关键词： 侧扫声呐   水下目标检测   YOLOv8  

摘要： 近年来,侧扫声呐图像的目标检测在水下目标搜索、海洋测绘及海洋地质勘探等领域发挥着重要作用,提高声呐图像的目标检测精度对于水下探测至关重要。针对侧扫声呐图像目标检测精度较低的问题,从数据预处理、网络结构优化、损失函数调整和模型轻量化4个方面对YOLOv8算法进行改进。实验结果表明,所提方法能够高精度检测目标图像,目标检测精度达到92.8%,可在实际水文环境中高效、全面地完成水下特定目标的检测任务。

关键词： 目标检测   YOLOv7   多维注意力   ODConv  

摘要： 为了提升目标检测的准确性和效率,基于YOLOv7提出了一种多维注意力机制融合的目标检测网络(MAF-Net)。在网络主干部分,采用ODConv替代传统卷积堆叠,融入多维注意力机制并行策略,提升了特征提取能力。在头部网络部分,插入SimAM注意力机制,通过计算特征图的3-D关注权重来优化检测精度。同时,结合Inner-IoU与CIoU,提高了模型精度并优化了训练效率。经MS COCO 2017数据集实验验证,MAF-Net的mAP相较于原模型提升1.3%。综上所述,提出的MAF-Net模型在目标检测领域展现出了优异的性能,具有良好的识别精度、精细的特征提取以及高效的训练效率。

关键词： 继电保护装置   多模态目标检测   大模型  

摘要： 继电保护装置的日常维护是电网的安全稳定运行的重要保障。为了提高继电保护装置的日常维护效率,基于网络视频的专家远程协助成为了实用性解决方案之一。在远程协作过程中,增强现实技术成为了提升协作效率的重要手段之一,而对特定视频画面中的继电保护装置目标自动检测是基于增强现实的沉浸式继电保护作业的关键技术。对此,提出基于大模型增强的多模态目标检测技术(LLM enhanced Multi-Modal Object Detection,LLMe-MMOD)。首先,LLMe-MMOD利用大模型的图片解析能力生成输入图片对应的文本描述,形成初始文本特征;然后,提出目标类型注意力机制将初始文本特征转换成目标类型感知的文本特征;最后,目标类型感知文本特征与经典的卷积图像特征经过整合形成多模态特征去完成后续目标区域生成任务。LLMe-MMOD在MS COCO*(MS COCO的子集)和本研究构建的继电保护装置目标检测数据集上进行实验,验证了本文提出的多模态目标检测技术的有效性。

关键词： YOLOv7   目标检测   深度学习   信息安全   CBAM   加密显示  

摘要： 随着信息显示技术的持续发展,信息显示的安全性问题愈发突出。信息加密显示技术的实现依赖于目标检测技术,需要根据不同信息的特点来选用相应的加密算法。为此,提出一种基于YOLOv7的显著性目标检测算法,该算法可以通过自建数据集标定显著性区域,对模型进行训练,并将得到的显著性区域用于自适应加密显示算法,以实现可分级的加密显示。实验结果表明,该模型性能优越,有着较高的检测准确率,能够为后续针对敏感信息区域进行加密提供有力的支撑。

关键词： 无人机巡检   配电线路   隐患识别   图像处理   智能算法  

摘要： 随着配电网规模的不断扩大和复杂化,传统人工巡检手段在效率和准确率方面已难以满足现代电力系统的运行需求。无人机巡检技术因其灵活高效、安全可靠等优势被广泛应用于配电线路运维中。文中围绕基于无人机巡检的配电线路隐患智能识别技术展开探讨,详细阐述图像采集、数据处理、智能识别算法及风险评估机制等关键环节,构建以人工智能为核心的配电线路隐患识别系统架构,实现对导线异物、绝缘老化、杆塔倾斜等常见隐患的快速检测与分类识别。研究结果为配电线路智能化运维提供了技术支撑,具有显著的工程应用价值。

关键词： 热风干燥   温湿度控制   计算机视觉   干燥中心  

摘要： 热风干燥是进行农产品初加工的重要手段,在农业部门明确提出加快农产品产地初加工基础设施建设,将干燥减损纳入该项工作重要一环的背景下,急需开展智能农产品热风干燥中心应用技术研究。为了降低干燥中心设备生产、运行以及故障检测的成本,降低硬件设备排线难度,并提高干燥设备的智能程度,文章开发了一种仅利用带有485通信的继电器、温湿度传感器、温控仪等元器件,直接与干燥中心工控机或触摸屏连接的控制系统,不再使用可编程逻辑控制器(Programmable Logic Controller,PLC),相较于传统干燥设备可降低硬件成本。利用OpenCV开发计算机视觉在线检测软件,实时获取干燥室内农产品外观品质,将干燥室内外温湿度与农产品的外观结合,为干燥中心大数据的利用奠定硬件与软件基础。

