识别与分类任务中达到89%的检测精度,优于当前主流的YOLO系列算法。