关键词： 绝缘子缺陷   特征融合   注意力机制   目标检测   多尺度特征  

摘要： 针对输电线路绝缘子缺陷样本中存在的复杂背景干扰及缺陷区域尺度不一问题,提出了一种基于自适应融合特征金字塔与注意力机制的输电线路绝缘子缺陷检测方法。首先,利用自适应融合模块(AF)来处理不同尺度的特征信息,并将其集成到特征金字塔网络之中,以缓解绝缘子航拍图像中存在的缺陷区域尺度不一问题。然后,基于注意力机制的缺陷特征细化模块(DFRM),通过增大感受野以及捕获缺陷区域的上下文特征来应对复杂背景噪声所带来的干扰。最后,将改进后的算法应用到真实输电线路绝缘子缺陷数据集进行实验。实验结果表明,该方法在绝缘子缺陷检测任务中优于其他方法,相较于基线模型准确率提升了5.7%,为电网智能巡检提供了一种有效方案。

关键词： 金字塔池化   注意力机制   YOLOv8n   目标检测   轻量化  

摘要： 针对雾天道路目标检测精度下降问题,本研究提出融合金字塔池化注意力机制的轻量化抗雾模型(含创新型PALC模块)。该模型通过多尺度金字塔池化整合全局与局部特征,结合动态注意力机制抑制雾气干扰,提升多距离目标感知精度。实验表明:在保持低计算成本前提下,PALC的mAP@50与mAP@50-95分别达0.883和0.706,较YOLOv8n提升0.91%和0.57%;对雾天场景中车辆部件(车牌)及交通设施(信号灯)等关键目标的检测精度超越YOLOv6。创新性体现在:(1)金字塔池化增强多尺度目标适应性。(2)动态注意力优化特征权重。(3)低秩卷积模块扩大感受野以强化模糊特征捕获。相较传统去雾算法,PALC规避了像素级优化的计算负担,参数量仅较YOLOv8n增加2.5%,满足自动驾驶等实时场景需求。

关键词： 高速公路收费   人工智能   深度学习   计算机视觉   智能化系统  

摘要： 人工智能技术在高速公路收费车道系统中发挥着日益重要的作用,通过深度学习与计算机视觉等先进技术对传统收费模式进行智能化改造已成为行业发展趋势。在收费车道系统中引入车型识别与车牌识别等智能化技术后,车辆通行效率显著提升,人力资源成本大幅降低,系统运行更加稳定可靠。实践数据表明,智能化收费系统在识别准确率与通行效率以及差错率等关键指标上较传统人工收费模式有了质的飞跃。智能化收费系统具备较强的可扩展性,为高速公路收费模式创新发展开辟了新路径。

关键词： 树种识别   深度学习   无人机   YOLO   目标检测  

摘要： 精准高效的森林树种识别是智慧林业实现的关键。传统的地面调查方法存在效率低、成本高等问题,而基于机器学习的树种识别方法通常依赖于大量的特征提取和先验知识。为解决这些问题,提出一种基于改进YOLOv10的无人机影像树种识别算法,通过轻量化网络设计和注意力机制增强,实现边缘设备的高效部署,为森林资源数字化管理提供技术支持。选取东北地区5种常见的树种落叶松(Larix gmelinii)、黄檗(Phellodendron amurense)、胡桃楸(Juglans mandshurica)、榆树(Ulmus pumila)和水曲柳(Fraxinus mandshurica)构建无人机影像数据集,通过采用轻量化卷积(Ghost)重构主干网络以降低计算复杂度。此外,在特征融合层引入卷积块注意力模块(Convolutional Block Attention Module,CBAM),通过通道和空间双维度的特征校准增强细粒度特征提取能力。通过双向跨尺度连接(BiFPN)优化多尺度特征融合,采用对称交并比损失函数(Symmetric Intersection over Union Loss,SIoU)改进边界框回归速度。最后于Jetson Nano嵌入式平台进行模型部署验证。改进后的YOLOv10模型在验证集上达到91.5%的查准率(Precision)和77.5%的mAP@0.5,分别较基线模型提升4.5%和3.8%。部署实测平均推理速度为43.5 FPS,较基线模型提升35.5%,mAP@0.5达75.7%。结果表明,YOLOv10改进算法通过轻量化架构和优化多尺度特征提取,在保持实时性的同时提升复杂林区场景的树种识别精度。该算法为无人机林业调查提供可嵌入式部署的解决方案,特别适用于林冠层重叠度高、光照条件多变的实际作业环境。

关键词： 端到端学习   场景理解   油气生产   目标检测   环境自适应增强  

摘要： 面向油田井场明暗变化复杂工况下的数字化设备仪表和生产情况准确识别难题,提出一种基于环境自适应增强的油田设备检测算法。该算法通过灵活学习调节输入生产场景实拍图像参数,动态自适应去除环境条件的影响,并采用基于卷积神经网络的参数预测模块辅助图像优化,结合目标检测模块以端到端的方式联合学习图像增强和目标检测任务。此外,设计用户友好的交互检测界面,简化用户上传图片并实现检测的过程。实验结果表明,基于暗光环境,所提算法较现有算法对于合成实验数据集平均精度均值(Mean Average Precision,mAP)提升13.48%,对于公开、真实生产场景采集数据集mAP分别提升3.95%(ExDark)和2.83%,主体目标识别准确、边界清晰,证明了其良好的检测和自适应增强效果。

