关键词： 矸石充填   级配特征   承压变形   载荷传递折减   图像处理  

摘要： 将井下采掘过程中产生的矸石直接填充采空区,不仅可以减少地面土地的压占,还能有效控制采空区顶板的稳定性,但在时间效应影响下,矸石会因承压变形减弱对顶板的支承,进而引发地表塌陷。为了研究井下矸石的真实粒径级配特征及其承压变形规律,采用图像信息提取技术获取井下矸石的真实粒径级配,并按照等比例缩放原则配置与井下矸石级配分布一致的矸石试样,利用承压变形试验装置研究了矸石试样在相同加载时长(24 h)、不同恒定载荷设定值(5、10、15、20 MPa)下的承压变形规律。结果表明:井下矸石堆从矸石块的数量上呈现小块径占比较多、随块径增大逐渐变小的趋势,从矸石块的质量上呈现小块径矸石占比较少、随块径增大而先增大后减小的趋势;矸石试样承压过程分为加载和恒载2个阶段,随恒定载荷设定值增大,加载阶段的变形量占比呈增大趋势;恒载阶段也可细分为快速变形和缓慢变形2个过程,恒载时长相同,较低的恒定载荷设定值下矸石试样会产生较大的应变量;在承压变形过程中,小粒径矸石不断增多,大粒径矸石不断减少,10~15 mm粒径的矸石块属于稳定粒径;在某一恒定载荷作用下,随着典型矸石块层位与载荷施加面距离的增加,典型矸石块的破坏程度逐渐变小;随着矸石层与载荷施加面距离的增大,矸石层竖向压缩量逐渐减少;在不同恒定载荷设定值下,随着矸石层位与载荷施加面距离的增加,矸石试样所承受的竖向压力均呈逐渐减小的趋势。从破坏、变形和受力3个方面验证了矸石试样竖向载荷传递折减效应。研究结果可为矸石充填型采空区地表沉陷的预测及防治提供参考。

关键词： 目标检测   YOLOv8n   EnhancedDarkNet   多尺度特征融合   注意力机制  

摘要： 针对遥感图像中视角特殊、背景信息复杂、目标密集且尺度多样导致的目标检测精度低等问题,提出一种基于多尺度特征融合的遥感图像目标检测算法EMD-YOLOv8。首先,引入增强型主干网络EnhancedDarkNet,实现浅层特征复用,提升目标细节和纹理特征的提取能力;其次,设计了多尺度交互融合特征金字塔网络(MIFFPN),重新构建颈部结构,强化多尺度空间中的特征融合;最后,提出维度交互极化注意力(DIPA)机制,减少背景噪声和冗余信息干扰,增强目标关键特征的响应。所提出的算法在遥感数据集DIOR上的mAP@0.5值和mAP@0.5∶0.95值分别达到85.9%和62.5%,较原始YOLOv8n提升了5.1和5.6个百分点,同时检测速率达到90.9帧/s。实验结果表明,EMD-YOLOv8能够提高遥感图像目标检测的准确性,并满足实时检测性能要求。

关键词： 活性污泥微生物   目标检测   YOLOv8   可形变卷积   注意力机制   损失函数  

摘要： 活性污泥中的指示性微生物是评估污水处理厂运行状况的关键指标,但部分微生物存在体型小、形状不规则和形态相似等问题,给检测带来挑战。该研究基于YOLOv8提出MMDIM-YOLO方法:首先在YOLOv8的主干网络引入可形变卷积(DCN),在训练过程中引入偏移来提取更全面的特征,同时应用多路径坐标注意力(MPCA)机制强化DCN偏移权重计算,融合C2f模块形成C2f-DM模块,提高主干网络的特征提取能力;然后引入混合局部通道注意力机制MLCA,提升处理复杂图像任务时的效果;最后设计Inner-MPDIoU边界框回归损失函数,提高回归预测精度,加快收敛速度。在自建ASM-ODD数据集评估,MMDIM-YOLO模型仅6.193 MB参数量、8.135GFLOPS计算量,mAP50达90%,比YOLOv8提高2.1%,优于其他主流模型,能助操作人员优化污水工况处理、提升效率。

关键词： 疵点检测   特征重组   自适应   目标检测   YOLOv8算法  

摘要： 针对布匹疵点目标检测中背景纹理复杂以及疵点多样的问题,以及现有的深度学习算法难以实现高效、准确的布匹疵点识别与定位。提出一种布匹疵点识别与定位算法YOLOv8-DAC(Deformable And CARAFE)。首先设计了一种具有自适应调整权重能力的特征融合模块C2f-DAT(C2f-Deformable Attention Transformer)。该模块可以抑制无关信息的特征权重,加强重点区域特征信息权重值,有效地加强了模型的特征融合能力,增强目标检测能力。其次针对模型在上采样过程中导致特征信息单一,特征信息丢失问题,引入轻量级CARAFE上采样算子替换YOLOv8原有的上采样层。该算子能够通过自适应重组内核的方法对特征图进行上采样,丰富特征图语义信息。仿真实验表明:相较于YOLOv8,YOLOv8-DAC识别布匹疵点的mAP@0.5提升了3.8%,实现了布匹疵点检测精度的提升。

