关键词： 道路工程   深度学习   目标检测   路面检测   模型评价  

摘要： 针对路面病害检测效率较低、人工成本较高的现状,以目标检测算法在路面病害检测中的应用为研究对象,归纳对比了传统目标检测算法与深度学习目标检测算法的特点、两阶段目标检测算法与单阶段目标检测算法的优缺点。以YOLOv5和YOLOv7算法为例,选取RDD 2020数据集进行模型训练,采用精确率、召回率、平均精确率和平均精确率均值对计算结果进行评价。为深度学习目标检测算法应用于路面检测提供借鉴与参考。

关键词： 电力系统   人工智能(AI)   电网   无人机   目标检测   输电线路   电力巡检   机器视觉   图像处理  

摘要： 【目的】传统的电网巡检方式存在劳动强度大、效率低等问题,为此,以山东黄金电网为研究对象,提出一种基于轻量化深度学习网络YOLOv5-Mv3的无人机巡检电网绝缘子及其异物检测算法。【方法】首先,通过无人机巡检电网拍摄图片来构建数据集,对数据集进行训练;其次,针对电网绝缘子及其异物,采用Mobilenetv3来替代CSPDarknet53作为特征提取网络,对YOLOv5-Mv3进行轻量化改进,减少模型参数和计算量,在保证准确率的同时,满足实时检测的要求。【结果】该检测算法的均值平均精度达到84.7%,检测速度达到56.6帧/s,改进的YOLOv5-Mv3与Faster RCNN、SSD、YOLOv4模型相比,具有更高的检测精度和更快的检测速度。【结论】该算法提高了无人机巡检电网效率,实现了轻量高效的效果,符合电网智能巡检的要求。

关键词： 型线图   船体建模   计算机视觉技术  

摘要： 针对船舶行业常规人工建模方法培训成本较高、效率较低的问题,该文开发了1种以二维平面型线图纸为输入的三维几何船体模型智能生成软件,能够提升建模工作的自动化水平,提高生产效率。该建模软件使用Python语言进行开发设计,通过模拟人类视觉系统,以像素集群为基本单位,从二维图纸中提取、分析和理解船体型线信息。首先,读取、识别并处理截图或扫描得到的二维平面型线图纸(JPEG或PNG格式),根据3个视图之间的空间关系,将型线的二维型值点映射为三维的点云数据;然后,通过信息增密等手段生成船型表面,简化了从二维平面到三维模型的建模流程;最后,精度验证结果显示,基于计算机视觉技术的建模软件能够快速实现由图片形式的二维型线图纸向三维船体模型的转换,具有一定的可靠性。

关键词： BOPPPS模型   遥感数字图像处理   光谱植被指数   教学模式   参与式学习  

摘要： 遥感数字图像处理课程是高等院校地理信息科学、遥感科学与技术、资源环境科学等多个专业的基础课,内容涉及遥感图像预处理、图像增强、遥感图像分类等,在农业、林业、生态、环境、气象等众多领域具有非常广泛的应用。为了解决该课程理论知识抽象、“遥不可测”带来的复杂性等问题,以BOPPPS为模型为驱动,以PVI光谱植被指数构建知识点讲授为例,探索针对农业院校的遥感数字图像课程教学模式。作为课程知识点讲授案例的PVI光谱植被指数教学方案设计从监测大范围植被状态、作物长势的教学目标出发,在课前、课中、课后3个阶段中设置BOPPPS 6个环节,形象、生动地开展PVI植被指数构建的4个原则:敏感波段选择与优化,植被特征增强,光谱特征空间构建,植被指数构建知识点的教学,并通过构建植被含水量光谱植被指数的作业设置与教学后测环节,引导学生发挥潜能并实现高阶学习,从而培养解决复杂问题的能力和创新能力。

关键词： 纸张信息   数字化   图像预处理   特征提取   图像匹配  

摘要： 纸张信息数字化即以数字化形式表征纸张信息,并将特定字符信息嵌入非织物成型中,以此生成特定功能性纸张。纸张信息数字化复杂性较高,为提高纸张信息数字化辨识可靠性与唯一性,可以图像处理算法科学处理与有效分析,促使内嵌信息高效精准展示。基于此,由图像采集、图像预处理、图像识别三个阶段搭建了纸张信息数字化图像处理算法,以模拟纸张信息识别,在此基础上对图像处理算法进行了实验测试与分析。结果表明,相比传统算法,搭建的算法耗时更短,速度更快,准确率更高,实时性更强,表明其在保留纸张信息识别精确度的同时,拥有更高的识别效率,高度契合纸张信息数字化图像识别需求。