关键词： 改进YOLOX-S算法   雾天图像   双边滤波器   Retinex算法   ECANet通道注意力  

摘要： 为了改善雾天场景下目标的检测效果,为自动驾驶、智能监控等实际应用提供可靠的解决方案,提出了基于改进YOLOX-S算法的雾天图像目标检测算法。将双边滤波器引入到Retinex算法中,增强雾天图像质量;基于改进YOLOX-S构建雾天图像目标检测结构,由CSPDarknet主干网络提取多尺度特征图及其权重;在下采样阶段引入深度可分离卷积改进Neck-FPN网络,提取目标感兴趣区域特征图,实现雾天图像目标检测。实验结果表明:该算法可有效提升雾天图像质量,峰值信噪比指标达到20.828 dB,结构相似度指标为0.814;可实现目标的精准检测,平均精度(IoU=0.5)为94.5%,检测帧率为27.37帧/s。

关键词： 深度学习   目标检测   坐标信息重组   注意力机制   合成孔径雷达船舶检测  

摘要： 为了在提高合成孔径雷达(SAR)船舰检测精度的同时降低误检率,提出了一种基于阶梯式残差结构和坐标信息重组的SAR船舰检测方法。首先,将阶段性残差部分卷积块构建为主干网的主要特征提取模块,以提高船舶目标识别能力、有效降低参数量;其次,在特征融合部分,基于空间信道注意力机制和级联层构建体块注意网络;进一步关注模型的几何信息,在检测头部分,提出了坐标信息重建卷积;在特征传递的最后阶段,利用坐标信息重组卷积旋转不变性的特点,在提高海上不同方位船舶检验效果的同时,增强模型的承载干扰能力,优化信息融合质量;最后,将规格化的高斯Wasserstein Distance引入检测头处的损耗回归函数中,以增强小目标的检测能力。为了证明所提出的网络的有效性,在HRSID数据集和SSDD数据集上进行了实验。结果表明:对于更复杂的HRSID数据集,与基准模型相比,基于阶梯式残差和坐标信息重组的网络的准确率提高了4.8%,召回率提高了3.7%,交并比(IoU)为0.5时的平均精度提高了4.1%,IoU为0.5∶0.95时的平均精度提高了2.7%;在SSDD数据集中,与基准模型相比,基于阶梯式残差和坐标信息重组的网络的准确率上升4.9%,召回率上升1.3%,IoU为0.5时的平均准确率上升2.8%,IoU为0.5∶0.95时的平均准确率上升2.8%,网络模型参数减少约20%。所提网络在提高SAR船舰检测精度、改善误检漏检等方面具有显著优势,有效解决了SAR船舰检测问题,为检测船舰提供了一种有效、高精度的方法。

关键词： 单目深度估计   计算机视觉   深度学习  

摘要： 单目深度估计在三维重建、目标跟踪、场景理解等众多应用中起到非常重要的作用。由于单目摄像头具有成本低、设备较为普及、图像获取方便等特点,从单目图像中获取深度信息成为热门研究。首先概述了用于单目深度估计的常见深度学习模型,主要包括卷积神经网络(Convolutional Neural Network,CNN)、循环神经网络(Recurrent Neural Network,RNN)和生成对抗网络(Generative Adversarial Network,GAN)。然后从训练方法的角度归纳了用于单目深度估计的深度学习方法,并对单目深度估计的发展趋势进行了总结。

关键词： 港口运输   目标检测   单目测距  

摘要： 在港口运输的场景中,货物多为较重较大的集装箱,考虑到人力运输的成本以及安全性,港口往往会使用可移动的机械化工具进行运输。但是由于机械是按照设定好的程序运行,人如果意外进入机械运行区域就会发生较为严重的安全事故。设计了一个融合目标检测与单目测距的系统,当该系统在防撞范围内检测到行人或车时,会依照距离向PLC控制端发出减速或停车的信号。在项目的实际应用中,对人和车的检测与距离判定准确率大于98%,保障了现场人员的人身安全。