关键词： 道路工程   深度学习   目标检测   路面检测   模型评价  

摘要： 针对路面病害检测效率较低、人工成本较高的现状,以目标检测算法在路面病害检测中的应用为研究对象,归纳对比了传统目标检测算法与深度学习目标检测算法的特点、两阶段目标检测算法与单阶段目标检测算法的优缺点。以YOLOv5和YOLOv7算法为例,选取RDD 2020数据集进行模型训练,采用精确率、召回率、平均精确率和平均精确率均值对计算结果进行评价。为深度学习目标检测算法应用于路面检测提供借鉴与参考。

关键词： 纸张信息   数字化   图像预处理   特征提取   图像匹配  

摘要： 纸张信息数字化即以数字化形式表征纸张信息,并将特定字符信息嵌入非织物成型中,以此生成特定功能性纸张。纸张信息数字化复杂性较高,为提高纸张信息数字化辨识可靠性与唯一性,可以图像处理算法科学处理与有效分析,促使内嵌信息高效精准展示。基于此,由图像采集、图像预处理、图像识别三个阶段搭建了纸张信息数字化图像处理算法,以模拟纸张信息识别,在此基础上对图像处理算法进行了实验测试与分析。结果表明,相比传统算法,搭建的算法耗时更短,速度更快,准确率更高,实时性更强,表明其在保留纸张信息识别精确度的同时,拥有更高的识别效率,高度契合纸张信息数字化图像识别需求。

关键词： 道岔缺口检测   深度学习   YOLOv8   边云协同   图像处理   自动化  

摘要： 针对目前道岔缺口检测精确度低、鲁棒性差、难以满足边缘计算设备性能要求等问题,提出了一种基于机器视觉和边云协同的道岔缺口检测方法;采用YOLOv8算法对缺口和检测柱进行高效目标检测,并通过图像处理技术精确获取边缘信息,以计算缺口的偏移量;实验结果表明,该方法在正常和摄像头抖动情况下均展现出优越的检测性能,平均误差控制在0.1 mm以内,满足铁路现场实际工程上的应用;采用边云协同的工作模式显著提升了数据处理效率,优化了资源使用,降低了对单一计算节点的依赖,单次处理平均耗时在59.16 ms,相比单独依靠边缘设备平均耗时降低了48.99%。

关键词： 目标检测   轻量化   坐标注意力   递归门控卷积  

摘要： 目标检测算法被广泛应用于生产安全领域。针对现有的目标检测算法检测速度慢、在复杂施工环境下检测精度低的问题,提出一种改进的YOLOX检测算法。首先,基于轻量化卷积模组Ghost moudle重构主干网络,压缩模型参数量和计算量,提高检测速度;其次,在主干网络输出端嵌入坐标注意力机制,增强模型对于关键位置信息的学习能力;最后,在颈部网络中引入递归门控卷积,增强模型的空间位置感知能力,捕获图像中的长距离依赖关系。改进后的模型在数据集Pascal VOC和SHWD上进行实验验证,与基线模型相比,平均精度均值分别提升1.69%和1.1%,模型参数量降低18.8%,计算量降低23.3%,帧率提升7.6%。将本文模型部署在终端设备上,可应用于施工环境下的实时监控检测中。

关键词： 跌倒检测   图像处理   深度学习   特征提取  

摘要： 针对目前跌倒检测算法存在效率低、速度慢等问题,提出一种新的人体姿势跌倒检测算法。基于OpenPose获取人体骨骼关键点信息,并基于重心下降速度、身体倾斜角度、外形轮廓变形比3个判定条件确定人体跌倒状态。实验阶段,与单纯基于深度学习或穿戴设备的方法相比,所提算法性能最优,检测灵敏度为98.35%,特异性为96.79%,准确率为97.11%。实验结果验证了所提算法的稳定性和可靠性,具有广阔的应用前景。

关键词： 无人机   目标检测   YOLOv5n算法   轻量级   深度学习  

摘要： 针对在无人机目标检测中现有检测算法模型过大、速度较慢、复杂度过高等问题,提出一种基于YOLOv5n的改进型轻量级无人机检测算法YOLO-LDD.首先,在YOLOv5n基础上引入多样化分支模块DBB和C3模块融合重构为C3_DBB模块,增强单个卷积的表征能力;其次,在颈部网络中引入重参数化结构卷积RepConv,提升检测速度;最后,通过层自适应幅度剪枝(LAMP)方法压缩模型,减少参数数量.实验结果表明,该算法可在保持良好检测性能的同时,降低计算和存储需求,并提高模型的效率和推理速度,平均精度达96.7%,参数量较YOLOv5n压缩73%,运算量减少60%,检测速度提升至原来的1.6倍.

