关键词： 塔筒法兰   图像处理   Faster-RCNN   Canny边缘检测   最小二乘法  

摘要： 为了实现输电铁塔塔筒法兰的自动对接装配,提出了一种深度学习与传统图像处理相结合的定位方法。首先,通过改进的Faster-RCNN模型框定图片中螺栓孔的位置;然后利用灰度化、滤波、Canny边缘检测、边缘筛选处理框定区域的图像,并通过最小二乘法拟合得到法兰螺栓孔中心的二维坐标;最后结合双目深度相机得到法兰螺栓孔中心的三维坐标。实验结果表明,改进后的模型在IoU=0.75条件下的检测准确率达到95%,平均检测时间为0.147 s,定位误差控制在0.91 mm以内。所提出的定位方法可以精准获取塔筒法兰螺栓孔中心的三维坐标,能为输电铁塔的自动对接装配过程提供准确的坐标信息。

关键词： 深度学习   图像识别   目标检测  

摘要： 人工智能图像识别技术以深度学习为动力得到了明显的发展,尤其在目标检测领域展现出了突出的准确性和实时性。文章首先对卷积神经网络、迁移学习和注意力机制这3个核心原理进行说明;其次以目标检测为中心进行分析,着重讨论YOLO算法、Faster R⁃CNN、Anchor⁃Free模型、Transformer架构、弱监督机制和跨尺度特征融合在图像识别上的应用效果等。通过系统梳理和比较这几项关键技术,论证了深度学习模型应用于图像识别场景的实用价值和发展潜力。

关键词： YOLOv5s   特征重构   目标检测   智慧工地  

摘要： 针对智慧工地中安全帽佩戴实时检测存在的目标小、特征不完整、干扰因素多等问题,将多尺度多分支特征提取与特征重构方法引入YOLOv5s模型,进行结构重构。改进后的模型在每一层中引入不同大小和深度的卷积网络,以捕捉场景中不同感受野下的细节信息;同时,通过特征重构实现更细粒度的特征提取,从而提升模型的鲁棒性。在自建的建筑工地数据集上进行的实验结果表明,相比原始YOLOv5s模型,改进后的算法在远距离小像素目标检测和大量遮挡情况下的安全帽识别效果明显提升,且不影响实时性,能够满足智慧工地的实际应用需求。

关键词： 目标检测   轻量化   跌倒事件   注意力机制   全维动态卷积  

摘要： 在室内场景下,受角度、光线变化等因素的影响,导致现有目标检测算法检测跌倒事件时检测精度降低、实时性变差。为此,提出一种基于YOLOv8改进的跌倒检测算法OEF-YOLO。采用全维动态卷积(ODConv)模块改进YOLOv8中的C2f模块,优化了核空间的4个维度以增强特征提取能力,而且有效减少了计算负担。同时,为了捕获更细粒度的特征,在颈部网络中引入高效多尺度注意力(EMA)模块,进一步聚合像素级特征,提高网络在跌倒场景中的处理能力。在CIoU损失函数中融入Focal Loss思想,使模型对难分类样本给予更多关注,优化模型整体性能。实验结果表明,相比YOLOv8n,OEF-YOLO跌倒检测算法在mAP@0.5指标上提升了1.5百分点,mAP@0.5∶0.95提升1.4百分点,参数量和计算量分别为3.1×10^(6)和6.5 GFLOPs,在图形处理器(GPU)上FPS提高了44,在提高精度检测跌倒事件的同时,兼顾了低算力场景下的部署要求。

关键词： 遥感影像   显著性目标检测   边缘特征   全局信息  

摘要： 遥感影像显著性检测(SOD)能有效区分影像中的关键特征和区域,从而提升图像分析的精确度和处理效率。然而,由于遥感影像的复杂性,现有遥感影像SOD方法存在显著性目标定位不准、边界模糊、目标置信度弱等问题。为解决这些问题,本文提出了一种融合边缘与全局信息的遥感影像显著性目标检测方法。首先,设计了边缘特征增强模块,利用Sobel算子提取浅层特征图中的边缘信息,生成边界线索特征图,并融合边界注意力和空间、通道注意力,进一步增强局部特征表示,从而有效改善显著目标的边界模糊问题。然后,提出了全局上下文特征增强模块,通过全局平均池化和全连接层获取图像级语义信息,并结合空间注意力机制生成全局关联图,并以此为基础,利用多尺度注意力和上下文特征增强策略,提升显著目标的置信度和定位准确性。最后,为验证本文方法的有效性,在ORSSD数据集、EORSSD数据集及ORSI-4199数据集上进行了试验分析,M分别降低了0.0013~0.1205、0.001~0.1593和0.0035~0.1367,S_(α)分别提高了0.0057~0.2663、0.003~0.3366和0.0139~0.2403,F_(β)分别提高了0.0314~0.3391、0.0232~0.5178和0.0043~0.3289。结果表明,本文方法在检测精度和效率方面均显著优于现有方法,且能够有效应对遥感影像中的复杂场景和多变条件。