关键词： 道岔缺口检测   深度学习   YOLOv8   边云协同   图像处理   自动化  

摘要： 针对目前道岔缺口检测精确度低、鲁棒性差、难以满足边缘计算设备性能要求等问题,提出了一种基于机器视觉和边云协同的道岔缺口检测方法;采用YOLOv8算法对缺口和检测柱进行高效目标检测,并通过图像处理技术精确获取边缘信息,以计算缺口的偏移量;实验结果表明,该方法在正常和摄像头抖动情况下均展现出优越的检测性能,平均误差控制在0.1 mm以内,满足铁路现场实际工程上的应用;采用边云协同的工作模式显著提升了数据处理效率,优化了资源使用,降低了对单一计算节点的依赖,单次处理平均耗时在59.16 ms,相比单独依靠边缘设备平均耗时降低了48.99%。

关键词： 跌倒检测   图像处理   深度学习   特征提取  

摘要： 针对目前跌倒检测算法存在效率低、速度慢等问题,提出一种新的人体姿势跌倒检测算法。基于OpenPose获取人体骨骼关键点信息,并基于重心下降速度、身体倾斜角度、外形轮廓变形比3个判定条件确定人体跌倒状态。实验阶段,与单纯基于深度学习或穿戴设备的方法相比,所提算法性能最优,检测灵敏度为98.35%,特异性为96.79%,准确率为97.11%。实验结果验证了所提算法的稳定性和可靠性,具有广阔的应用前景。

关键词： 目标检测   轻量化   坐标注意力   递归门控卷积  

摘要： 目标检测算法被广泛应用于生产安全领域。针对现有的目标检测算法检测速度慢、在复杂施工环境下检测精度低的问题,提出一种改进的YOLOX检测算法。首先,基于轻量化卷积模组Ghost moudle重构主干网络,压缩模型参数量和计算量,提高检测速度;其次,在主干网络输出端嵌入坐标注意力机制,增强模型对于关键位置信息的学习能力;最后,在颈部网络中引入递归门控卷积,增强模型的空间位置感知能力,捕获图像中的长距离依赖关系。改进后的模型在数据集Pascal VOC和SHWD上进行实验验证,与基线模型相比,平均精度均值分别提升1.69%和1.1%,模型参数量降低18.8%,计算量降低23.3%,帧率提升7.6%。将本文模型部署在终端设备上,可应用于施工环境下的实时监控检测中。

关键词： 无人机   目标检测   YOLOv5n算法   轻量级   深度学习  

摘要： 针对在无人机目标检测中现有检测算法模型过大、速度较慢、复杂度过高等问题,提出一种基于YOLOv5n的改进型轻量级无人机检测算法YOLO-LDD.首先,在YOLOv5n基础上引入多样化分支模块DBB和C3模块融合重构为C3_DBB模块,增强单个卷积的表征能力;其次,在颈部网络中引入重参数化结构卷积RepConv,提升检测速度;最后,通过层自适应幅度剪枝(LAMP)方法压缩模型,减少参数数量.实验结果表明,该算法可在保持良好检测性能的同时,降低计算和存储需求,并提高模型的效率和推理速度,平均精度达96.7%,参数量较YOLOv5n压缩73%,运算量减少60%,检测速度提升至原来的1.6倍.

关键词： 水面目标   目标检测   性能优化   目标跟踪   自动目标识别  

摘要： [目的]旨在提出一种基于改进Deformable DETR的目标检测算法,实现对水面目标的智能识别,并在大幅提升算法模型推理和训练速度的同时提高检测准确率,以实现更加高效鲁棒的水面目标检测。[方法]构建一个新的水面目标数据集,使用轻量化的MobileNetV3替换Deformable DETR原有特征提取网络并引入CBAM注意力机制模块,对Deformable DETR算法进行改进。通过在自构建的水面目标数据集和公开数据集ABOships开展消融实验以及横向对比试验验证改进算法的有效性。[结果]在自构建数据集和ABOships 2个数据集上的消融实验结果证明,改进算法模型相较原算法模型参数量及大小减少至1/3,m AP0.5:0.95分别提升2.4%和7.5%,训练耗时分别为原算法的41.7%和51.9%。在ABOships数据集上进行的不同算法性能的对比测试结果进一步证明所提出的改进算法在推理速度和检测精度综合性能上均具有优越性。[结论]DETR类算法在水面目标检测领域具有应用潜力。