关键词： 太阳电池   光伏阵列   目标检测   图像分割   红外图像   可见光图像  

摘要： 为保证光伏发电稳定、高效和安全运行,需及时检测光伏阵列的运行状况并发现存在的缺陷。提出融合可见光与红外图像的光伏阵列缺陷检测方法,采用CenterNet进行可见光图像光伏组件中太阳电池检测,采用U-Net对红外图像高温区域进行分割,提出区域匹配模块对可见光与红外图像进行匹配,提出关键点(PoI)聚集模块和二次分类器实现关键点处特征向量的聚集以及太阳电池缺陷分类,最后结合可见光图像异物遮挡及红外图像温度异常识别缺陷太阳电池位置及类型。选择不同网络进行测试,提出的算法在较为轻量的CenterNet和U-Net网络上太阳电池检测的AP50-95值达到84.4%,异常温度区域分割的IoU达到89.7%,且单张检测时间约为38 ms,能以较快的速度完成异常太阳电池的检测。

关键词： 无人机航拍   小目标检测   深度学习   YOLOv8-n   特征融合  

摘要： 为有效应对无人机目标侦测失误和侦测遗漏等情况,提出基于YOLOv8的改进模型EED-YOLO.该模型通过设计多尺度特征融合网络结构,将不同层次的特征信息进行融合,提升模型对不同尺寸目标的检测能力.添加第四侦测头,增强对小目标的识别能力;使用EIoU替代CIoU,进一步细化预测框的质量考核标准;将ECA模块引入颈部结构,专注于捕捉通道间的动态依赖关系.在VisDrone2019数据集上,改进后的航拍检测模型mAP 50提升4%及mAP 50-95提升2.7%.

关键词： 小样本目标检测   深度学习   数据增强   样本生成  

摘要： 利用生成模型为小样本目标检测提供额外样本是解决样本稀缺问题的方法之一。现有生成额外样本的方法,多关注于生成样本的多样性,而忽略了生成样本的质量和代表性。为解决这一问题,该文提出了一个新的基于数据生成的小样本目标检测框架FQRS。首先,构造类间条件控制模块使得数据生成器能够学习不同类别间的关系,利用基类和新类的类间关系信息辅助模型估计新类的分布,从而提高生成样本的质量。其次,设计类内条件控制模块,利用交并比(IOU)信息限制生成样本在特征空间的位置,通过控制生成的样本更聚集于类别的中心,确保它们能够捕捉对应类别的关键特征,从而提高生成样本的代表性。在PASCAL VOC和MS COCO数据集上进行测试,在不同小样本条件下,该文提出的模型均超过当前最好的两阶段微调目标检测模型—解耦的更快区域卷积神经网络(DeFRCN)。实验验证了该文方法在小样本目标检测上具有出色的检测效果。

关键词： 计算机视觉   智能监控   智慧城市  

摘要： 随着智慧城市的发展,智能监控系统在保障公共安全、提高城市管理效率等方面发挥着越来越重要的作用。利用人工智能和大数据分析技术,基于计算机视觉的智能监控系统能够实时监测和分析城市中的各类动态信息,如交通流量、公共区域人员密集度、可疑行为等。该系统能够自动识别图像中的对象、行为模式,并生成数据报告,支持城市管理者及时做出决策。此外,结合人脸识别、车辆识别等技术,智能监控系统能够提高犯罪预防能力和应急响应速度。

关键词： 目标检测   YOLOv10n   风管卡夹   RepConv卷积   StokenAttention注意力机制  

摘要： 针对列车检测工作中因环境昏暗、检测目标细小等因素导致风管卡夹检测精确度不足、检测效率低等问题,文章基于收集的列车风管卡夹数据集提出了一种基于RSA-YOLOv10n的检测算法。首先,为更好地捕捉图像中的不同特征,基于YOLOv10n模型将Conv卷积修改为RepConv卷积,自适应地调整卷积核的表示能力;其次,为提高模型对重要信息的敏感性,在Neck层增加StokenAttention注意力机制,能够使模型检测动态地聚焦于图像中的关键区域;最后,通过自标注的上千张列车风管卡夹图片的数据集进行实验,得到RSA-YOLOv10n模型的mAP@50%、mAP@95%、精确度及召回率分别为98.7%、75.1%、97.3%和96.6%,相较于YOLOv10n模型的分别提升了0.2、0.8、0.2和0.3个百分点;RSA-YOLOv10n模型在模型大小、GFLOPs、函数损失值等参数持平于YOLOv10n模型的情况下大大提高了模型的FPS值。通过消融实验及与YOLOv3-tiny、YOLOv5n、YOLOv8n等模型的对比实验,分析验证了本文所提检测算法在综合精确度、召回率及检测时间等指标方面存在更大优势,适合在列车风管卡夹检测领域进行推广,对列车装置部件检测的技术发展具有重大意义。

