关键词： 目标检测   YOLOv11n   激活函数   自注意力机制   C3k2   自适应平均池化  

摘要： 针对目前人工巡视导致的变电站设备及生产行为异常检测效率低、人工风险高等问题,提出改进你只看一次11纳米版(you only look once version 11 nano, YOLOv11n)模型。首先,通过设计基于自注意力机制的3尺度卷积双路径可变核(convolutional three-scale kernel-adaptive dual-path self-attention mechanism, C3k2-SA)模块在较小特征图衔接特征融合部分,优化了网络结构,增强了全局特征提取能力。然后,在主干网络末层引入了基于注意力机制的特征增强(feature enhancement, FEN)模块,动态调整不同区域的特征权重,实现自适应的特征增强,缓解深层网络中的梯度消失问题。最后,对拼接(concatenate, Concat)模块进行优化,通过卷积层调整通道数,采用池化和sigmoid激活函数进行特征的精细处理,提高了模型对不同类型特征的自适应,增强了特征融合效果,同时抑制了无关或冗余特征,防止过拟合。结果表明,与原始YOLOv11n模型相比,改进YOLOv11n模型的精确率、召回率、平均精确率均值分别上升了1.7、6.6、3.6个百分点。改进YOLOv11n模型能够提高变电站异常状态检测的准确性,为智能变电站的异常检测工作提供一定参考。

关键词： 目标检测   预筛选   滑窗保护   SO-CFAR   OS-CFAR  

摘要： 针对有序统计(Order Statistics,OS)CFAR运算量大的问题,本文提出了一种基于均值选小(Smallest Of,SO)CFAR预筛选的改进OS(ISOS)CFAR检测算法,该算法在达到与OS-CFAR相同检测性能的同时可有效减少算法运行量。SO-CFAR筛选算法在参考单元两侧同时存在干扰时会出现漏筛现象,ISOS-CFAR通过滑窗保护(Slide Protect,SP)算法改善了这种漏筛现象。SO-CFAR筛选算法在杂波突变高功率区会出现误筛现象,ISOS-CFAR通过OS-CFAR二次检测避免了这种误筛现象。仿真实验结果证明了ISOS-CFAR算法的有效性与优越性。

关键词： 人工智能   目标检测   道路病害   巡检系统   图像处理  

摘要： 文章简要阐述了路面病害车载巡检仪的研究背景,探讨了现有巡检和养护方式存在的问题,从硬件设计和软件设计2个方面设计了基于视频识别的路面病害车载巡检仪。该巡检仪能够有效节约成本,充分利用车辆资源,为后续的路政养护提供了新的借鉴和思路。

关键词： YOLOv8   深度学习   渔船牌号   目标检测  

摘要： 本研究旨在构建了基于YOLOv8模型的渔船牌号识别技术,针对船牌号图像存在的部分目标小、模糊、存在遮挡的特点,对YOLOv8模型改进,主要包括:删除20×20像素大目标检测层,增加160×160像素小目标检测层,提高算法对小目标检测性能并轻量化网络模型;引入GAM注意力机制模块,提高对小目标检测的精确率;用RepVGG替代C2F改进主干网络,提升召回率。实验表明,改进算法性能良好,其中准确率达到98.41%。同时,与原YOLOv8n模型进行对比,检测精确率提高1.3%,召回率提高2.1%,mAP值提高1.6%,模型体积缩减53.7%。通过本研究,文中期望为渔船牌号识别技术的发展提供有益的参考和启示。

关键词： 视觉跟踪器   三孪生网络   目标跟踪   图注意力  

摘要： 针对传统孪生网络视觉跟踪器,在跟踪过程当中只采用初始模板,不能适应目标变化,信息编码方式冗余效率低下,导致跟踪器出现漂移的问题,这里提出了一种基于三孪生网络特征和图注意力机制的跟踪算法。该算法首先分析了不同模板与搜索区域的特征响应,然后构建三孪生特征提取网络,将跟踪器预测的结果作为补充模板送入到三孪生特征提取网络;其次,为了使得信息编码更加有效,引入图注意力机制,加强搜索区域和模板间的信息匹配;最后,采用无锚框的方式对目标的位置进行分类预测,对边框进行回归预测。在GOT-10K,OTB100和UAV123基准数据集上进了测,并与目前主流的跟踪器进行对比实验,结果表明这里提出的算法有效地抑制了跟踪器的漂移现象,提高了跟踪器的跟踪成功率,为跟踪器的设计提供了一种新的方法。

关键词： 视频卫星   遥感影像   目标检测   吉林一号  

摘要： 近年来视频卫星的成功研发,使对地表动态目标的实时性监测成为可能。为将视频卫星运用于智能交通领域,首先需实现卫星视频中车辆目标的高效检测,该项技术是获取一切交通信息的前提。然而,卫星拍摄的视频数据与地面监控视频差异悬殊,现有检测算法难以全面、且准确地检测出卫星视频中车辆目标。为此,本研究在对现有检测算法适用性进行评价的基础上,结合视频影像特点,引入特征背景建模法,通过构建非感兴趣区掩膜,剔除大量误检目标,以获取更加准确全面的车辆检测结果。本研究以吉林一号卫星视频作为实验数据,经实验对比,在兼顾查全率的情况下,算法优化后获得的检测结果在检测精准度上得到显著提升。

