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： 工业机器人视觉系统   图像处理   3D视觉  

摘要： 工业机器人视觉系统模仿人的视觉功能让机器人对图像信息进行识别、处理与分析、以达到准确组装、检测和质量控制。关键技术主要有图像采集、图像处理和分析、模式识别和机器学习、3D视觉、传感器融合和照明和光学技术等。在装配与检测、质量控制、定位与导航、分拣与包装、焊接与切割以及其他方面都有大量技术应用实例,大大提高了生产效率及产品质量。伴随着科技的进步,工业机器人视觉系统必将在更多的领域中扮演重要角色。

关键词： 船舶检测   YOLOv8算法   恶劣天气   聚核初始网络   上下文锚点注意力模块   特征识别  

摘要： 针对现有内河航道中由于雨、雪、雾等恶劣天气导致的船只检测困难问题,提出一种基于YOLOv8的航道船舶目标检测方法,即YOLOv8-Ship。该算法设计一种特征聚焦扩散金字塔网络,融合YOLOv9中的ADown模块,使每个尺度的特征保留更多的上下文信息;同时引入聚核初始网络(PKINet)以及上下文锚点注意力模块(CAA)改进C2f,来增强中心区域的特征;最后采用深度可分离卷积取代骨干网络中的普通卷积,减少模型参数量和计算量。实验结果表明,在雨、雪、雾的天气条件下,与传统的YOLOv8n相比,改进算法的精确率提高了0.5%,召回率提升了3.4%,F1分数提升了2%,mAP@0.5提升了1.2%,平均精度均值达到97.5%,有效提高了内河航道恶劣天气下过往船只的识别精度,具备较强的鲁棒性。

关键词： 目标检测   深度学习   YOLOV5   Jetson TX2   检测速度  

摘要： 基于卷积神经网络的目标检测技术得到快速发展与应用,但受限于检测速度,其在嵌入式平台大规模部署应用始终棘手,在保证模型精度基础上降低时间复杂度成为目标检测技术主要难题之一。为探索某领域基于微型处理器的目标自动检测方法,文章基于YOLOv5、DOTA数据集、Jetson TX2对航拍场景目标检测系统展开研究。首先,基于DOTA高分辨率航拍场景目标检测数据集在PC端完成YOLOv5模型训练,模型的准确率为54.76%,召回率为81.47%,mAP@0.5达到74.12%;其次,对船舶港口、机场、海港3种潜在目标场景进行目标检测分析,在高分辨率航拍场景下仍可以达到较好的检测效果,检测速度达到了181.8 FPS;最后,基于Jetson TX2与无人机设计目标检测系统,实现PC端向微处理器端算法移植,在Jetson TX2上完成模型检测,检测速度达到了16.13 FPS。

关键词： 深度学习   道路目标检测   自动驾驶   YOLOv7算法  

摘要： 自动驾驶视觉感知算法需要在合理延迟的基础上,准确地检测道路目标。针对该问题,基于YOLOv7,提出一种改进的道路目标检测算法。算法使用SODA10M道路目标检测数据集,确定了损失函数各部分损失的最佳权重,验证了最佳锚框数量和在不同检测尺度上的锚框分布,在不降低检测精度的前提下提高了检测速度;改进了一种加权特征融合ELAN结构,促进了网络模型中提取特征的动态融合;在检测头前采用ASFF网络实现提取特征的跨尺度融合,增强了网络的特征提取能力。实验证明:改进后算法的平均检测精度mAP、精确率P和召回率R,优于改进前的算法以及与之对比的其他目标检测算法。

关键词： 计算机视觉   点云配准   RANSAC   假设评估  

摘要： 本文提出了一种创新的假设度量方法,将通过三角形投票方法获得的点对置信分数与基于点对的度量相结合。该方法核心观点是:一个好的假设应能将高置信分数的对应点精确对齐,从而产生更高的得分贡献。此外,本文还对现有基于内点的度量有效性方法加以改进,提出2种改进方法:忽略具有较小变换误差的内点距离,以及抑制由大量低置信度对应点引起的错误高分贡献。在3个数据集上的对比实验表明,所提出的度量方法能够提升所有已知的基于点对的度量准确性,并在默认参数设置下有1%~16.95%不同程度的配准性能提升和1.67%~10.79%的时间节约,在时间消耗、鲁棒性和配准性能之间实现了更好的平衡。特别地,改进的内点计数度量具有更加鲁棒和精确的配准性能。因此,本文所提出的度量能够在RANSAC的假设评估阶段识别出更正确的假设,从而实现精确的点云配准。

