关键词： 深度学习   目标检测   注意力机制   道路损伤   特征融合  

摘要： 针对道路损伤检测中存在的小目标检测难、图像背景复杂、易漏检、误检等问题,提出了一种改进YOLOv5s的道路损伤检测算法。首先在主干网络中添加轻量级的注意力模块,使得网络模型更为关注检测目标中的重要信息;其次改进颈部网络中的特征融合机制,提高对重要特征的使用,在网络深处使用gsconv模块来替换模型原有的卷积模块,减少网络的参数量,达到提升模型检测速度的目的;最后使用SIOU作为损失函数来提高模型检测的稳定性。实验结果显示,改进网络在参数量为原模型89%的同时,其精准率、召回率,以及精度相较于原始网络模型分别提升了6.8%、2%、1.6%,证明了所改进方法可有效地提高道路损伤检测的准确性和效率。

关键词： 图像检测   深度学习   铁路机车   鲁棒性  

摘要： 针对铁路机务检测中存在的效率低、成本高、实时性差等问题,提出一种基于卷积神经网络(CNN)的智能检测算法,该算法采用轻量级的Siamese U-Net架构,结合混合和注意掩码模块(MAMB),用于快速准确地识别机车关键部件的故障。本研究不仅提高了铁路机务检测的智能化水平,也为铁路安全运营提供了有力的技术支撑。此外,本研究还探讨了算法在不同铁路运行环境下的适应性和稳定性,并通过实际铁路机务检测案例,展示了算法在真实场景中的应用效果。研究成果表明,该智能检测算法能够有效提升铁路机务检测的自动化水平,降低人为因素导致的误判风险,对于推动铁路机务检测技术进步具有重要意义。

关键词： 内孤立波   目标检测   YOLOv5   潜标观测数据  

摘要： 海洋内孤立波通常携带着巨大的能量,给海上作业带来巨大的安全隐患,因此,对海洋内孤立波进行实时的检测有重要的意义。近年来,人工智能技术在各行业的应用越来越广泛,基于深度学习的目标检测技术也越来越成熟。本文结合现场观测数据和基于深度学习的目标检测算法YOLOv5,开发了一种基于潜标观测数据的内孤立波人工智能检测模型。首先将数据归一化处理,再分别将不同观测要素数据传入网络迭代训练,训练完成后保存最优权重文件并用于评估模型。评估结果表明,在采用单要素检测方案中,温度检测模型稍好于纬向流速检测模型,而经向流速检测模型相对较差,其综合评价因子最值ε_(max)分别为80.94、78.74和72.02;在温度、纬向流速和经向流速三种要素不同组合的检测方案中,相比单要素和双要素方案,三要素方案的检测效果最好,ε_(max)达到82.48。该检测方案的准确率较高,检测速度较快,满足实时检测需求。

关键词： 视觉语言模型   对抗微调   对抗鲁棒性   计算机视觉   自然语言处理  

摘要： 视觉语言模型作为计算机视觉与自然语言处理交叉领域的关键技术,已在教育和艺术创作等场景中展现出广泛的应用价值。然而,此类模型易受对抗攻击影响,其安全性面临严峻挑战。传统对抗微调方法通过优化视觉编码器提升模型鲁棒性,但未充分探索与文本模态协同优化机制。为此,提出了一种面向图文对比预训练模型的多模态对抗微调方法,首次实现图像与文本编码器的同步优化,并通过学习率动态调节策略解决双编码器收敛速度不平衡的问题。实验结果表明,这种方法显著提升了视觉语言模型的对抗鲁棒性,其性能优于现有方法且实现更为高效。

关键词： 深度学习   目标检测   车辆测速   车辆测距   状态感知  

摘要： 针对驾驶场景中的前车检测与运行状态感知任务,提出融合车辆图像特征的前车距离与速度的多模态感知方法.通过改进的SW-YOLOv8n模型检测图像中车辆的位置特征,结合几何算法计算相对前车的横纵距离特征.设计特征提取网络提取车辆特征,通过串联拼接融合车辆图像特征向量,并建立车辆测距神经网络.通过集成多特征融合模块与车辆测距神经网络,构建前车距离感知模型与车辆跟踪测速模型,同步输出精确的距离估计和速度跟踪结果.实验结果表明,在实验数据集上,SW-YOLOv8n相比于YOLOv8n模型,mAP50、mAP50-95分别提高1.6、2.3个百分点,SW-YOLOv8n模型的检测速度为260.11帧/s;在横向9.5 m与纵向50 m的范围内,在前车未被遮挡的条件下,前车距离感知模型的预测距离与实际距离的平均相对误差为1.87%,遮挡条件下的平均相对误差为2.02%;车辆跟踪测速模型的速度测定结果具有稳定性,适用于前车距离与速度感知任务.

