关键词： 目标检测   安全帽   注意力机制  

摘要： 为了解决安全帽检测算法推理时间长,小目标检测漏检等问题,提出一种改进的YOLOv7实时检测模型。以EIOU(Efficient Intersection Over Union)损失作为损失函数,引入焦点损失,聚焦于高质量的锚箱,达到加快收敛速度、提高回归精度的目的。同时采用全局注意力机制,通过减少信息损失并增强全局交互表示来提高深度神经网络的性能。实验结果表明,改进后的模型m AP@0.5为0.951,比YOLOv5s、YOLOv7和YOLOv7-tiny模型分别高出3.93%、2.92%、5.32%,改进后的YOLOv7模型可以有效地实现复杂环境下安全帽的精确检测,能够准确识别工人安全帽佩戴情况,从而大大降低施工现场的安全风险。

关键词： 注意力机制   分组卷积   通道重洗   图像分类   目标检测  

摘要： 注意力机制的引入使得主干网能够学习更具区分性的特征表示。然而,为了控制注意力的复杂度,传统的注意力机制采用的通道降维或减少通道数而增加批量大小的策略会导致过度减少通道数和损失重要特征信息的问题。为解决这一问题,提出通道重洗注意力(CSA)模块。首先,利用分组卷积学习注意力权重,以控制CSA的复杂度;其次,通过传统通道重洗和深层通道重洗(DCS)方法,增强不同组间的通道特征信息交流;再次,使用逆通道重洗恢复注意力权重的顺序;最后,将恢复后的注意力权重与原始特征图相乘,以获得更具表达能力的特征图。实验结果表明,在CIFAR-100数据集上,与添加CA(Coordinate Attention)的ResNet50相比,添加CSA的ResNet50的参数量降低了2.3%,Top-1准确率提升了0.57个百分点;与添加EMA(Efficient Multi-scale Attention)的ResNet50相比,添加CSA的ResNet50的计算量降低了18.4%,Top-1准确率提升了0.27个百分点。在COCO2017数据集上,添加CSA的YOLOv5s比添加CA和EMA的YOLOv5s在平均精度均值(mAP@50)上分别提升了0.5和0.2个百分点。可见,CSA达到了参数量和计算量的平衡,并能够同时提升图像分类任务的准确率和目标检测任务的定位能力。

关键词： 水下目标检测   深度学习   小波变换  

摘要： 复杂特殊的水下环境导致水下图像质量较低,存在对比度低、模糊及水下退化等特性,这极大地影响了水下目标检测性能。针对这一问题,文中提出了一种基于小波变换特征增强的水下目标检测方法。引入了离散小波变换(DWT)将深度学习框架中提取到的多层次特征进行高低频分解,进而将分解得到的频域特征分量通过文中设计的基于注意力机制的频域交互模块进行交互增强,优化特征表达能力,经过增强后的特征继续通入目标检测网络用于改善目标检测的性能。实验证明,文中提出的水下目标检测方法与常见的目标检测方法相比,在性能上具有一定优势,能够有效提升水下目标检测能力。

关键词： 疲劳监测   施工人员   深度学习   计算机视觉   作业姿势评价  

摘要： 量化施工人员疲劳程度对减少施工不安全行为、保护工人生理性健康和提高现场的安全管理水平具有重要意义。基于OWAS和RULA姿态评估方法建立疲劳评价指标,并依托NOKOV动作捕捉系统和YOLOv8-pose算法检测分析施工人员的疲劳等级,建立了施工人员疲劳作业姿势评估和方案调整系统。通过试验验证了所提系统的有效性和可行性,结果表明:所提方法能够准确反映现场施工人员的疲劳程度,所提系统能够实现施工人员疲劳程度的自动化检测并提供对应的调整方案。

关键词： 目标检测   轻量化   机场飞行区   标签分配   实时监测  

摘要： 机场场面目标检测可协助管理者针对机场飞行区进行实时监控检测。目前,针对机场飞行区的目标检测算法均是针对服务器端,尚未面向摄像头终端,检测能力受到服务器数据传输速度、传输延迟和带宽的影响,导致对异常现象无法及时检测,造成安全隐患。针对摄像头终端,提出机场场面的轻量化目标检测算法,设计轻量化的目标检测网络模型YOLO-LC,它以YOLOv5为框架,在骨干模块将大量使用的C3模块替换为LC模块,并使用简化正负样本分配(SimOTA)标签分配策略对损失函数进行优化。仿真结果表明,YOLO-LC模型在参数量、运算速度及精度等方面均有提高。

