关键词： 毫米波雷达   目标检测   特征级监督   激光雷达   视觉传感器  

摘要： 针对毫米波雷达和视觉传感器融合算法在特征融合层面缺乏有效监督的问题,提出了一种引入激光雷达监督的多模态融合三维目标检测算法(Radar and Camera Fusion Based on Lidar Supervision,LRCFusion)。该算法首先分别提取视觉传感器、激光雷达和毫米波雷达各自的数据特征;接着使用知识蒸馏的方法,利用激光雷达特征作为教师模型监督毫米波雷达特征,以提升毫米波雷达特征的表达水平;然后引入注意力机制实现毫米波雷达和视觉特征融合,并采用基于点云的三维物体检测方法对融合的特征进行目标检测和3D锚框预测;最后,使用预测的3D锚框更新融合前的3D参考点。与基线算法进行比较,所提算法的平均精度提高1.2%,归一化检测得分提高1%。

关键词： 煤矿监控检测   不安全行为识别   目标检测   自注意力机制   融合边界框损失函数  

摘要： 我国煤矿工业建设已逐步转化为智能化模式,采用深度学习算法识别煤矿监控视频中矿工不安全行为具有十分重要的意义。但煤矿井下环境恶劣,提取矿工行为特征干扰大,目前目标检测算法存在精度低、计算量大的问题。针对这些挑战,该文提出了一种融合自注意机制的矿工行为识别模型CMFA-YOLO,采用ConvNeXt V2模块来替代原有YOLOv8n中的C2f模块,实现了Transformer思想与目标检测领域的完美融合,有效降低了模型计算量。进一步采用融合边界框损失函数MF-IoU(MPD-and-Focaler IoU)提高模型的精度。此外引入了自适应空间相关性金字塔注意力ASCPA,配合ConvNeXt V2发挥模型最佳效果。经过多项实验结果显示,CMFA-YOLO在煤矿视频监控场景下的检测精度达到99.0%,为煤矿场景下的异常行为检测任务提供高精确算法。

关键词： 道路裂缝   目标检测   YOLOv5模型   去权重的双向特征金字塔网络   α-IoU损失函数  

摘要： 针对目前道路裂缝目标检测方法存在的对早期裂缝特征识别能力弱、目标检测精度低等问题,提出基于改进YOLOv5的道路裂缝目标检测方法。首先,设计融合注意力机制的轻量化DP-CBC3模块,提高主干网络特征提取能力;其次,采用去权重的双向特征金字塔网络(Dw-BiFPN)替代路径聚合网络(PANet),实现更高层次的网络特征的融合,提高网络双向特征融合能力;最后,采用α-IoU损失函数替代CIoU损失函数,提高目标预测框的回归精度。实验结果表明,相较于原模型,改进的YOLOv5检测模型精确率提升21.39%,召回率提升2.33%,平均精度均值提升6.54%。该方法提升了道路裂缝目标检测效果,可有效解决道路裂缝目标检测难、精度低等问题。

关键词： 玉米   目标检测   病害   YOLOv7   可形变卷积   注意力机制  

摘要： 针对玉米病害识别中图像背景复杂、病斑尺度多变带来的检测精度低、识别效果差、检测速度慢、模型鲁棒性差等问题,提出一种融合注意力模块CBAM与可形变卷积的改进YOLOv7玉米病害识别算法。首先,在特征提取网络采用可形变卷积来优化弥补传统卷积对不规则特征的信息提取效率,以提高模型对病斑的位置感知能力;其次,在特征网络与颈部网络位置增加CBAM模块,加强模型对小目标病斑的关注度;最后,对样本数据进行数据增强预处理后进行训练,提升模型泛化能力和识别精度。试验证明,改进模型对玉米病害识别的精度P达到了95.6%,平均精度均值mAP@0.5为94.3%,召回率R为92.4%,检测速度为48.72帧/s;与基线模型YOLOv7相比,精度P、平均精度均值mAP@0.5和召回率R分别提高了5.3%、5.2%、5.2%,可以实现玉米病害的快速准确识别。

关键词： 图像处理   可视化界面   MATLAB-GUI   图像识别  

摘要： 随着计算机技术的飞速发展,图像处理技术作为计算机视觉领域的重要分支,其研究和应用日益广泛。但传统软件操作过于复杂,为了方便用户进行图像处理和分析,基于MATLAB-GUI设计了一款图像处理系统。该系统集成了颜色/亮度调整、基础功能、空间滤波去噪、图像增强/复原、添加噪波、边缘检测等功能模块,并结合RGB波形图和RGB分量波形图,实现对图像色彩分布和色调层次的可视化分析。该系统界面友好,操作便捷,可为图像识别等任务提供有力支持,推动图像处理技术的不断创新和发展。

