关键词： 隧道管片   YOLOv5-Lite   缺陷检测   裂缝   渗透   深度学习   轻量级网络  

摘要： 隧道管片作为盾构隧道结构中的关键构件,其质量直接关系到隧道整体的稳定性与安全性。渗漏、裂缝等结构性缺陷是当前隧道运行维护中亟需精准识别与及时修复的关键问题。传统的人工巡检方式存在主观性强、效率低、误判率高等缺陷,难以满足大规模、精细化运维的需求。为此,提出一种基于轻量级目标检测模型YOLOv5-Lite的隧道管片缺陷检测方法,针对裂缝和渗透等典型缺陷类型进行识别与定位。对YOLOv5-Lite网络结构进行了适应性调整,引入轻量化卷积模块以减少模型参数量,并通过多尺度特征融合与数据增强策略提升对微小缺陷的检测精度。在构建的隧道缺陷图像数据集上进行实验,结果显示该方法在保证较高检测精度(mAP达到91.3%)的同时,模型推理速度达到38 FPS,模型大小仅为6.8 MB,适用于边缘设备的实时部署。相比原始YOLOv5模型,YOLOv5-Lite在保持性能接近的基础上大幅提升了检测速度和部署效率。研究表明,本文方法在隧道管片自动化巡检与智能维护方面具有良好的应用前景。

关键词： 目标检测   小物体目标检测   切片推理   VisDrone   xView  

摘要： 目的在目标检测领域,深度学习模型已经取得巨大成功。但是已有的基于深度学习的目标检测算法在小物体目标检测中仍然困难重重,原因在于航拍图像多是更复杂的高分辨率场景,其中一些常见问题,如稠密度高、不固定的拍摄角度、目标物体尺寸小和高变异性等给现有目标检测方法带来巨大挑战。切片策略是近年来用于高分辨率图像小目标检测任务的众多优秀方法之一,然而现有的切片方法存在冗余计算问题,因此提出一种新的自适应切片方法,称为自适应切片辅助超推断(adaptive slicing-assisted hyper inference,ASAHI)。方法该方法关注切片数量而非传统的切片大小,可以根据图像分辨率自适应调整切片数量以消除冗余计算带来的性能损耗。在推理阶段,首先根据ASAHI算法将输入图像分割为6或12个重叠的块;之后对每个图像块进行插值处理以保持长宽比;接下来考虑到小块切片在检测大物体时的明显缺陷,分别对切片图像块和完整输入图像进行目标检测前向计算;最后为了提高高密度场景下推理的准确性和检测速度,后处理阶段集成了一种更快和更高效的Cluster-NMS(nonmaximum suppression)方法和DIoU(distance-intersection over union)惩罚项,即Cluster-DIoU-NMS(CDN),将ASAHI推理和全图推理结果进行合并,再转回原始图像尺寸。为了支持切片图像块的推理,本文在训练阶段构建的数据集也包括切片图像块。结果在广泛的实验中,ASAHI在VisDrone(vision meets drones)和xView数据集上表现出具有竞争力的性能。结果显示,与现有切片方法相比,本文方法将IoU值为0.5时的平均精确率均值(mean average precision,mAP)mAP50提高1.7%,计算时间减少20%~25%;在VisDrone2019-DET-val(vision meets drones 2019 for detection for validation)数据集上,mAP50的结果提高到56.8%。结论本文方法可以有效处理高分辨率场景下小物体稠密度高、拍摄角度不同以及变异性高等复杂的因素,实现高质量的小物体目标检测。

关键词： YOLOv8n算法   特征聚焦   特征融合   共享卷积   目标检测  

摘要： 为解决自动驾驶过程中道路两侧目标及复杂背景下目标漏检的问题，本文提出了一种改进的轻量型目标检测网络——WDL-YOLOv8n。该网络引入定制化的特征聚焦模块，使各检测尺度的特征能够融合更丰富的上下文信息，并通过扩散机制实现多尺度间特征的高效传播，从而增强目标的感知能力。主干网络中引入小波变换卷积，在增大感受野的同时显著降低计算成本。检测头部分采用组归一化（GN）以提升小样本场景下的定位与分类性能，引入共享卷积结构以减少参数量和计算量，并通过细节增强卷积模块进一步提升检测精度。在KITTI数据集上的实验结果表明，WDL-YOLOv8n模型平均检测精度达到88%，相比原始YOLOv8n提升了2.1%，同时计算量下降23.5%，参数量减少33.8%。该方法在复杂背景下展现出良好的目标检测性能，为自动驾驶系统的安全性与可靠识别提供了有力的技术支持。

