关键词： 合成孔径声呐   变化检测   目标检测   声呐图像处理  

摘要： 水下环境和水声信道随时间动态变化,合成孔径声呐形成的地貌或目标结果也会随之变化,导致目标漏检和场景认知度低,给水下安防和无人导航等带来较大隐患。针对该问题,该文提出了基于双时相的合成孔径声呐变化目标检测方法,根据帧间声图地理信息和特征的匹配,完成像素级的差异分析比对,实现变化目标的检测和标注。经试验数据验证,该方法能够准确检测和标注预设的变化区域,对水下场景变化规律的掌握和威胁目标的监测具有重要意义。

关键词： 人体姿态跟踪   目标检测   YOLOv5   DeepSORT   OpenPose  

摘要： 人体姿态跟踪在人体运动分析、智能监控、虚拟现实等应用场景中得到了广泛应用。为解决在多人姿态跟踪过程中因多人遮挡、复杂环境等原因导致的目标易丢失、姿态估计不准确等问题,提出一种结合DeepSORT和OpenPose的人体姿态跟踪方法。选择合适的数据集分别训练人体运动跟踪模型和人体姿态估计模型。在人体运动跟踪阶段,基于改进的YOLOv5与改进的DeepSORT算法进行准确地识别与跟踪,减小了模型内存访问成本,引入模型剪枝方法进一步提高了跟踪速度。在人体姿态估计阶段,基于跟踪阶段获得的准确目标,利用OpenPose算法实现了目标人体的姿态估计。相较于对比方法,改进算法在COCO2017数据集上的FLOPs为4.46 G,检测速度大幅提升,在MOT16数据集、PoseTrack2017数据集上的运行时间有较大优势,分别为85.55 s、81.79 s。

关键词： 深度学习   目标检测   语义分割   姿态识别   智慧救援   智慧交通  

摘要： 随着交通领域的智能化发展,交通视频监测、线上消防(如微信江苏消防报警服务)和线上120(如微信重庆“视频120”)等新兴服务模式正迅速崛起。然而,目前这些平台在处理高速公路交通事故时,无法感知事故信息以及选择救援方案,仍需人工干预,比较影响救援的时效性。针对此问题,本文提出了一种基于深度学习的高速公路事故智慧救援平台,首先,通过目标检测和目标分类算法精准识别人员和车辆以及类型,结合逻辑判断是否发生交通事故;借助人体姿态识别技术,判断人员是否受伤;同时,利用语义分割算法检测道路是否出现火焰和烟雾;根据这些信息自动决策事故等级,并启用对应的救援方案,将事故的关键信息上报至救援单位;智慧救援平台不仅解决了事故感知滞后的问题,而且提高了救援效率,保障了高速公路的安全。

关键词： 光伏组件   深度学习   目标检测   卷积神经网络   改进YOLOv8   注意力机制  

摘要： 针对集中式光伏电站地形复杂、面积广、光伏组件故障识别较困难的情况,提出基于YOLOv8模型改进的光伏组件故障识别检测方法。基于Backbone结构采用渐进特征金字塔(AFPN)融合不同层级的图像提取多尺度信息,增强上下文信息的融合。通过在Neck结构添加无参数注意力机制(SimAM),由能量函数推断出特征图中的三维注意力权重,轻量化地提高模型表征能力。取代每个池化层和每个跨步卷积层而建立SPD-Conv卷集神经网络,提高光伏组件图像中出现热斑、黑边和划痕等小目标特征的故障识别能力。实验结果表明,改进模型召回率和精确率分别达到78.7%和84.9%,平均精度mAP50和mAP50-95分别达到86%和57.9%,实现对光伏组件故障的识别与定位,验证该模型的正确性和有效性。

