关键词： 目标检测   多视图融合   激光雷达   Dempster-Shafer证据理论   注意力机制  

摘要： 在自动驾驶领域,汽车周围的环境信息能够通过3D点云很好地呈现出来,而激光雷达是获取3D点云数据的关键来源。但对于现有的3D目标检测任务而言,直接处理点云数据会因数据量庞大而占用大量计算资源;另外,利用由点云数据生成的投影视图进行检测时,又会因其视角的限制而增加漏检和错检的风险。为此,提出一种基于激光雷达点云投影的多视图融合目标检测方法。首先,将点云投影并编码为三通道2D鸟瞰图(BEV)和距离视图(RV)完成数据预处理;然后,将编码后的BEV和RV分别输入到增加有效通道注意力(ECA)模块的Complex-YOLOv4和YOLOv5s网络中进行目标检测,得到初步检测结果;最后,基于引入证据权的Dempster-Shafer证据理论,将两个视图的目标检测结果进行多视图决策融合,得到最终检测结果。实验结果表明:相较于基于单个BEV或RV视图的方法,所提方法的平均精度均值(mAP)分别提高4.07百分点和4.18百分点,显著提升目标检测性能。

关键词： 输电线路   目标检测   绝缘子缺陷检测   复杂背景   轻量化   RT-DETR算法  

摘要： 为解决无人机在输电线路绝缘子巡检中目标检测算法面临的模型复杂度高、小目标缺陷检测精度不足和上下采样过程中容易造成特征丢失等挑战,本文提出了一种基于轻量化改进的RT-DETR绝缘子缺陷检测算法(SDH-DETR)。首先,以RT-DETR作为基线算法,降低优化难度并提高鲁棒性;其次,采用轻量级StarNet作为主干网络,在显著降低模型复杂度的同时提升特征提取能力;接着,引入DySample动态上采样模块,通过基于采样点的自适应上采样方法,有效减少细节丢失与图像失真;最后,利用Harr小波变换下采样模块(HWD),实现低频与高频信息的高效融合,抑制复杂背景干扰并增强对小目标的检测能力。在复杂背景数据集上的验证实验表明,SDH-DETR的平均精度达98.5%,较基线算法提升0.9%,参数量和计算量分别减少43%和46.1%,检测速度达78.6 fps。这表明该算法在保证高准确性的同时,实现了轻量化设计,满足了输电线路巡检对效率和性能的实际需求。

关键词： 无人机   智能运维   计算机视觉分析  

摘要： 在“低空经济”的政策引导下,基于计算机视觉分析技术的无人机智能运维应用是结合了无人机技术与轨道交通管理需求的创新解决方案。通过利用无人机的灵活性和高效性,结合计算机视觉分析算法,为轨道交通系统提供全方位的复杂场景下的运维服务,从而提高轨道维护效率,降低运营成本,并保障轨道交通的安全运行。

关键词： 辅助诊疗系统   深度学习   皮肤病诊断   目标检测   图像分类  

摘要： 目的为皮肤病患者提供准确的诊疗建议,使患者及时得到专业的治疗。方法基于医院科研大数据平台,以专病数据库的建立为基础,构思并设计皮肤病智能辅助诊疗系统。系统利用深度学习算法对皮肤病图像进行特征提取与分类,实现对皮肤疾病的辅助诊断。结果系统对皮肤疾病图像进行识别判断后,结果与诊疗知识库相匹配,为患者提供相应的皮肤病诊疗建议。结论本研究构建的皮肤病智能辅助诊疗系统,有助于患者快速、准确地获得有效治疗,降低病情恶化的风险。

关键词： 目标检测   YOLOv7   注意力机制  

摘要： 针对无人机航拍图像目标检测任务中目标数量多并且小目标占比多的问题,提出了一种基于YOLOv7的无人机航拍图像目标检测算法。首先,在YOLOv7网络基础上增加了一个小目标预测头;其次,在网络中嵌入Swin Transformer注意力模块;然后,在网络特征融合部分集成了卷积注意力模型(CBAM),在公开数据集VisDrone2019上mAP0.5提升6%,mAP0.95提升4.9%。

关键词： 图像处理   缺陷检测   SURF特征   图像配准   缺陷密度  

摘要： 针对深度学习算法无法兼容设备检测及新样本收集、检测时效性及泛化能力差的瓶颈,提出了一种基于SURF特征改进的传统模板匹配检测算法。首先,使用SURF算法对图像进行特征提取,采用乘积量化理论构建搜索树,结合特征点空间位置信息快速筛选匹配点;其次,根据匹配点获取单应性矩阵和仿射变换矩阵,通过两矩阵结合筛选“内点”进行偏移量计算并执行图像配准;最后,结合局部缺陷密度度量法思想,综合区域前景及区域背景加权方式计算缺陷密度,通过缺陷密度判定标签是否合格,同时针对小字符特征少又含有局部偏移的场景,使用改进方法避免误判。结果表明,所提算法在自建数据集上的准确率、召回率及F1分别为98.67%、97.69%及98.18%,均优于主流方法,在设备上实际应用时满足实时性要求。该算法能有效提升特征点稳定性和检测精度,为其实际应用提供了技术参考。

