关键词： 缺陷检测   目标检测   YOLOv8算法   注意力机制   损失函数  

摘要： 针对金属生产制造中表面缺陷检测环节存在检测准确率低、处理速度慢等问题,提出一种基于改进YOLOv8网络的金属缺陷检测方法(TCM-YOLO)。该方法改进坐标注意力机制为三通道坐标注意力机制(TCCA),并与第2版可变形卷积网络相结合改进为三通道可变形卷积网络(TDCN),增强网络的特征提取能力。在特征融合网络中采用双向特征金字塔与动态蛇形卷积(DSC)相结合的方法,改善网络对于带钢缺陷检测的漏检率,更好地保留缺陷微小纹理和复杂结构的信息。采用最小点距离交并比(MPDIoU)损失函数替换原来的损失函数加快收敛速度和获得更准确的回归结果,最后嵌入全局注意力机制,以不断地捕获缺陷全局形态的重要信息。实验结果表明,TCM-YOLO方法在东北大学带钢缺陷数据集上的平均精度达到了81.8%,相比于原始的YOLOv8算法提高了7.4百分点,精确率达到了78.3%,相比于原模型提升了8.9百分点,算法检测速度达到61.73帧/s,在天池铝型材缺陷的数据集上平均精度相比于原始的YOLOv8算法提高了4.1百分点,精确率相比于原模型提升了8.7百分点。结果表明了TCM-YOLO算法具有检测精度高、检测速度快的特点,能更好地满足金属表面实际检测需求。

关键词： 输电线路   山火识别   目标检测   YOLOv8  

摘要： 输电线路是确保电力系统稳定运行的关键基础设施,其安全对系统协调运转至关重要,而山火灾害对其构成的威胁极为严重。为此,提出一种基于YOLOv8神经网络模型的输电线路山火检测方法。首先,利用YOLOv8的主干网络进行特征提取;其次,在特征提取阶段加入GAM(Global Attention Mechanism,全局注意力机制模块),以增强特征中的语义信息和位置信息;最后,引入了F-CIoU损失函数,旨在增强锚点的贡献并加速模型的收敛过程。实验结果表明,与YOLOv8基线模型相比,所提出方法的精确率、召回率和平均精度均值(mAP)分别显著提升了3.9%、5.62%和4.46%,证明了其在火情检测方面的有效性。

关键词： unmanned surface vehicle   distributed control   target-guided coordinate control   fixed-time convergence   dynamic surface control  

摘要： This paper presents an investigation on the target-guided coordinated control(TACC)of unmanned surface vehicles(USVs).In the scenario of tracking non-cooperative targets,the status information of the target can only be obtained by some *** order to achieve semi-encirclement tracking of noncooperative targets under maritime security conditions,a fixed-time tracking control method based on dynamic surface control(DSC)is proposed in this ***,a novel TACC architecture with decoupled kinematic control law and decoupled kinetic control law was designed to reduce the complexity of control system ***,the proposed DSC-based target-guided kinematic control law including tracking points pre-allocation strategy and sigmoid artificial potential functions(SigAPFs)can avoid collisions during tracking process and optimize kinematic control ***,a fixed-time TACC system was proposed to achieve fast convergence of kinematic and kinetics *** effectiveness of the proposed TACC approach in improving target tracking safety and reducing control output chattering was verified by simulation comparison results.

关键词： 连铸坯表面缺陷   目标检测   通道注意力机制   多尺度特征融合   滑动窗口变换  

摘要： 为解决连铸坯表面缺陷类别多、特征差异大造成的检测精度低、误检漏检和难以实时检测等问题,提出一种基于改进YOLOv5s的面向连铸坯表面缺陷分形特征检测算法(FN-YOLOv5),以实现连铸坯表面缺陷的快速、精确、智能化检测。首先,在YOLOv5s模型多尺度特征融合网络引入压缩与激励注意力机制,实现特征权重自适应调整;其次,采用BiFPN网络替换原始网络结构,提高模型多尺度特征融合能力;最后,基于Swin Transformer引入C3STR模块,增强模型密集目标信息捕获能力。面向连铸坯表面缺陷数据集和经典开源热轧带钢缺陷数据集NEU-DET的实验结果表明:FN-YOLOv5算法在两个数据集的平均检测精确率分别达到0.786和0.784,较YOLOv5s算法分别提高5.4%和4.7%,检测速度分别为91.74和88.64帧每秒。在满足实际应用需求基础上,验证了检测精度和普适性能力的提升,与其他经典目标检测算法相比,FN-YOLOv5整体表现更出色均衡,为钢铁冶金领域智能化无损检测提供技术参考。

关键词： 目标检测   深度学习   YOLOV5   Jetson TX2   检测速度  

摘要： 基于卷积神经网络的目标检测技术得到快速发展与应用,但受限于检测速度,其在嵌入式平台大规模部署应用始终棘手,在保证模型精度基础上降低时间复杂度成为目标检测技术主要难题之一。为探索某领域基于微型处理器的目标自动检测方法,文章基于YOLOv5、DOTA数据集、Jetson TX2对航拍场景目标检测系统展开研究。首先,基于DOTA高分辨率航拍场景目标检测数据集在PC端完成YOLOv5模型训练,模型的准确率为54.76%,召回率为81.47%,mAP@0.5达到74.12%;其次,对船舶港口、机场、海港3种潜在目标场景进行目标检测分析,在高分辨率航拍场景下仍可以达到较好的检测效果,检测速度达到了181.8 FPS;最后,基于Jetson TX2与无人机设计目标检测系统,实现PC端向微处理器端算法移植,在Jetson TX2上完成模型检测,检测速度达到了16.13 FPS。

