关键词： 形状特征   模板匹配   图像金字塔   图像处理   梯度信息  

摘要： 针对工业生产中图像匹配存在的效率低与复杂环境下精度差等问题,提出了一种面向形状特征的模板匹配算法.首先,在轮廓模板建立阶段,为保证匹配精度和效率,引入了一种自适应搜索角度步长方法,同时采用了基于弱分类的块级强二值检测模式,利用图像灰度特性和块级积分图思想,快速排除与目标图像轮廓点数量相近的非目标区域;其次,在轮廓模板匹配阶段,采用了一种金字塔图像多级匹配方法,从粗匹配到精匹配寻找目标位姿,以减少匹配时间;最后,在不同条件下对4种工件进行了实验测试.实验结果表明,所提出的模板匹配算法能够有效应对不同光照强度变化与旋转变换等干扰,良品工件匹配精度达到93.24%以上,非良品工件匹配精度达到87.81%以上,同时模板匹配时间低于594 ms,该算法能够满足图像匹配对高匹配效率和鲁棒性的要求.

关键词： 铁轨检测   计算机视觉   灰度变换   轨道缺陷  

摘要： 铁路轨道检测技术是保障列车运行安全的重要手段,随着列车速度和负载的增加,轨道缺陷检测面临更高要求。传统检测方法存在效率低、精度不足等问题。本文提出了一种基于计算机视觉技术的轨道检测方法,结合图像预处理(灰度变换与中值滤波)、Canny边缘检测和BP神经网络分类技术,针对轨道裂纹和疤痕两种主要缺陷进行检测与分类。实验结果表明,该方法在缺陷分类准确率和抗噪能力方面具有显著优势,为轨道检测的自动化提供了有力的技术支持。

关键词： YOLOv5   目标检测   损失函数   注意力机制  

摘要： 针对复杂施工场景中安全帽佩戴检测存在的灵敏度与精度不足问题,文章提出了基于YOLOv5s框架的改进算法。通过三重创新构建增强型检测架构:首先采用FASTERNETX模块替代标准C3组件以强化多尺度特征融合能力;其次引入Biformer动态注意力机制实现特征权重重标定;最后结合改进损失函数优化边界框定位精度。实验结果表明,改进算法在自建数据集上降低了7.7%参数量和5.1%浮点运算量,同时mAP0.5指标提升1.1%,为施工现场安全监管提供了高效可靠的智能检测方案。

关键词： 探地雷达   衬砌检测   深度学习   目标检测  

摘要： 隧道衬砌检测是隧道建造与维护的一项重要质量管理内容。因衬砌内部病害种类多样、边界模糊,导致病害识别不准、模型训练困难。而依靠人工识别或现有模型无法实现快速、准确得检测病害。针对上述问题,以云南隧道B-scan取得的1922个衬砌雷达样本创建数据集,用于训练模型,并提出一种基于YOLOv5的隧道衬砌病害检测模型YOLO-Tunnel。通过改进Backbone与Neck,提升了模型特征提取能力、增加感受野、提升模型定位能力;根据数据集规模和目标尺寸比例,选择合适的模型尺寸和平衡权重,进一步提高模型识别能力。结果表明:YOLO-Tunnel相比YOLOv5s有更好的病害检测精度同时也满足实时检测需求,其中准确率、召回率、均值平均精度(mAP)分别提高了2.5、9.0、8.1个百分点,推理时间增加了2.7 ms,为21.8 ms。研究成果为进一步提高隧道衬砌病害识别性能及模型优化方向提供参考。

关键词： 双端行波   故障定位   小波变换   Pix2PixHD   YOLOv8   StarNet   CAA   目标检测  

摘要： 针对传统故障行波法应用在输电线路中,采样设备的采样频率较低、定位精度不高的问题,提出一种结合对抗生成网络与神经网络的双端行波故障定位算法。该方法利用小波变换提取故障行波低采样率下的初始波头时域特征,以图像的形式输入Pix2PixHD,输出得到高采样率下的初始行波时域特征,进而提升故障定位精度。最后,针对行波检测提出一种Star-CAA-YOLOv8模型,对生成图像进行质量评估,并以实例分割功能实现自动化读取行波到达时间,解决图像带来的读数不便问题。1 MHz采样率下的故障行波图像经过Pix2PixHD输出得到2 MHz采样率下的故障行波图像,故障定位的绝对误差最高缩小83.33%,相对误差最高缩小84.44%。此外,该方法还具有缩小更低误差的可能性。多次仿真对比实验表明,所提方法能够精准地获取高采样率下的故障数据,具有较好的通用性和实用性。