关键词： 探地雷达   隧道衬砌缺陷   深度学习   目标检测   Transformer  

摘要： 隧道衬砌内部缺陷检测对于隧道的安全运行至关重要。针对传统探地雷达(ground penetrating radar,GPR)图像识别方法对技术人员要求高、复杂图像识别难度大、不能实现端到端识别等问题,提出一种基于Transformer框架的雷达图像隐藏缺陷自动检测算法,命名DETR-MCA,在原end-to-end object detection with transformers(DETR)架构上嵌入了一种新颖的高效多尺度注意力模块—multi-scale convolutional block attention module(MCA)模块,它允许模型根据任务需求和内容上下文动态地关注于最有用的特征,从而改善DETR模型的收敛速度和对小目标的检测准确率,最终利用基于全局注意力计算的编码器-解码器结构的并行计算能力,实现空腔和不密实2种病害的端到端的检测与识别。此外,为解决实测数据集稀缺的问题,构建了GPR隧道病害实测数据集,结合数据增强方法,共获得1427张空腔数据和669张不密实数据。其次,为了增强预测模型的鲁棒性,利用5333张2种隧道构件(钢筋和钢拱)的实测数据集进行迁移学习。在相同试验条件下,将该模型与Faster R-CNN、YOLOv3、YOLOv8、Mask R-CNN、RMTDet和DINO 6种深度学习网络模型进行比较,提出的模型对隧道不同隐藏缺陷平均准确率达到97.1%,性能优于其他模型。结果表明DETR-GPR模型具有较高的识别准确率与较强的鲁棒性,可为复杂隧道环境下不同缺陷的检测提供参考。

关键词： 交通工程   行驶区域自动划分   目标检测   目标跟踪   逆行检测  

摘要： 近年来,随着交通车辆数量的增加,由道路异常事件引发的交通事故不断发生,成为现代安全的关注点。研究道路异常事件检测对于提高交通安全、减少事故频率至关重要。以夜间车辆的逆行识别为研究出发点,但目前的逆行检测算法存在误检,且重要的参考标准需依赖人工标注。为解决这些问题,构建了一个实用的高速公路数据集,采用分割法和标记法相结合自动获得行驶区域划分图,并通过计算道路区域内车辆平均速度确定行驶方向。在夜间逆行检测过程中,利用目标跟踪法和光流法判断车辆是否发生逆行,完成车辆逆行检测。实验证明:提出的算法准确率高且鲁棒性强,适用于复杂的白天和夜晚高速公路环境。

关键词： 联动控制   AI视觉识别   YOLOv5   目标检测   地下综合管廊  

摘要： 随着智慧城市建设的推进,地下综合管廊的运维需求不断增加。传统的人工巡检不仅效率低下,还存在安全隐患。为此,该文提出一种集成联动控制与人工智能视觉识别技术的智能巡检机器人系统。该系统通过将YOLOv5算法与深度强化学习算法相结合,实现对火焰、烟雾、积水等目标的高效识别和自动巡检路径优化。联动控制技术优化机器人在复杂环境中的运动和定位,使其能够精准适应地下管廊的复杂条件;同时,YOLOv5的多层特征融合机制提升目标检测的准确性和响应速度。实验结果表明,YOLOv5在目标检测中的准确率达到92.31%,展示该系统在提升巡检效率和安全性方面的显著优势。

关键词： 三菱工业机器人   中国象棋   图像处理   智能交互  

摘要： 基于三菱RH-FRH系列四轴工业机器人,设计了一套用于陪护的智能下棋机器人系统。该系统搭载专用语音识别模块并基于开源计算机视觉库(OpenCV)的机器视觉技术,实现了人机交互功能。该系统具备语音控制、精确视觉识别、自动抓放棋子和个性化对弈等功能,能精确移动棋子,交互操作直观便捷,具有良好的用户体验。

关键词： 智慧矿山   目标检测   YOLOv5s   多层特征融合   子像素卷积  

摘要： 针对露天矿生产场景中存在着目标像素低、小目标众多、背景复杂等问题,在YOLOv5s的基础上提出一种多尺度和超分辨率网络(multiscale and super-resolution network,MS_Net)。在特征融合模块,将PANet的三尺度检测升级为四尺度检测,提高网络的多尺度学习能力,并使用子像素卷积作为上采样方法;提出一种多层融合(multi layer fusion,MLF)模块,融合了PANet 3个输出层的特征,得到一个具有丰富语义信息和空间信息的特征图;在预测层中,使用SIoU作为定位损失函数,优化模型的参数。实验结果表明:MS_Net网络在PASCALVOC数据集上mAP为79.4%,FPS为59;在矿山数据集上mAP为80.2%,FPS为64.5,模型可快速、准确、高效地对露天矿中的目标进行识别检测。