关键词： 水面目标   目标检测   性能优化   目标跟踪   自动目标识别  

摘要： [目的]旨在提出一种基于改进Deformable DETR的目标检测算法,实现对水面目标的智能识别,并在大幅提升算法模型推理和训练速度的同时提高检测准确率,以实现更加高效鲁棒的水面目标检测。[方法]构建一个新的水面目标数据集,使用轻量化的MobileNetV3替换Deformable DETR原有特征提取网络并引入CBAM注意力机制模块,对Deformable DETR算法进行改进。通过在自构建的水面目标数据集和公开数据集ABOships开展消融实验以及横向对比试验验证改进算法的有效性。[结果]在自构建数据集和ABOships 2个数据集上的消融实验结果证明,改进算法模型相较原算法模型参数量及大小减少至1/3,m AP0.5:0.95分别提升2.4%和7.5%,训练耗时分别为原算法的41.7%和51.9%。在ABOships数据集上进行的不同算法性能的对比测试结果进一步证明所提出的改进算法在推理速度和检测精度综合性能上均具有优越性。[结论]DETR类算法在水面目标检测领域具有应用潜力。

关键词： 计算机视觉   目标检测   水下机器人   深海垃圾  

摘要： 海洋垃圾是全球性环境问题的主要组成部分,自主水下机器人可以在一定程度上清理深海垃圾。为了能够快速准确地检测深海垃圾,利用深度学习的方法建立了一个轻量级检测模型(Deep-sea debris yolo,Debris-yolo)。基于全球海洋学数据中心(GODAC)推出的Deep-sea debris数据库创建了深海垃圾数据集。引入改进的BiFPN特征融合网络,减少模型参数数量,提高模型区分背景的能力。然后,设计了轻量级检测头,降低了计算复杂度,提高了深海垃圾检测模型的实用性和可部署性。最后,提出Wise-DIoU(Wise Distance Intersection over Union)损失函数,抑制低质量的样本对模型的干扰,使模型能够更准确地定位深海垃圾。在训练过程中,采用数据增强和自适应色彩均衡水下复原对训练数据集进行增强。实验结果表明,与YOLOv8n相比,本文提出模型Debris-yolo的mAP_(0.5)和mAP_(0.5∶0.95)分别提高了1.3%和1.6%,参数量和GFLOPS分别减少了48.2%和36%。

关键词： 道路交通标志   倾斜摄影测量   三维建模   深度学习   目标检测   嵌入式建模  

摘要： 倾斜摄影测量三维重建技术被广泛应用在大规模城市场景三维建模任务,然而道路交通标志难以重建完好。为此,提出基于深度学习的道路交通标志嵌入式建模方法,可以解决倾斜摄影测量交通标志的重建难题。首先,基于深度卷积神经网络模型,从倾斜影像中检测道路交通标志目标。其次,基于道路交通标志的类别信息,采用模板匹配建模方法,获得结构完好且纹理清晰的道路交通标志三维模型。接着,基于道路交通标志的位置信息,采用带几何约束的特征点提取与匹配获得同名点,并基于双目视觉原理和三角化算法计算交通标志的空间点。再次,在方向约束下利用空间点拟合法推算道路交通标志的三维位置和方向。最后,将完好的道路交通标志三维模型嵌入到城市实景三维模型中,实现倾斜摄影测量道路交通标志嵌入式建模。实验表明:该方法可以较准确地提取倾斜影像中的交通标志,并估算出交通标志的三维空间位置,通过嵌入式建模提高城市场景重建效率和模型质量,并为城市场景中的其他地物目标建模方法提供借鉴。

关键词： 电能质量扰动   时间定位   多任务学习   卷积神经网络   目标检测  

摘要： 为准确识别电能质量扰动类型,进一步挖掘扰动内部特征,提出基于一维YOLO(1D-YOLO)网络的电能质量复合扰动检测分类和时间定位模型。模型利用带残差结构的一维卷积神经网络对扰动波形进行深度的特征提取;利用特征金字塔网络融合不同尺度的特征;在3个不同尺寸的特征图上完成8种基本扰动分层检测。以基本扰动为检测对象,有效实现了单一扰动和多重扰动的层次化建模,仿真实验表明模型具有较高的分类准确率和时间定位精度,现场数据进一步证明了模型的泛化性和有效性。