关键词： 铁路消防   YOLOv8   异构计算   激活函数   目标检测   深度学习   图像分类   数据增强  

摘要： 消火栓在铁路的消防系统中较为重要，相关监测设备只适用于单一特定任务，且监测准确度易受铁路环境影响，对硬件设备的性能要求较高。针对该问题，文中提出一种基于YOLOv8(You Only Look Once version 8)的消火栓状态在线监测与预警研究方法。采用CPU(Central Processing Unit)和GPU(Graphics Processing Unit)异构计算及修改激活函数的技术来确保设备在同等精度下可进行加速，且对边缘硬件性能要求相对较低。使用CPU和GPU异构的策略优化图像检测帧率，使用H-Swish函数提高激活函数的计算效率，增加模型的拟合能力和表达能力。实验数据表明，相较于传统方法，所提方法检测速度加快了1.85倍，检测帧率提升约16.5%，精度达98.1%，满足实际业务要求。

关键词： 水下巡检机器人   人工智能   计算机视觉   深度学习  

摘要： 水下巡检机器人以其高效、精准的作业能力,逐步替代传统人工巡检方式,在复杂水域环境下发挥着不可替代的作用。通过引入深度学习、计算机视觉、路径规划等先进技术,机器人不仅能实现对水下目标的实时识别和跟踪,还能在恶劣环境中自主完成巡检任务,极大提高了数据采集的质量与安全性。本文围绕核心技术的实现机制与实际应用效果展开探讨,对现有瓶颈进行剖析,并提出具有创新意义的改进方案,旨在为水下工程、环境监测及海洋资源开发提供坚实的技术支撑和理论参考。

关键词： 双模态融合   行人检测   无人机   轻量化   YOLOv8n  

摘要： 无人机在行人目标检测应用中因光照变化、遮挡等复杂场景下面临精度下降的问题。针对这一问题，本文提出了一种双模态（红外光与可见光）图像融合的无人机行人检测算法。首先在YOLOv8n的基础上增加一条主干网络分支用于另一种模态图像的特征提取，设计双模态特征融合模块（DMFF），在主干网络（Backbone）中将不同阶段提取到的特征进行融合，以提升融合特征的表示能力，并在后续进行特征增强表达。其次，利用拆分卷积（SPConv）的思想，在保证检测精度的前提下对C2f模块进行轻量化处理。最后，在SPPF中引入大型可分离卷积模块（LSKA），突出关键目标区域，提升模型的检测精度和效率。实验结果表明，在LLVIP数据集和KAIST数据集上，改进后的模型检测精度均优于单模态目标检测模型和其他多模态主流算法，相较于YOLOv8n红外图像、可见光图像和双模态原始融合方法，在LLVIP数据集上，精确率分别提升了1.9%、6.4%、1.7%,m AP50分别提升了1.1%、8.3%、1.2%，同时参数量相较于单模态网络减少了11.5%。

关键词： 水利施工   远程监控   智能监控平台   计算机视觉  

摘要： 为了有效识别水利工程施工现场存在的安全隐患,进而为水利工程施工安全管理提供决策依据,本文提出基于计算机视觉开发水利施工远程智能监控平台的观点。在水利工程施工中,远程智能监控平台的应用,能提高水利工程施工安全管理的智能化水平,保障水利工程施工安全与施工效率,指导施工单位在规定时间内高质量完成施工任务,有利于提升水利工程的整体质量。建议施工单位在水利工程施工前,做好远程智能监控平台的开发工作,在施工过程中合理采用远程智能监控平台,为施工安全提供有力保障。

关键词： 图像处理算法   山地光伏组件   发电效率  

摘要： 本文研究了一种基于图像处理算法的智能识别系统,旨在解决山地光伏电站中由于光伏组件积灰而导致的发电效率降低问题。设计并搭建了光伏板积灰在线监测系统,结合自然积灰实验与改进的图像插值算法,对光伏板积灰工况进行分析,提出了图像平均灰度值计算方法和积灰工况下电池板发电效率计算方法。此外,开发了光伏板积灰状态在线监测实验系统,分别详细阐述了其硬件设计与软件开发,并提出了基于动态特性预测模型和功率输出退化模型的分析方法。

关键词： 光伏电站   故障图像识别   深度学习   计算机视觉   智能运维  

摘要： 光伏电站的规模逐步扩大,故障检测及维护的需求日益高涨,传统人工检查手段效率低下、误差明显,难以应对大规模光伏电站的需求,依靠深度学习与计算机视觉技术的结合,采用图像数据自动处理及分析的方式,实现光伏电站故障的高效甄辨,依靠深度神经网络提取图像特征然后优化训练模型,优化了故障检测的准确性与效率。通过实验结果,证明了,此技术体现出较高的识别精确率,可减少人工方面的干预,降低运维开支,该技术为光伏电站给出了智能化、实时化的运维解决办法,明显加快了电站对故障的响应速度及运行效率,具备宽泛的应用前景。