关键词： 电动车头盔   YOLOv5s   目标检测   CBAM注意力机制   BiFPN网络  

摘要： 针对电动自行车头盔佩戴检测存在小目标漏检、准确率低的问题,提出一种基于YOL Ov5s(You Only Look Once version 5 small)的改进电动车头盔检测算法。在主干网络中引入CBAM(Convolutional Block Attention Module)卷积注意力机制,以提升对聚集目标的关注,解决因遮挡导致的检测效果差的问题;将颈部网络中的FPN(Feature Pyramid Network)+PAN(Path Aggregation Network)结构改为结合了跨尺度特征融合方法思想的特征融合结构,增强模型不同方向上的多尺度融合能力,使目标多尺度特征有效融合,提升对小目标的识别能力;使用SIoU(Structured Intersectionover Union)定位损失函数代替CIoU(Complete Intersection over Union)损失函数,以提高边框回归精度。实验结果表明,改进后的YOLOv5s模型准确率P和召回率R分别为94.7%和91.2%,平均精度值mAP为95.6%,相较于原始YOLOv5s模型分别提升6%、7%和6.5%。该方法使电动自行车头盔佩戴检测准确率得到了明显提升。

关键词： 图像识别模型   野生动物保护   模型构建   目标检测  

摘要： 图像识别模型作为人工智能的重要分支,在野生动物保护领域展现出巨大的应用潜力。本文首先概述了图像识别模型的基本类型,随后详细阐述了野生动物图像识别模型的构建流程,包括数据采集、预处理、模型训练等关键步骤,最后探讨了图像识别模型在野生动物保护中的具体应用场景。研究表明,图像识别模型能够显著提升野生动物保护的效率与精度,为生物多样性保护提供强有力的技术支持。未来,随着技术的不断进步,图像识别模型将在野生动物保护中发挥更加重要的作用。

关键词： 目标检测   乘客密度   客流分配  

摘要： 针对等待期屏蔽门前乘客占用下客区的情况,提出了一种基于目标检测的上下客区客流指引方法。首先针对屏蔽门前场景中乘客的形状特征对目标检测网络进行改进,提出MCA-YOLOv5s网络模型。然后通过智能门楣系统的安装高度和真实场景中上下客区的范围计算出摄像头的视场角大小和安装角度,确保拍摄的图像能够准确划分出上下客区。最后分别对上下客区中的乘客进行密度估计并设计对应密度值的客流分配策略,通过智能门楣终端上的扬声器进行指引。通过在真实场景中进行测试,验证了所提方法能够快速准确地估计乘客密度。

关键词： 图像处理   实时检测   目标追踪   视频计数   YOLOv5s   套袋葡萄串  

摘要： 实现套袋葡萄串的实时准确计数是保障后续果园产量估计准确性的关键前提。为解决现有果实计数方法实时性不足,且套袋葡萄串分布密集、遮挡现象以及相机移动不稳定等因素导致的目标追踪丢失问题,该研究提出一种基于EMO-YOLOv5s的双关联套袋葡萄串实时检测与计数方法。首先在检测阶段,引入高效模型EMO替代YOLOv5s的原始骨干网络,以降低模型的参数量和计算量;其次在追踪阶段,在ByteTrack基础上提出一种基于BIoU和欧式距离的双关联方法,对套袋葡萄串的检测框和预测框进行二次关联,以缓解目标追踪丢失问题;最后在计数阶段,设计一种矩形区域计数方法,扩大套袋葡萄串的可计数范围,提升其计数准确性。试验结果表明,在检测性能方面,参数量和浮点运算量较YOLOv5s分别下降38.6%和39.0%,平均精度和检测速度分别为96.5%和77帧/s;在追踪性能方面,高阶追踪准确率、多目标追踪准确率和ID调和平均数较基线分别提高了3.6、4.1和6.0个百分点;在计数性能方面,平均计数精度为93.1%。该研究结果可为后续果园的产量预测提供可靠的依据。

关键词： 红外船舶   目标检测   YOLOv7算法   MPDIoU损失函数   残差空洞  

摘要： 针对海上红外船舶目标中含有较多小目标和密集目标时检测困难,且海上环境使图像背景复杂多变、红外船舶图像本身细节纹理不明显等检测难点,提出一种基于YOLOv7改进的红外船舶目标检测算法。首先,从YOLOv7网络整体结构上进行了多尺度改进,去除最深的下采样层,并根据Kmeans聚类算法更改初始预设锚框,提高复杂场景下对小目标的检测性能。然后,设计一个残差空洞卷积模块(RDC),减少通道数改变使信息丢失造成的损失,进一步提高检测性能。最后,引入了MPDIoU损失函数,提高目标定位的准确度。实验结果表明,改进后的算法在红外船舶数据集上有效地缩小了模型大小,减少了参数量,分别缩小了53.02%和减少了52.18%,计算量也减少2.8 GFLOPs,平均检测精度均值mAP比原始算法提高了1.2%,有效提升了红外船舶目标检测性能。