关键词： 多模态   电厂设备安全   语言大模型   主动预警系统   目标检测  

摘要： 电厂生产安全在社会稳定发展中扮演着关键角色。智能检测系统的应用显著增强了电厂对设备设施和环境的预警能力,为安全生产奠定了坚实基础。然而,电厂设备设施和环境的复杂多样性使得单一检测算法难以全面预警。本研究创新性提出,采用多模态大模型,根据文本语义标签进行检测,一次性完成多个目标的检测任务,极大提高了效率和便利性。与传统目标检测模型相比,多模态大模型无需训练多个独立模型,减少了时间、资源和管理成本。实验证实,多模态大模型在平均精确率相近的情况下,通常具有更高的召回率,召回率平均提升约16%,这符合电厂设备和环境主动预警的需求。该创新方法为电厂安全生产提供了更为智能和高效的解决方案,有望在实际应用中取得更多成功,并为其他行业的安全监测和预警工作提供借鉴。

关键词： 深度学习   铁路巡检   无人机   目标检测   语义分割  

摘要： 在铁路维护与安全监测领域,无人机巡检作为一种高效且能够加快发展新质生产力的方式被业界看好。现有成果多聚焦于铁路某一具体设施场景下无人机自主巡检算法的研究,综述性文章并不多见。基于此,对铁路设施无人机自主巡检算法进行系统性分析总结。归纳了当前铁路无人机自主巡检的场景和难点,分析了无人机自主巡检在各个场景下的特有问题,对近年来巡检算法研究进行总结归纳。从分析结果来看,现有研究多侧重于异物入侵和轨道扣件等缺陷的检测,而隧道和水害防治等领域的研究则相对不足。汇总了现公开的铁路相关数据集,并对评价指标从精度、速度、复杂度进行整理,对该领域未来研究方向进行展望。以期该项工作为相关领域的研究者提供宝贵的参考和指导。

关键词： 电路板   缺陷检测   YOLOX   注意力机制  

摘要： 针对目前电路板缺陷检测方法效率低、容易出现误检和漏检等问题,提出一种基于改进YOLOX的电路板表面缺陷检测网络。首先,提出一种改进的特征融合网络,将主干网络输出的较浅层特征图引入金字塔自下而上的路径,并作为新增的第四个预测特征图,用于解决因缺陷尺寸较小导致的漏检问题。其次,将CBAM注意力模块引入YOLOX的主干网络,以抑制图像中的冗余信息,对重要特征进行强化。最后,改进YOLOX的回归损失,使用SIoU替换原损失函数,考虑标注框和预测框的角度关系,增强网络的收敛速度和对微小缺陷的定位能力。试验结果表明,改进网络在电路板数据集上的mAP为99.70%,与原YOLOX相比提高了2.28%,对缺陷的检测精度有较好提升,且检测速度满足电路板缺陷诊断实时性要求。同时,对比其他主流目标检测网络均表现出明显精度优势,证明了改进算法的有效性,该方法对工业生产中电路板的质量把控和降低检测成本有重要意义。

关键词： 计算机视觉技术   汽车发动机   故障检测  

摘要： 发动机是汽车的重要部件之一,对其故障进行及时有效检测,对于提升汽车行驶安全性和延长车辆使用寿命至关重要。该文对汽车发动机故障检测系统的重要性进行分析,阐述汽车发动机故障检测系统存在的问题,从硬件和软件系统架构两个方面提出基于计算机视觉技术的汽车发动机故障检测系统设计优化方案,以实现对汽车发动机故障的全面检测,高效排除发动机故障,保障车辆安全运行。

关键词： 织物疵点   YOLOv8   GhostNet   注意力机制   轻量化   目标检测  

摘要： 为应对织物疵点目标检测中背景纹理复杂以及硬件资源有限问题,本文提出一种基于改进YOLOv8n的轻量化织物疵点检测算法(GSL-YOLOv8n)。首先,为减少YOLOv8n模型参数量与网络结构复杂度,结合Ghost思想构建C2fGhost模块,并用Ghost卷积层替换YOLOv8n网络结构的普通卷积(Conv);其次,在主干网络末端嵌入无参注意力机制SimAM,去除冗余背景,增强小目标语义信息和全局信息,增强网络特征提取能力;最后,设计轻量化共享卷积检测头LSCDH,运用Scale层对特征进行缩放,在保证模型轻量化的同时尽可能减少精度损失。改进后的算法GSL-YOLOv8n相比原YOLOv8n模型平均精度提升0.60%,达到98.29%,检测速度FPS基本保持不变,模型体积、计算量和参数量分别减少66.7%、58.0%和67.4%,满足纺织工业生产对织物疵点检测的应用要求。