关键词： 遥感影像   目标检测   局部无参注意力(LPFA)   最优传输距离   联合损失函数  

摘要： 目的遥感目标检测技术在遥感测绘、智慧城市、乡村振兴和国防军事等领域具有广泛应用,但遥感影像存在背景信息复杂、待检目标小且多等特点,导致目标特征随着网络加深淹没在背景信息中,不利于后续检测任务。针对此问题,基于YOLOv5s(you only look once)网络,提出一种局部无参注意力和联合损失的遥感目标检测方法。方法首先提出一种局部无参注意力机制,能够根据当前特征提高局部区域内的目标关注度,而不引入训练参数,以此构建无参注意力残差块,并将其嵌入到骨干网络的不同阶段,实现多尺度目标特征增强和背景信息抑制。在此基础上,利用最优传输距离度量边界框的相似性,构造W-CIoU(Wassertein-complete intersection of union)联合度量方法和相应损失函数,以缓解锚框与真实框差异过大导致的标签误分配问题,降低小目标漏检率。结果在RSOD(remote sensing object detection)和RSSOD(remote sensing super-resolution object detection)数据集上的实验结果表明,该方法在保证模型参数量和复杂度基本不变的前提下,其平均精度均值(mean average precision,mAP)分别达到98.2%及87.4%,相较两种主要对比方法DAB-DETR(dynamic anchor boxes for detection Transformer)和YOLOv8s,在RSOD数据集上分别提升0.8%和0.3%,在RSSOD数据集上分别提升2.9%和2.6%。结论本文方法能够抑制背景信息并增强目标特征,提高检测性能,相较对比方法能更好地满足复杂场景下小目标检测需要。

关键词： 无人机遥感影像   水体识别   精度验证   图像处理   机器学习  

摘要： 本研究聚焦于无人机遥感影像技术在水体识别领域的精度验证策略及其潜在应用价值的探讨。我们采用了高分辨率无人机遥感影像数据,并集成了尖端的图像处理技术和机器学习模型,系统性地分析了水体识别的精度验证流程,同时对制约识别精度的核心要素展开了深入探讨。结果 显示,无人机遥感影像技术在水体识别方面展现出高度的准确性和广泛的应用潜力,为水资源管理、生态环境监测以及自然灾害评估等多个关键领域提供了强有力的技术支撑。本研究提出的验证方法和所得结论,对于促进无人机遥感技术在水体识别领域的深入发展和广泛应用,具有至关重要的学术意义和实用价值。

关键词： 点云   三维目标检测   激光雷达   多模态融合   自动驾驶  

摘要： 三维目标检测是自动驾驶中最关键的技术之一,基于激光雷达的三维目标检测通常在点云构建的场景中进行。目前的三维检测方法不能充分地利用点云的结构信息,这将导致目标物体的误检和漏检。为此,提出了基于动态加权图卷积的DEG R-CNN。首先,在RoI中对节点设置主邻点和次邻点,为目标物体构建点云的图结构,恢复物体的几何信息;然后,在图中利用Gaussian函数和一维卷积,高效地聚合点云的结构特征;最后,使用交叉注意力机制自适应地融合不同粒度的图像特征,为点云补充图像语义信息。在KITTI数据集上进行实验,验证了各个模块的有效性,三维目标检测的3D mAP达到88.80%,相比基线模型提高了1.22%。同时,对三维目标检测的结果进行了可视化,并对可视化结果进行了分析。

关键词： Mura缺陷   液晶屏   目标检测   深度学习   微弱特征  

摘要： 针对液晶屏Mura缺陷检测中因对比度低和尺度差异多样而导致的检测精度不足的问题,从提升模型对小尺度缺陷和微弱缺陷检测性能的角度,提出了一种基于改进YOLOv8n的液晶屏Mura缺陷检测模型YOLO-D3MNet。首先,通过引入ConvNeXtv2模块重构模型的主干网络和颈部网络,提高模型在复杂纹理背景下的微弱特征提取能力;其次,针对检测头模块特征信息跨通道交流不足的问题,提出了一种结合通道混洗策略和深度可分离卷积的高效解耦头,促进不同特征通道之间的信息流动,降低模型的算力需求;最后,针对基于预测框和真值框的交并比度量对小尺度缺陷的位置偏差敏感的问题,引入归一化高斯Wasserstein距离损失函数,提供更多的正样本候选框,从而提高模型对Mura缺陷的检测性能。改进后的YOLO-D3MNet模型的准确率、召回率和mAP_(50)分别为92.9%、88.8%和94.8%。相较于基础模型YOLOv8n,YOLO-D3MNet模型的准确率、召回率和mAP_(50)分别提高了3.4%、2.7%和3.6%,同时模型的GFLOPs降低了24.7%。与YOLOv5n等主流目标检测模型相比,本文提出的YOLO-D3MNet模型在液晶屏Mura缺陷检测方面具有更好的性能。