关键词： unmanned surface vehicle   distributed control   target-guided coordinate control   fixed-time convergence   dynamic surface control  

摘要： This paper presents an investigation on the target-guided coordinated control(TACC)of unmanned surface vehicles(USVs).In the scenario of tracking non-cooperative targets,the status information of the target can only be obtained by some *** order to achieve semi-encirclement tracking of noncooperative targets under maritime security conditions,a fixed-time tracking control method based on dynamic surface control(DSC)is proposed in this ***,a novel TACC architecture with decoupled kinematic control law and decoupled kinetic control law was designed to reduce the complexity of control system ***,the proposed DSC-based target-guided kinematic control law including tracking points pre-allocation strategy and sigmoid artificial potential functions(SigAPFs)can avoid collisions during tracking process and optimize kinematic control ***,a fixed-time TACC system was proposed to achieve fast convergence of kinematic and kinetics *** effectiveness of the proposed TACC approach in improving target tracking safety and reducing control output chattering was verified by simulation comparison results.

关键词： 线阵相机   计算机视觉   目标检测  

摘要： 针对传统敞车车厢人工巡检效率低、漏检率高等问题,文章设计了一种基于计算机视觉的自动化破损检测系统,用以提升检测精度与效率,保障铁路运输安全。系统采用YOLOv5深度学习模型作为核心检测算法,结合图像预处理与数据增强技术,构建包含5000张车厢图像的数据集(含3000张破损标注)。通过边缘检测与多尺度特征融合优化小目标识别能力,硬件配置2 K分辨率工业相机与GPU加速推理模块。试验表明,系统对车厢典型破损现象的检测准确率达95%,平均单帧处理时间200 ms。在3路摄像头并行处理场景下,系统可实现每秒6帧的综合处理能力,较传统人工巡检效率提升12倍以上。系统通过深度学习与硬件协同优化,实现了敞车车厢破损的高效精准检测,具备工程应用价值。未来可进一步扩展多模态传感器融合与轻量化模型部署,适应复杂环境下的检测需求。

关键词： 深度学习   目标检测   剪枝   模型压缩   轻量化  

摘要： 道路损伤检测在道路维护过程中至关重要,针对目前的道路损伤检测依赖于大型车载检测设备导致其成本过高且普适性差的问题,提出了一种应用于边缘设备的超轻量化路面裂纹检测模型。首先构建轻量化的道路损伤检测网络,在此基础上基于特征映射贡献度剪枝策略,删除网络中的冗余参数,保证在边缘设备中进行实时监测的同时不降低检测精度。通过实验对提出的模型进行了验证,结果表明本文所提出的模型大小仅有2.06 M,在帧率40的情况下准确率达到了68.6%,相较于原始的YOLOv5s模型,在准确率仅降低3.4%的情况下,参数量降低了70.8%,在边缘平台推理延时降低175 ms。综上所述,所提出的模型在能够更有效地检测道路特征的同时,可以保持高水平的准确性,对于道路损伤检测具有良好的鲁棒性。

关键词： 无人机遥感图像   小目标检测   空间注意力机制   YOLOv8  

摘要： 在无人机遥感图像中,捕捉的目标物体通常出现重叠、遮挡及目标较小等现象,导致现存算法难以稳定应用的问题,提出一种基于自适应YOLOv8的遥感图像目标检测算法。首先,使用多残差模块改进原YOLOv8的Backbone,增强其特征提取能力;然后,提出使用空间注意力机制替换Neck中原有的C2f模块,提升网络对小目标信息的敏感程度;最后,加入回归损失函数,结合YOLOv8原有损失提升网络对小目标检测的鲁棒性。在Dior数据集上的试验结果表明,所提算法的准确率和稳定性相较于原YOLOv8算法分别提升了10.3%、6.1%,消融实验也进一步证明了各模块的优越性。