关键词： 船舶设备   拆除和安装   目标检测   注意力机制(SA)   泛化特征金字塔网络(GFPN)   动态非单调聚焦机制(WIoU)损失函数  

摘要： [目的]船舶机舱作业规范性是船舶安全管控的关键部分,因此船员实操考试将船舶设备拆装作为一个重要考核项。为提升船员实操考试的电子化和智能化水平,提出一种基于计算机视觉的船舶设备拆装流程规范性的自动化识别方法。[方法]首先,以YOLOv8n构建船舶设备检测模型的骨干网络,并引入高效通道注意力机制(SA),以提高模型特征提取能力与训练效率;然后,在颈部网络中引入重参数化泛化特征的金字塔网络(GFPN)融合结构,以提高模型的多尺度特征融合能力;最后,引入动态非单调聚焦机制损失函数(WIoU)来替换原CIoU损失函数,以提高模型精度。[结果]自建数据集的试验结果表明:与YOLOv8n相比,改进目标识别算法的平均精度均值提高了0.15,实时检测的每秒帧数提升了0.6,可以准确识别齿轮泵的拆装流程。[结论]该改进算法具有更强的识别能力,可以更好地应用于船舶设备拆装流程规范性的识别任务。

关键词： 变电站   异常状态   渐进性特征   目标检测   深度学习  

摘要： 随着电网规模的不断扩大,提升电网建设过程中的现场作业风险管控能力愈加重要。为了解决安全监督中作业流程监控及违章辨识防控体系智能化程度不高的难题,该文基于YOLOv7构建了一个端到端的变电站异常状态检测网络(asymptotic feature fusion network,AFFNet)。针对变电站异常状态多样,主干网络特征提取能力不足的问题,设计了S-ELAN网络,通过控制最短和最长的梯度路径,使网络能够学习到更多的变电站异常状态特征。针对不同异常状态特征尺度变化大导致的信息丢失问题,设计了渐进性特征融合策略,避免非相邻特征之间较大的语义差距。同时考虑到在每个空间位置进行特征融合时可能出现多目标信息冲突的情况,采用自适应空间融合来降低特征信息的不一致性。进一步,对于数据集中正负样本数量不均衡,引入梯度均衡损失函数,利用梯度信息自适应调整不同样本的权重信息。在变电站异常状态数据集上测试所提方法的效果,整体测试精度达到82.06%,显著优于现有的一阶段检测网络。结果表明所提方法能够准确辨识变电站异常状态,提高了变电站的风险排查和防护能力。消融实验的结果验证了渐进性特征融合策略的有效性。

关键词： 草莓   点云   采摘机器人   计算机视觉   语义分割   深度相机  

摘要： [目的]针对田间背景噪声干扰、草莓果实体积小且伴随遮挡的难点,本文利用3D视觉技术实现草莓准确识别和定位,为机器人自动采摘提供技术支持。[方法]使用Intel Realsense D435i深度相机采集不同光照、季节和遮挡条件下的草莓点云数据,构建包含3个类别的数据集,分别为无遮挡、低遮挡、高遮挡。结合多阈值统计滤波和ROI提取技术对点云数据进行预处理,过滤噪声;以PointNet++为基础模型,对点云数据直接提取特征,并在PointNet++基础上提出一种针对复杂背景下小尺度目标的语义分割模型SS-PointNet++,利用点云的多种特征信息作为网络输入特征,构建采样层、分组层,并通过PointNet提取局部特征,使用最远点采样法对点云取样并最大程度覆盖到整个点集,针对小尺度目标设计3种不同半径的球查询(ball query)来获取局部特征,改进SA层和FP层的结构,使其能够适应低密度点云。[结果]对未经预处理的点云进行分割时,有0.74%的概率出现离群点的误判问题,而对预处理后的单张点云图像进行语义分割的用时平均减少了3.47 s。点云图像测试结果表明,SS-PointNet++模型的平均准确率达到86.95%,比优化前提升了19.54百分点,平均交并比为0.740。在光照充足且无遮挡的草莓上,该模型的语义分割准确率高达95.36%,而在暗光环境下,该模型的平均准确率也能达到81.34%。[结论]SS-PointNet++模型提升了小尺度目标点云的语义分割效果,对不同光照条件具有较强的鲁棒性,为基于3D点云的小物体和遮挡物体分割提供了一种有效的方法;本文提出的草莓遮挡类型的划分方法,对后续草莓遮挡问题提供了数据分析支持,对其他基于3D点云的小尺度物体的目标检测和遮挡问题也起到借鉴作用。