关键词： 钢筋绑扎机器人   双目视觉   图像处理   目标检测   机器人运动学  

摘要： 高速公路钢筋网片的制作主要采用“人工绑扎+设备焊接”的工艺,焊接故障率高、网片形状受限,无法有效控制放工成本和周期。本文研究基于双目视觉的钢筋绑扎机器人系统,可对钢筋绑扎点自动检测、定位和机器人精准绑扎,具有较高的精度和稳定性,为钢筋绑扎自动化提供了可靠的技术支撑,本文研究的成果非常有效果,希望可以为国内同行提供借鉴。

关键词： 甲骨文检测   深度学习   目标检测   YOLOv8  

摘要： 为解决手写甲骨文人工检测效率低、识别精度不足的问题,本研究将深度学习算法应用于手写甲骨文的自动检测中。首先,建立了手写甲骨文数据集并对其进行标注;然后,通过手动扩充数据集和二次标注,提高了数据集的可信度;最后,在YOLOv8算法基础上,使用滑窗裁剪和识别辅助技术对检测算法进行优化,提高甲骨文检测的准确性。实验结果表明,本研究提出的优化算法提高了模型检测手写甲骨文的精度,鲁棒性较好,具有一定的研究价值和应用前景。

关键词： 无人机   深度学习   目标检测   机器视觉   XMB-YOLOv5s  

摘要： 无人机视角下密集小目标检测存在精度低、对部分目标误检、漏检等诸多不足。针对以上问题,本文提出一种基于XMB-YOLOv5s的无人机小目标检测技术。首先,采用小目标检测层,更加有效地提取和利用图像中的细节信息;其次,用BottleneckCSP和C3TR模块的结构化嵌入实现C3模块的更新,降低了运算复杂度,提高了训练效率;再次,融入CBAM注意力机制使网络能够更好地识别和处理特征,提升图像识别准确率;最后,采用Focal-EIoU Loss解决CIoU Loss对小目标检测不敏感的问题。实验结果表明:与传统的YOLOv5s算法相比,XMB-YOLOv5s算法在VisDrone2019数据集上P提高了4.6个百分点,R提高了4.4个百分点,mAP50提高了4.9个百分点,mAP75提高了5.1个百分点,mAP50-95提高了4个百分点,为无人机小目标检测提供了一种新的方法。

关键词： DSOD算法   建筑工程   结构构件   目标检测   安全管理  

摘要： 在建筑工程中,对工程结构构件的准确识别可检测出构件是否正确安装,进而保障建筑主体的安全和质量,减少施工危险。建筑工程结构构件的形状不规则且种类繁多,这给自动检测带来了极大的挑战。基于此,研究提出将改进的深度监控目标探测算法应用至结构构件检测中,引入焦点损失函数和压缩与激发模块对深度监控目标探测算法进行优化,以提高算法的特征检测能力和准确性。实验结果表明,遮挡程度为0~25%和25%~50%时检测的精确度和召回度均在90%以上。研究所提算法的检测速率、精确度、召回度、F1分数和平均绝对误差为27.5Fps,97.85%,97.94%,97.81%和0.027,相较于其他目标检测算法在构建检测中准确性和效率较好。研究结果可为工程结构构件检测提供新方法,对推动建设工程项目管理智能化具有重要意义。

关键词： 红外图像   目标检测   卷积神经网络   低信噪比  

摘要： 复杂背景下红外弱小目标与背景难以区分,信噪比低,检测十分困难。为了解决这一问题,提出了一种新的卷积神经网络。通过特征增强模块,将目标的灰度分布特性编码至网络,实现红外弱小目标的特征增强;提出平衡双向特征融合模块,改进深层和浅层特征融合方式,实现浅层细节信息和高层语义信息的平衡,进一步提升网络的特征提取能力。在公开数据集上定性和定量地对比了方法的检测性能,并进一步比较了在不同信噪比条件下目标检测能力。实验结果表明:提出的方法相比于三种非监督方法和两种监督方法在检测率和虚警率性能方面均有显著提升,在虚警率为1×10^(−5)条件下检测率达到76.20%。