关键词： 目标检测   开放环境   深度学习   鲁棒性   类别外检测   增量学习   数据分布变化  

摘要： 目标检测是计算机视觉领域的核心任务,其通过深度神经网络技术识别图像中的视觉对象并预测其位置和类别。在闭集环境下,目标检测器已显著展现出实用价值;然而,在开放环境中,这些系统面临诸多挑战,包括不断变化的数据分布、新类别的出现以及噪声干扰,均可能影响决策准确性。相较于闭集环境下的综述性研究,开放环境中的目标检测及其特有挑战的应对策略仍显不足。本文深入分析开放环境下目标检测面临的主要挑战,包括域外和类别外数据的处理,以及如何通过鲁棒和增量学习适应环境动态。首次全面分析现有检测方法如何应对这些挑战,总结它们在适应新场景、提高决策鲁棒性以及支持持续学习方面的方法。进一步地,探讨改进目标检测系统的可能方向,包括开发能够处理更广泛数据集的新方法,整合领域知识增强决策的上下文依赖性,设计动态适应的攻防机制和新类别的学习算法。通过这项工作,希望为开放环境中的目标检测技术提供一种全新的、系统化的视角,以促进未来更加稳健的解决方案开发,并推动该技术在实际应用中的进一步发展。

关键词： 正射校正   Faster R-CNN   目标检测   极化合成孔径雷达   金字塔结构  

摘要： 受地形起伏和环境因素影响,PolSAR(极化合成孔径雷达)遥感图像目标检测常因几何畸变未有效消除而精度不高。为此,文章提出一种基于正射校正和Faster R-CNN(快速区域卷积神经网络)的检测方法,通过建立地图坐标与PolSAR图像的坐标转换关系,并采用多项式模型拟合坐标偏移量,实现几何畸变校正。在Faster R-CNN框架基础上引入特征平衡金字塔模块,增强多尺度特征融合能力;利用RPN(候选区域网络)生成候选区域,并结合分类回归网络提升检测精度。实验结果表明,该方法在边界框重合度等指标上表现良好。

关键词： 深度学习   道路目标检测   自动驾驶   YOLOv7算法  

摘要： 自动驾驶视觉感知算法需要在合理延迟的基础上,准确地检测道路目标。针对该问题,基于YOLOv7,提出一种改进的道路目标检测算法。算法使用SODA10M道路目标检测数据集,确定了损失函数各部分损失的最佳权重,验证了最佳锚框数量和在不同检测尺度上的锚框分布,在不降低检测精度的前提下提高了检测速度;改进了一种加权特征融合ELAN结构,促进了网络模型中提取特征的动态融合;在检测头前采用ASFF网络实现提取特征的跨尺度融合,增强了网络的特征提取能力。实验证明:改进后算法的平均检测精度mAP、精确率P和召回率R,优于改进前的算法以及与之对比的其他目标检测算法。

关键词： 漏钢预报   V”形黏结   计算机视觉   特征提取   支持向量机   随机森林   模式识别   连铸  

摘要： 连铸生产过程中可能会发生许多异常情况,其中漏钢事故是连铸生产中最严重的事故之一。漏钢发生前的典型征兆之一是在铜板局部上形成的呈“V”形扩展的黏结区域,需借助稳定可靠的方法对其进行检测和预报。利用计算机视觉技术,将结晶器铜板表面采集到的热电偶温度信号及计算得出的温度速率,与颜色空间建立映射关系,并以二维平面热像图的形式来表征异常黏结区域。通过提取图中黏结区域的动态与静态特征,构建出代表黏结区域的十维特征向量。基于某钢厂的漏钢统计报表,建立了黏结区域特征向量样本库。同时,采用支持向量机(support vector machine,SVM)和随机森林(random forest,RF)这2种机器学习模型,对真伪黏结区域特征进行学习和识别。测试结果表明,相较于随机森林模型,支持向量机模型能够更有效地识别出黏结漏钢的异常温度模式,随机森林模型在预测结果中存在2例漏报,而支持向量机模型的漏钢报出率可达到100%,并且将误报率控制在10%以下(9.93%),在几何平均数Gmean分数(0.95)和模型AUC(0.98)(受试者工作特征曲线下方的面积)等指标方面,支持向量机模型也显著优于随机森林模型,这表明该模型能够满足漏钢预报任务的要求。基于上述结果,建立了基于计算机视觉与机器学习的结晶器漏钢预报模型,为连铸生产中基于数据驱动的过程异常检测和预报技术提供了参考。

关键词： 计算机视觉   点云配准   RANSAC   假设评估  

摘要： 本文提出了一种创新的假设度量方法,将通过三角形投票方法获得的点对置信分数与基于点对的度量相结合。该方法核心观点是:一个好的假设应能将高置信分数的对应点精确对齐,从而产生更高的得分贡献。此外,本文还对现有基于内点的度量有效性方法加以改进,提出2种改进方法:忽略具有较小变换误差的内点距离,以及抑制由大量低置信度对应点引起的错误高分贡献。在3个数据集上的对比实验表明,所提出的度量方法能够提升所有已知的基于点对的度量准确性,并在默认参数设置下有1%~16.95%不同程度的配准性能提升和1.67%~10.79%的时间节约,在时间消耗、鲁棒性和配准性能之间实现了更好的平衡。特别地,改进的内点计数度量具有更加鲁棒和精确的配准性能。因此,本文所提出的度量能够在RANSAC的假设评估阶段识别出更正确的假设,从而实现精确的点云配准。