关键词： 无人机   目标检测   YOLO   注意力机制  

摘要： 传统雷达用于无人机检测时通常存在检测信号较弱且易受杂波干扰而产生漏检错检的现象。如何克服传统雷达检测方法的不足,从监测空域快速检测识别无人机是反无人机攻击研究必须解决的基本问题。针对该问题,在概述无人机飞行特征、常用检测方法和YOLOv11算法基本原理的基础上,提出了一种基于YOLOv11算法的无人机目标检测方法。该方法将上下文锚点注意力机制(CAA)、路径聚合网络(PA-Net)和一个新的检测头引入到YOLOv11算法,实现了对不同重要度特征的选择性加强或抑制,并能融合高级语义特征和多尺度的空间信息来丰富特征的表示。随后,在DUT Anti-UAV公共数据集上对该算法进行了实例验证,结果表明,改进算法相较于原始的YOLOv11算法,在评价指标mAP50和mAP50:90上分别提升了5.1%和7.8%,能有效克服原有算法在小目标检测上的不足,和一些常用算法相比也有一定的优势,其精确度和召回率分别为97.4%和92.5%,能较好地实现对无人机目标的检测。

关键词： 深度学习   太阳电池   电致发光   卷积神经网络   目标检测  

摘要： 针对电致发光条件下太阳电池缺陷检测过程中缺陷尺度不一、背景噪声干扰严重的问题,提出一种基于YOLOv8的缺陷检测算法,以精确识别电池表面的缺陷。首先,采用感受野注意力卷积使模型动态调整感受野权重,减少图像信息的模糊和遗漏,提升对微小缺陷的检测效果;其次,引入坐标注意力机制,获取长宽方向信息,突出重点特征,减轻背景噪声干扰;最后,使用SIoU作为边界框损失函数,在预测框收敛过程中将向量角度纳入考量标准。实验结果表明:该算法在太阳电池缺陷检测数据集上mAP达到92.83%,相比于原始网络提高2.1%,误检、漏检的情况明显减少,能有效定位和识别太阳电池上的缺陷。

关键词： 目标检测   可切换空洞卷积   特征金字塔网络   神经架构搜索  

摘要： 针对复杂交通场景下密集车辆检测存在的目标遮挡、尺度变化大等难题,提出一种基于改进RetinaNet的车辆检测算法SN-RetinaNet。该方法首先在特征提取网络中引入可切换空洞卷积模块,通过动态调整感受野增强多尺度特征提取能力;其次结合神经架构搜索技术优化特征金字塔网络结构,提升算法对不同尺度目标的适应性;最后提出一种基于统计先验的锚框比例优化策略。在SODA10M数据集上的试验结果表明,此方法平均检测精度(mAP)达到48.7%,较基准方法提升3.7个百分点。研究结果为智能交通系统中的车辆检测任务提供了有效的解决方案。

关键词： 行人重识别   目标检测   特征融合   全局特征   局部特征  

摘要： 针对行人重识别技术在实际应用中常常因为特征遮挡而导致识别率不高的问题,提出了一种复杂环境下行人防遮挡重识别方法,其由全局和局部特征提取两部分组成。以ResNet-50网络为主干网络,首先,在全局特征提取使用特征感知注意力机制对全局特征进行提取;然后,在局部分支使用特征分割空间的方法进行局部特征提取;最后,通过多尺度双向金字塔网络进行特征融合。在常用遮挡行人数据集Market-1501等上进行了实验,验证了论文所提出方法的有效性,且提升了行人重识别效果。

关键词： 导盲眼镜   目标检测   视力障碍   APP  

摘要： 为了提高视力障碍人群出行的安全性,辅助他们独立生活,本项目设计了一种基于CNN和VisualGLM大模型的多功能导盲眼镜。眼镜核心为ESP32-S3单片机。摄像模块采用OV2640摄像头,通过ESP32-CAM开发板接收摄像头图像,利用UDP协议经网络将图像实时发送至服务器,开发板通过数据线连接手机可保证供电。服务器部署卷积神经网络和图像处理大模型,用于判断使用者面前有何物体以及是否存在危险,将结果生成语音提示后发回眼镜。眼镜还配有超声波测距模块、扬声器模块及GPS定位模块,分别负责测距、播放语音及警报以及上传位置信息。本系统还配备手机软件向监护者反馈设备状况。该设计可以满足视力障碍人群出行的多方位需求,提高了检测的智能性和准确性,提高了视障人群出行的安全性。

关键词： 卡通动漫人脸   目标检测   模型轻量化   深度学习   YOLOv5算法  

摘要： 许多知名的卡通动漫IP衍生出的大量周边产品和文化影响力带来了不可估量的商业价值。针对当下不经创作者同意就私自盗用知名动漫IP用于盈利用途的现象,提出一种基于YOLOv5算法进行改进的卡通人物脸部检测方法。首先基于高效率和低FLOPs的工程应用需求,使用FasterNet网络对YOLOv5原有的骨干网络CSPDarknet53进行替换和改进得到更加高效轻量化的模型。其次,针对卡通动漫形象脸部构成不规则的面部特点,利用非对称加权双向特征金字塔(ABiFPN)结构,对原特征融合模块进行改进来提升网络对矩形感受野的接收能力。测试结果表明,改进后的算法准确性提高、模型更加高效,相比于之前的YOLOv5模型,改进后的网络精确度达到了90.7%,提高了4.6个百分点,网络参数量减少了55%,能够满足实际使用需求。