关键词： 煤矿传送带   异物检测   图像处理   改进YOLOv11  

摘要： 针对煤矿传送带在运输矿物过程中因异物可能产生安全隐患的问题,设计了一种基于改进YOLOv11的煤矿传送带异物检测方法。通过优化YOLOv11模型的原Conv、C3k2、SPPF、Detect模块,提高了目标不同尺度和层次的信息的关注度,加强利用多尺度特征信息,提高了对传送皮带上小目标和低分辨率异物目标的检测能力。由实验结果得知,与原YOLOv11模型相比,改进后的模型对煤矿传送带异物检测的精确率提高了1.1%,召回率提高了1.6%,IoU阈值为0.5时的平均精度提高了1.3%;同时将改进后的模型与YOLOv10模型和YOLOv8模型作对比实验,精确率分别提高了1.4%和1.6%,进一步证明改进后模型有着更优越的表现。

关键词： 目标检测   YOLOv8算法   特征融合  

摘要： 针对目标检测任务中模型参数量大、预测速度慢及特征融合效率不高的问题,提出了一种基于YOLOv8的改进模型。通过添加GSConv卷积来减少模型参数量并提高预测速度,利用BiFPN来实现更高效的特征融合。将上述两种改进结合后,其参数量与仅添加GSConv卷积相当,且模型性能和大小较原模型更优,同时对比mAP发现,相较于在原模型上直接进行GSConv轻量化,在添加GSConv基础上进行BiFPN改进所造成的性能损失更小。该算法在提升目标检测性能的同时,有效提升了模型的效率与精度,为目标检测相关的复杂计算机视觉任务提供了更优的基础模型。

关键词： 注意力机制   YOLOv5   卷积模块   沙滩机器人   沙滩垃圾目标检测  

摘要： 针对沙滩垃圾清洁机器人在进行沙滩垃圾目标检测识别时遇到的沙滩垃圾种类繁多、颜色大小差异较大等难题,提出了一种基于YOLOv5的沙滩垃圾检测算法。首先,通过在YOLOv5的骨干网络中引入注意力机制挤压和激励(SE)卷积模块,提高网络模型对识别物体的特征提取能力,从而提高模型的精准度。然后,使用网络爬虫爬取沙滩垃圾图片,通过旋转或平移图片、加噪音等数据增强操作,扩充数据集大小。最后,将改进后算法应用在沙滩垃圾数据集上,以验证算法的有效性。结果表明,改进后的算法在进行沙滩垃圾检测时具有优越的性能,且在沙滩垃圾清洁车的实际场景目标检测中具有较强的实用性。

关键词： 无人矿卡   目标检测   LWHP   轻量化   加权双向特征金字塔网络   多头注意力机制  

摘要： 随着人工智能技术不断发展和智慧矿山理念的逐步推进,传统露天矿山的运营模式正在被自动化方式取代。无人矿卡作为智慧矿山的重要组成部分,其推广应用有效解决了因矿区地形不规则、路面坑洼或恶劣天气等因素导致的矿卡翻车、侧滑等问题,从而显著降低了由此引发的伤亡事故。准确的检测目标类别是做避障决策的前提,而模型轻量化可以在资源有限的条件下很好地部署。因此,针对露天矿山场景下,无人矿卡目标检测算法存在参数量多、模型较大及小目标和遮挡目标检测准确率低的问题,提出轻量级无人矿卡检测算法LWHP(Lightweight High-Precision),设计思路有以下4点:其一,提出高效加权双向的特征金字塔网络R-BiFPN,利用这一结构重构颈部网络,通过跨层连接及双向传播,减少冗余计算路径,并通过加权特征融合方式增强多尺度特征融合能力,提升小目标检测能力的同时大幅度降低参数量;其二,设计带有多头注意力机制的检测解耦头,改善卷积层冗余导致网络复杂的问题,并处理空间维度以集中捕捉目标特征,减弱无关背景干扰,提升遮挡目标识别准确率;其三,利用双重卷积构建轻量级神经网络CDC,增强通道间信息流动,提高模型特征表达能力并降低模型复杂度;其四,引入EIOU损失函数,分别计算目标边界框的宽高差异,并加入Focal Loss解决难易样本不平衡问题,获得更快的收敛速度和更优秀的定位能力。试验表明:改进后算法相较于原始算法参数量降低50.2%,计算量减少46.3%,模型大小压缩47.6%,仅有3.3 MB,且FPS达到92.9,满足实时性需求。精度提升1.6%,召回率提升3.1%,平均精度达到79.6%,相比原模型提升2%,保证轻量级部署的同时提升了检测准确率。

关键词： 交通工程   YOLOv11   道路裂缝   目标检测   深度学习  

摘要： 针对道路基础设施维护领域中传统人工巡检方法效率低、主观性强等问题,提出了一种基于YOLOv11的道路裂缝智能检测算法。通过构建路面裂纹检测数据集进行模型训练与验证,实验结果表明:该模型在检测精度方面表现优异,其裂缝识别的精准度(Precision)达93.7%,召回率(Recall)达90.1%,且均值平均精度(mAP@50)达到95.3%;在实时性方面,模型计算量为6.3 GFLOPs,在512×512像素输入分辨率下可实现303 FPS/s的实时推理速度。此外,通过对比实验验证,该算法在精度-速度平衡性方面优于主流检测模型,有效实现了道路裂缝特征的高效提取与精准识别,为道路养护智能化提供了可靠的技术方案。