关键词： 数字孪生   人机交互   工业装配   目标检测   YOLOv8n  

摘要： 目的为了解决复杂装备零件装配中效率和精度低的问题,开发一种基于数字孪生技术与改进动态目标检测算法的复杂高端装备动态交互装配方法。方法构建面向数字孪生的人机交互框架并优化目标检测算法,实现复杂装备装配过程的实时监控。操作人员通过可视化界面与系统进行动态交互,实现装配工艺的实时优化。首先,通过多源传感器实时采集装备的实时数据;其次,基于实时数据构建装备虚拟模型,生成与实际装配场景高度一致的视频并通过改进后的YOLOv8n算法实现对工业零件的精准检测与分类;最后,通过人机交互过程对装配过程进行动态优化并通过设计交互界面实时显示检测结果,为装备装配提供智能化支持。结果提出方法能够在复杂高端装备的装配过程中实现精准的检测与实时动态响应。改进后动态目标检测结果在保持高精度的同时,较未改进版本检测速度提升24.9%。结论不仅为复杂高端装备人机交互装配提供了创新解决方案,而且为数字孪生技术在工业领域的进一步应用与发展提供了有力支持。

关键词： 计算机视觉   保护策略   山西传统民居   人工智能技术  

摘要： 文章探讨了人工智能技术在山西传统民居保护中的应用策略与实践案例。通过分析山西传统民居的特点与保护现状,提出了基于计算机视觉、三维重建、大数据分析和预测模型的智能化保护方案,并结合具体实践案例展示了技术应用的可行性与效果,为传统建筑文化遗产的数字化保护提供了新思路。

关键词： 工业流水线   密集目标检测   YOLOv8   特征融合   现场数据采集  

摘要： 在工业流水线场景中,利用带有视觉信息的目标检测技术为故障发现及消缺提供决策信息已成为智能生产的新热点。针对电能表流水线检定场景中目标遮挡、小目标密集排列等问题,在YOLOv8n的基础上,提出了一种轻量化目标检测算法。通过引入O⁃GELAN模块,在保持低计算量的同时获取更丰富的特征层次。利用特征收集⁃融合⁃分发的颈部架构和通道位置注意力机制实现特征跨层融合;此外,采用重参数化卷积检测头以进一步提高检测效率。在现场采集流水线数据上的实验表明,改进后模型的mAP(0.5)和mAP(0.5∶0.95)分别达到了0.994和0.828,检测速度可达111.5帧/s,能够满足工业场景下的高精度和高实时性需要,可为故障消缺提供辅助决策。

关键词： 多色印刷   OpenCV   图像处理   套印精度  

摘要： 为实现多色套准的数据化测量,提升套准调节的客观性,本研究提出了基于OpenCV图像处理的多色印刷品套准检测算法。首先,使用OpenCV算法对印刷品上的套准测量标记图像进行校正处理和圆心标定;其次,确定采集图像与印刷品实际尺寸的相互关系,完成单位像素尺寸的计算;最后,通过计算采集图像各色圆心坐标与标准圆心位置的水平、垂直像素偏差得到印刷品套准偏差值。在胶印机上,打印四色印品进行套准偏差值检测,根据检测值直接对四色套准进行调整并进行二次检测,其单色偏差在±0.02mm,证明了该算法的有效性。

关键词： 混凝土表面   缺陷检测   频域特征   轻量化卷积神经网络   自动检测  

摘要： 针对混凝土表面缺陷检测问题,先采用小波变换将图像从空间域转换到频域,提取低频和高频特征,再利用这些频域特征构成特征向量,输入到轻量化卷积神经网络模型中进行分类。使用Concrete Crack Images for Classification数据集,验证所提方法在混凝土表面缺陷检测中的有效性和效率。实验结果表明,所提方法在推理时间上具有显著优势,在计算资源受限的场景具有较高的应用价值。

关键词： 卷积神经网络   深度学习   建筑装饰工程   YOLO算法   目标检测  

摘要： 本文以北京市湖广会馆修缮项目为案例,探讨了卷积神经网络(CNN)与深度学习技术在建筑装饰工程中的创新应用。针对传统施工管理中存在的效率低、安全隐患多等问题,研究提出了一种基于YOLO v5算法的智能监控系统,结合颜色特性化建模与目标跟踪技术,实现了施工场景中多目标的实时检测与追踪。通过构建相机RGB到CIEXYZ的颜色转换模型,并结合标准色差判据,优化了目标分类的准确性;同时,在YOLO v5s算法基础上进行模型剪枝与多线程优化,显著提升了检测速度与轻量化水平。实验结果表明,系统对安全帽颜色识别的准确率达90%以上,检测帧率(FPS)超过40,能够有效满足复杂施工场景下的实时监控需求。本研究为建筑装饰工程的智能化管理提供了技术支撑,具有较高的工程应用价值。