关键词： 大语言模型   室内三维目标检测   开放词汇   上下文信息   思维链  

摘要： 现有室内三维目标检测算法能检测的目标类别通常有限,这限制其在智能机器人领域的应用。开放词汇目标检测能在不定义目标类别的前提下检测给定场景的所有感兴趣目标,从而解决室内三维目标检测的不足。与此同时,大语言模型的先验知识能显著提升视觉任务的性能。然而现有的开放词汇室内三维目标检测研究存在仅关注目标信息,而忽视了上下文信息的问题。室内三维目标检测的输入数据主要是点云,存在稀疏和噪声问题。仅依赖目标点云信息会对三维目标检测结果产生负面影响。上下文信息包含场景描述,能对目标信息进行补充,从而提升目标检测中类别判定的准确率。为此,本文提出了基于上下文信息和大语言模型的开放词汇室内三维目标检测算法,该算法通过结合上下文信息和大语言模型的思维链推理获取检测结果。此外,该算法在SUN RGB-D和ScanNetV2数据集上进行了验证,实验结果表明了其有效性。

关键词： 高空抛物   目标检测   目标跟踪   加密  

摘要： 针对高层建筑环境下高空抛物检测准确率低的问题,研究影响高空抛物检测准确率的干扰因素,改进传统高空抛物检测方法。基于目标检测和目标跟踪技术,增加抗抖动和形态学去噪,降低复杂环境对检测率的影响。进一步改进高空抛物判定方法,提取目标跟踪过程中高空抛物轨迹数据的特征向量,经由神经网络模型分类,过滤非高空抛物的相似轨迹。并对原始数据和提取数据做加密处理,采用端到端加密的方法,数据在采集、传输和存储的过程中得到可靠保护,确保只有授权用户才能解密和访问数据。实验证明,改进后的高空抛物检出率和误检率优化了32、35.4个百分点,高空抛物轨迹分类准确率达到81%以上。

关键词： 施工安全监管   施工特征遮挡   amodal特征补全   实例分割   计算机视觉  

摘要： 施工安全巡检易因视野遮挡导致特征缺失,出现危险误判情况。为提升施工风险识别效率,针对特征遮挡问题,以施工围栏检测为例,提出一种基于amodal补全技术的遮挡特征推理方法。首先,利用图像合成技术建立存在视野遮挡的围栏检测数据集。然后,结合YOLOv8实例分割和ASBU(amodal segmenter based on boundary uncertainty estimation)特征补全网络,推测围栏被遮挡部分的视觉特征。遮挡特征补全后的施工围栏可应用于闭合检测等多种施工安全监管任务。研究选择多个施工场地的围栏图像进行案例验证,可实现精准的围栏缺失特征补全(平均交并比mIoU>95.5%)。研究成果为施工场景的遮挡特征推理提供研究范式,有效提升了智能化施工安全监管效率。

关键词： 医院建设工程   智能化监控系统   图像处理   目标检测   行为分析  

摘要： 随着医疗卫生事业的发展,医院建设工程规模不断扩大,施工环节日趋复杂,对监控系统提出了更高要求。传统人工监控和简单监控设备已难以满足需求。本文针对医院建设工程智能化监控系统展开深入研究,介绍了系统整体设计框架,重点论述了图像采集与处理、目标检测与跟踪、行为分析等关键技术,并通过实际案例分析了系统在医院建设工程中的应用效果。研究表明,智能化监控系统能够全方位高效监控,提高管理水平,确保工程质量和施工安全。

关键词： 输电线路   鸟类识别   YOLOv8   目标检测   珍稀鸟类  

摘要： 为有效防治珍稀鸟类误撞输电线路导致的鸟类伤亡与线路跳闸事故,提出一种基于改进YOLOv8模型的鸟类智能识别方法。根据发生撞线事故的鸟类信息及输电线路周边调研结果,构建了包含11种珍稀鸟类的图像数据集,采用加雾加噪操作进行图像增广,用于模拟真实输电线路场景。通过在YOLOv8网络的特征提取部分加入大型分离卷积注意力模块,减少模型参数量,增强模型对于鸟类特征的提取速度;在特征提取和特征融合网络中增加辅助检测头,增强模型对于鸟类特征的学习能力,进而提高检测性能。算例分析表明,改进模型的平均精度均值、F1分数、FPS分别为95.11%、91.55%、138.89,实现了对于误撞输电线路珍稀鸟类的高效准确识别。后续将模型部署在线路杆塔图像采集系统中,可为珍稀鸟类保护与输电线路运维提供技术支持。