关键词： 目标检测   仿真   注意力机制  

摘要： 针对图像中远距离的车辆具有尺度小,特征不明显等问题,以及白天和夜晚不同时刻的光照变化,导致车辆检测困难,提出了一种改进YOLOv5s的适应变场景的车辆检测方法。在先验锚框方面,使用K-means++算法找出适合当前数据集的anchors,加快损失下降;在主干网络的BottleneckCSP模块后加入改进SENet模块,提取更注重车辆特征的语义信息,同时将卷积块的LeakyRelu函数改为Mish激活函数;在预测输出端之前加入改进CBAM模块,其中三组空间注意力机制使用同一组特征权值,去除全局最大池化层,实现提高模型检测精确度和减少参数量。实验结果表明,改进算法与原算法、未改进注意力模块算法相比mAP@0.5:0.9分别提高了2.98%、0.45%。表明该改进YOLOv5s有效提升了多场景中车辆目标的检测性能。

关键词： 形状特征   模板匹配   图像金字塔   图像处理   梯度信息  

摘要： 针对工业生产中图像匹配存在的效率低与复杂环境下精度差等问题,提出了一种面向形状特征的模板匹配算法.首先,在轮廓模板建立阶段,为保证匹配精度和效率,引入了一种自适应搜索角度步长方法,同时采用了基于弱分类的块级强二值检测模式,利用图像灰度特性和块级积分图思想,快速排除与目标图像轮廓点数量相近的非目标区域;其次,在轮廓模板匹配阶段,采用了一种金字塔图像多级匹配方法,从粗匹配到精匹配寻找目标位姿,以减少匹配时间;最后,在不同条件下对4种工件进行了实验测试.实验结果表明,所提出的模板匹配算法能够有效应对不同光照强度变化与旋转变换等干扰,良品工件匹配精度达到93.24%以上,非良品工件匹配精度达到87.81%以上,同时模板匹配时间低于594 ms,该算法能够满足图像匹配对高匹配效率和鲁棒性的要求.

关键词： 双端行波   故障定位   小波变换   Pix2PixHD   YOLOv8   StarNet   CAA   目标检测  

摘要： 针对传统故障行波法应用在输电线路中,采样设备的采样频率较低、定位精度不高的问题,提出一种结合对抗生成网络与神经网络的双端行波故障定位算法。该方法利用小波变换提取故障行波低采样率下的初始波头时域特征,以图像的形式输入Pix2PixHD,输出得到高采样率下的初始行波时域特征,进而提升故障定位精度。最后,针对行波检测提出一种Star-CAA-YOLOv8模型,对生成图像进行质量评估,并以实例分割功能实现自动化读取行波到达时间,解决图像带来的读数不便问题。1 MHz采样率下的故障行波图像经过Pix2PixHD输出得到2 MHz采样率下的故障行波图像,故障定位的绝对误差最高缩小83.33%,相对误差最高缩小84.44%。此外,该方法还具有缩小更低误差的可能性。多次仿真对比实验表明,所提方法能够精准地获取高采样率下的故障数据,具有较好的通用性和实用性。

关键词： 探地雷达   衬砌检测   深度学习   目标检测  

摘要： 隧道衬砌检测是隧道建造与维护的一项重要质量管理内容。因衬砌内部病害种类多样、边界模糊,导致病害识别不准、模型训练困难。而依靠人工识别或现有模型无法实现快速、准确得检测病害。针对上述问题,以云南隧道B-scan取得的1922个衬砌雷达样本创建数据集,用于训练模型,并提出一种基于YOLOv5的隧道衬砌病害检测模型YOLO-Tunnel。通过改进Backbone与Neck,提升了模型特征提取能力、增加感受野、提升模型定位能力;根据数据集规模和目标尺寸比例,选择合适的模型尺寸和平衡权重,进一步提高模型识别能力。结果表明:YOLO-Tunnel相比YOLOv5s有更好的病害检测精度同时也满足实时检测需求,其中准确率、召回率、均值平均精度(mAP)分别提高了2.5、9.0、8.1个百分点,推理时间增加了2.7 ms,为21.8 ms。研究成果为进一步提高隧道衬砌病害识别性能及模型优化方向提供参考。

关键词： YOLOv5   目标检测   损失函数   注意力机制  

摘要： 针对复杂施工场景中安全帽佩戴检测存在的灵敏度与精度不足问题,文章提出了基于YOLOv5s框架的改进算法。通过三重创新构建增强型检测架构:首先采用FASTERNETX模块替代标准C3组件以强化多尺度特征融合能力;其次引入Biformer动态注意力机制实现特征权重重标定;最后结合改进损失函数优化边界框定位精度。实验结果表明,改进算法在自建数据集上降低了7.7%参数量和5.1%浮点运算量,同时mAP0.5指标提升1.1%,为施工现场安全监管提供了高效可靠的智能检测方案。