关键词： 无人机图像   目标检测   多尺度特征提取   小目标检测   扩张式残差   高效多尺度注意力  

摘要： 为提升无人机图像的目标检测精度,针对无人机图像中目标尺度变化大、目标较小及背景噪声干扰导致的漏检和误检问题,提出了一种改进的无人机图像检测算法DEH-YOLOv10.该算法对C2f模块进行了改进,引入扩张式残差网络DWR改进Bottleneck,替换第二卷积模块,扩大感受野、增强网络对多尺度特征提取能力.颈部网络中融入高效多尺度注意力模块EMA,通过通道重塑分组和跨空间学习提升模型对多样性输入的适应性,降低噪声对检测过程的干扰.新增浅层检测头Head4,缓解网络多层下采样带来的负面效果,以提高小目标检测精度.在VisDrone2019数据集上的对比实验与消融实验表明,DEH-YOLOv10的mAP 0.5较基线网络提升5.6%,mAP 0.5-0.95提升3.8%,一定程度上改善了无人机目标检测的漏检和误检情况,显著增强了无人机目标检测的精度.

关键词： 咖啡果实   成熟度检测   深度学习   YOLOv5s   目标检测   注意力机制  

摘要： 针对目前咖啡果实成熟度检测中存在低精度和计算复杂问题,提出一种基于YOLOv5s的咖啡果实成熟度检测算法模型。以YOLOv5s模型为基础,结合ShuffleNet V2轻量化网络,以降低模型计算复杂度;把SPPF模块嵌入到主干网络中,提高模型对特征信息提取和融合的能力;引入RFAConv注意力卷积,使模型关注感受野空间特征,进一步提高检测性能;用SIoU损失函数取代CIoU损失函数,提高模型学习目标位置和形状信息的能力,进而提高模型的检测精度。试验结果表明,改进后的YOLOv5s算法相比原始模型精确率提高0.5%,召回率提高0.1%,平均精度均值提高1.1%,同时参数量减少10%,浮点运算量FLOPs减少4.4%,不但实现模型目标检测精度的提升,而且也使算法网络的复杂度降低。

关键词： 水稻叶片   病害检测与识别   卷积神经网络   目标检测   分类识别   改进策略  

摘要： 我国水稻叶片病害的防治工作一直以来都是重中之重。实现快速、准确的病害检测和分类识别,有助于在早期及时发现病害并采取治疗措施,从而提高水稻的产量和品质。通过分析现有水稻叶片病害检测与识别算法发现,基于传统图像处理方法的叶片病害检测效率低并且准确率不高,但随着深度学习不断发展,基于卷积神经网络的病害检测与识别已成为研究人员关注的重要课题。针对近年来使用的模型算法总结归纳数据预处理与数据增强、框架结构改进和迁移学习等改进策略,对比分析这些算法的性能及其局限性,发现多数模型存在准确率与模型参数量性能不平衡的问题。从数据集构建、模型性能平衡和泛化能力等方面展望未来的研究趋势,为以后高效检测与识别水稻叶片病害提供参考。

关键词： 寒地水稻病斑识别   卷积神经网络   目标检测   图像分类  

摘要： 传统卷积神经网络对于水稻病害识别存在局限性,特别是在寒地水稻病斑位置识别方面。为此,提出了一种改进型轻量级深度学习网络模型,建立了一个包含5种常见寒地水稻叶部病害图像的数据集,并构建了病害分类和病斑目标检测网络模型;将图像分类网络嵌入YOLOv3目标检测网络中,并对模型的特征提取部分进行了优化,采用转置卷积和空洞卷积进行上采样和下采样;最后,对比了改进后的YOLOv3模型与传统的卷积神经网络模型。试验结果表明,病害分类模型在各项指标上均表现出色,平均召回率、平均精度、平均F1-Score和总体准确率分别为93.64%、93.74%、93.77%和93.64%。改进后的YOLOv3模型在病斑检测方面也表现出色,平均检测精度(mAP)达到89.79%,检测率(DR)达到94.94%,检测速度达到64.9 f/s,综合性能明显优于传统的YOLOv3算法,为水稻病害的准确快速识别提供了新途径,对水稻病害的监测和防治具有重要意义。

关键词： 无损检测   自监督学习   金相组织   钛合金   掩码自编码器   计算机视觉   模式识别  

摘要： Ti-6Al-4V(TC4)合金因其优异的性能而成为各行业应用最广泛的钛合金之一.TC4合金的金相组织大致可分为4类:等轴组织、双相组织、魏氏组织、网篮组织,不同组织结构具有显著性能差异.由于锅炉、管道、压力容器等设备长期处于高温、高压等极端工况会导致合金材料的金相组织特征发生变化,进而显著影响TC4合金的强度、韧性、耐腐蚀性、硬度等关键性能指标.为了满足TC4合金金相组织自动高效识别的需求,开发了一种基于掩蔽重建的新型自监督分类模型(MSC-Net),旨在克服常规深度学习模型依赖大型标注数据集的局限性.通过引入掩码重建技术,该模型能在无显式标注的情况下学习金相组织图像的复杂内在特征,并准确区分等轴组织、双相组织、魏氏组织和网篮组织等不同类型.实验结果表明,MSC-Net不仅在实验室数据集中实现了100.0%的识别准确率,且当主流模型(如ResNet和Inception v3)在手持光学显微镜图像数据集的泛化能力仅为60.4%和51.5%时,MSC-Net的准确率竟高达87.6%,展现了MSC-Net卓越的泛化性能.充分证明了本算法能有效迁移到使用便携金相显微镜采集的现场图片中进行无损检测,并能够实时、准确地识别出当前的金相组织类型.这一功能是实现服役过程中组织状态监控的基础,为设备性能评估和预测性健康维护等提供了可靠的技术支持.