关键词： 内孤立波   目标检测   YOLOv5   潜标观测数据  

摘要： 海洋内孤立波通常携带着巨大的能量,给海上作业带来巨大的安全隐患,因此,对海洋内孤立波进行实时的检测有重要的意义。近年来,人工智能技术在各行业的应用越来越广泛,基于深度学习的目标检测技术也越来越成熟。本文结合现场观测数据和基于深度学习的目标检测算法YOLOv5,开发了一种基于潜标观测数据的内孤立波人工智能检测模型。首先将数据归一化处理,再分别将不同观测要素数据传入网络迭代训练,训练完成后保存最优权重文件并用于评估模型。评估结果表明,在采用单要素检测方案中,温度检测模型稍好于纬向流速检测模型,而经向流速检测模型相对较差,其综合评价因子最值ε_(max)分别为80.94、78.74和72.02;在温度、纬向流速和经向流速三种要素不同组合的检测方案中,相比单要素和双要素方案,三要素方案的检测效果最好,ε_(max)达到82.48。该检测方案的准确率较高,检测速度较快,满足实时检测需求。

关键词： 超声心动视频分割   半监督学习   目标检测  

摘要： 在超声心动视频中,复杂的解剖结构和心跳周期内的形变伪影常导致分割区域混淆和错误,因此提出一种基于自约束多尺度记忆网络(self constrained multi-scale memory network,CSTM)的半监督超声心动视频分割算法。该算法采用目标检测网络SAM-DETR定位超声心动视频中每帧的左心室区域,并利用该网络有效地提取左心室及其周围组织的特征,这些特征作为约束信息被输入到多尺度记忆网络中,指导有对象掩码的帧进行左心室分割并更新记忆信息,对于没有对象掩码的帧,通过查询记忆信息进行分割。将多尺度编码器与多层次细化解码器相结合构成多尺度记忆网络用于解决约束信息带来的边缘信息丢失问题,使CSTM能得到精确的分割效果。在公开数据集EchoNet-Dynamic上的实验结果显示,所提算法在Dice系数上达到90.5,Hausdorff距离为4.11,分割结果优于现有方法,验证了算法在超声心动图分割任务中的有效性和正确性。

关键词： 街景图像   包容度   偏好性   人群属性   计算机视觉  

摘要： 包容度是指城市空间对不同属性群体的开放性和可及性,偏好性则是不同居民属性群体对环境要素的喜好和选择偏向性,两者共同反映了城市对多样化需求的适应性和满足程度.因此,探究环境要素与包容度及居民属性偏好性的关系,对于“以人为本”视角下的城市规划具有重要参考意义.以往的城市包容度及居民偏好性研究多基于访谈和调查问卷等方式,存在成本高、效率低、样本有限等问题,故本研究基于计算机视觉技术,从居民属性多样性的角度提出了一种新的包容度量化指标,探究了成都市清源、同德社区中影响包容度的环境要素,并进一步挖掘了环境要素对偏好性的影响.具体而言,首先,利用Segformer模型提取街景图像中环境要素的语义信息,并统计其所占视觉比例.接着,利用Paddle Detection模型提取街景图像中的人群属性信息,在此基础上构建包容度指标并将其进行空间分布可视化,再利用皮尔逊相关系数分析环境要素与包容度之间的关系.同时,利用皮尔逊相关系数分析环境要素对不同居民属性的影响,得到偏好性.结果表明:(1)研究区域内整体包容度值较高且呈现空间同质性,同德社区的包容度值相对清源社区较高且更为向中心区域集中;(2)研究区域内环境要素对包容度有显著影响;(3)研究区域内不同属性群体对不同环境要素存在显著偏好性.基于研究结论,提出以下规划建议:应协调建筑、墙体与天空的配比;科学管理车辆;道路的宽度和布局应满足不同交通工具的需求;人行道上应设置并维护无障碍通道;适当保留植被.本研究为优化成都市规划布局和推动社区治理精细化提供了科学依据.

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： 高速公路   无人机(UAV)   YOLOv8   目标检测   多目标   小目标  

摘要： 正常运行的高速公路上,存在干扰驾驶员判断、造成交通隐患的危险目标,使用无人机进行检测时可能面临遮挡、重叠、分散、异构等难点。为解决这些问题,提出一种基于YOLOv8n的高精度检测算法——CT-YOLO。在YOLOv8骨干网络C2f模块中重构空洞卷积(dilated convolution),在卷积前后分别融合1×1卷积,解决应用场景目标分散的问题;改进经典特征金字塔网络,额外增加两个检测层,提高了对遮挡、小目标的检测精度;将改进的三重注意力机制融合到Head部分的C2f模块中,增强模型对异构目标信息的捕捉能力。通过视频采集、分帧、人工标注和数据增强,构建了一个包含11种异常目标的图像数据集,包括裂缝、修补、果皮、树叶、塑料、坑槽、箭头、车道线、纸箱、泛油和易拉罐。实验结果表明,CT-YOLO算法在异常目标图像数据集上mAP@0.5提升了13.2个百分点,mAP@0.5:0.95提升了11个百分点,检测精度明显提高,具有较好的实际应用效果。