关键词： 无人机   路面病害   目标检测   YOLOv8   轻量级   知识蒸馏  

摘要： 针对无人机检测路面病害的实时性与准确性需求,提出基于改进YOLOv8的轻量级检测算法LHP-YOLO。将RG-C2f模块替换原C2f模块以减少计算冗余,设计了轻量化检测头Detect-T3G以减少模型参数量,在颈部网络嵌入内容引导注意力融合机制以提升复杂背景下的目标检测精度,应用通道级知识蒸馏以补偿轻量化带来的精度损失。在路面病害数据集RDD 2022上的实验表明:改进模型的mAP50较原模型提升3.4%,参数量与计算量分别为1.76×106和3.9 GFLOPs,较原模型减少了41.3%和51.8%,满足无人机路面病害检测的实时性要求。

关键词： 计算机视觉   注意力机制   复杂图像背景   前景拉索   DeepLabV3+网络  

摘要： 【目的】基于计算机视觉进行拉索振动测量时,背景图像中物体的运动会影响拉索振动识别的精度。因此,提出一种引入有效通道注意力(ECA)机制的改进DeepLabV3+网络方法,以去除复杂图像背景并提取图像前景中的拉索目标。【方法】在DeepLabV3+网络的编码阶段增设特征提取模块以增强拉索图像的深层特征,从而获得更精细的拉索边缘;在解码阶段引入浅层特征融合模块过滤背景信息并减少细节信息的损失。【结果】在采集的离散拉索图像数据上对模型的精度进行评估,结果表明:改进后的DeepLabV3+网络的平均交互比(MIoU)、类别像素精度(PA)和平均像素精度(MPA)均有提高,分别达到0.9901、0.9984和0.9949。【结论】改进后的DeepLabV3+网络对拉索像素识别的精度更高,对背景图像的分割更完全,可有效去除拉索的复杂图像背景。

关键词： 输电线路监测   北斗定位   二、三维融合   时空同步   目标检测  

摘要： 随着能源需求的不断增加和电网网架的不断延伸,输电线路的监测是保障电网安全的重要工作。传统的激光探测、视频侦测等单一技术手段对隐患目标识别、空间位置感知和距离测算存在精度差、实用性差等不足。文章提出一种基于北斗定位+二维可见光图像与三维激光点云融合的输电线路在线监测方法,首先基于二、三维特征级和目标级融合,实现了双方优势互补,同时获得了目标物的颜色纹理信息及三维空间轮廓和深度信息,提升了隐患目标的检测分类,以及目标距离和位置检测的能力;其次,与北斗定位的融合,保证了时空一致性,实现了传感器时间同步、设备位置校核和隐患绝对位置计算,实现了高精度的隐患目标检测。文章研究方法弥补了单一监测手段的不足,提高了目标检测的精确度和实用性,较好地满足了外破及漂浮物监测、树障监测及生长风险预判、交叉跨越监测及趋势预测等典型应用场景。

关键词： 二次供水泵房   目标检测   无人值守   监测系统   物联网  

摘要： 【目的】文章针对城市化进程中高层建筑二次供水系统面临的泵房环境复杂、维护成本高、智能化不足等挑战,开发了一套基于边缘计算平台的智能监测系统。【方法】该系统通过高性能计算平台搭载先进的目标检测算法,实现对泵房环境的全方位实时监控,能够高效识别异常闯入、漏水和堆物等多种风险事件。硬件设计采用工业级防护结构,具备良好的环境适应性和通信稳定性;软件采用模块化架构,各功能模块协同工作,并配备自动恢复机制确保系统可靠运行。【结果】测试结果表明,系统在恶劣工况下仍能保持稳定性能,检测响应迅速,在实际应用场景中展现出优异的异常事件识别能力。相较于传统监测方案,该系统显著提升了监控覆盖范围和运维效率,同时大幅降低了实施成本。【结论】研究证实,该方案通过边缘计算与人工智能技术的有机结合,有效解决了泵房无人值守监测的关键技术难题,具有实时性好、适应性强、性价比高等突出优势,不仅为智慧水务建设提供了创新解决方案,其技术架构和实施经验也为相关领域的智能化升级提供了有益参考,对推动城市基础设施数字化转型具有重要实践价值。