关键词： 球团矿生产   圆盘造球机   卷积神经网络   图像处理   YOLO算法   深度学习   球团粒度   模型  

摘要： 在中国全力推进绿色低碳冶金的大背景下,钢铁工业正面临转型挑战与绿色发展要求,这迫切需要对高炉炉料结构进行深度调整与优化,以实现节能降碳与污染减排的双重目标。在现代冶金生产中,球团矿对比烧结矿,其自身生产的节能减排更优,对球团矿质量和数量的准确检测至关重要。在钢铁制造企业中,操作人员依赖筛分检测等经验手段来评估球团矿的粒径状态,测量时间长、准确率低。采用全自动化的监测与测量系统对球团矿粒径进行优化管理显得尤为迫切和重要。提出YOLOv5+U-Net结合的算法,与Deeplabv3+以及FCN神经网络模型进行对比试验,得出3种算法各自的优点和局限性。Deeplabv3+算法采用无卷积内核和基于无卷积的空间金字塔池(ASPP)架构,较大和较小采样率的空洞卷积可以捕捉球团整体和细节部分。FCN算法对图像中的噪声、变形和环境光变化等具有一定的鲁棒性,通过学习到的特征来克服干扰因素,准确地进行分割。YOLO算法经过多年的迭代和发展,将目标检测转化为回归问题并且引入归一化,检测精度进一步提高。验证了YOLOv5+U-Net神经网络模型在计算机深度学习、图像处理技术对球团粒径进行检测识别的方案。在检测生球粒径试验中,准确率达到97%以上,召回率达到66.8%。基于本文所提出的球团检测方法在工业自动化和质量控制等领域具有广阔的应用空间,为球团检测技术的发展提供了新的思路和方法。

关键词： 遥感图像   目标检测   相移编码   边界不连续   旋转框  

摘要： 针对现有的旋转目标检测模型对目标朝向任意、排列密集的遥感图像检测精度较低的问题,该文提出了一种基于多尺度特征融合和两倍步长相移编码的遥感图像旋转目标检测算法。首先利用不同大小和深度的卷积进行特征提取,有效地捕获上下文特征;然后,通过自上而下和自下而上的特征融合策略以获取更加精细和丰富的语义特征图;同时引入了两倍步长相移编码模块(Double Stepsize Phase-Shifting Coder,DSPSC)对于角度进行编码后再求损失,解决了基准模型存在的边界不连续问题,从而进一步提高了模型的检测精度;最后,在大规模数据集DOTA和HRSC2016上的实验结果表明,平均检测精度分别为72.97%和90.10%,较基准网络分别提升了2.89百分点和2.70百分点。与其它对比方法相比,该方法在精度上取得最好结果,证明了其在遥感图像旋转目标检测上的有效性。

关键词： 摇床   目标检测   矿带检测   深度学习   YOLOv8  

摘要： 摇床是矿物加工领域常用的重选设备。在摇床选矿过程中，由于床面矿带位置和颜色特征会实时变化，因此接矿板的位置需要随之实时调整。传统的方法依赖工人凭借生产经验手动调整，这会导致人工成本升高且接矿结果不稳定。深度学习技术的发展为摇床的智能化应用提供了可能。YOLOv8目标检测模型自发布以来，以其高检测精度和鲁棒性在目标检测领域获得了广泛认可。然而，YOLOv8在处理复杂场景时存在局限性，如浅层特征提取不足和高阶特征图的通道表达能力不足。为了解决上述问题，本文提出了浅层特征注意力模块（LLA）和深层特征注意力模块（HLA），分别增强了低阶和高阶特征图的表达能力并通过引入C2f-faster模块降低模型参数量，实现轻量化。通过实验表明，本研究与五个流行的目标检测算法相比取得了最好的性能，与原始YOLOv8模型相比，改进后的模型mAP达到89.02%，mAP50:90增加了4.08%，能够高效准确地识别矿带分界点。展现了该模型在矿带分界点检测领域中的巨大潜力。

关键词： 织物缺陷   目标检测   YOLOv8   颈部网络   边界框损失  

摘要： 对于纺织行业，织物缺陷检测是保证织物产品质量的重要环节。为了解决织物缺陷检测中尺度变化大、面积占比小导致识别难的问题，提出一种改进YOLOv8的织物缺陷目标检测算法。首先，引入SimAM无参注意力优化YOLOv8的C2f模块，提升对织物缺陷的特征提取能力。其次，参考Rep-BiFPN结构，引入BiC模块重构骨干网络与颈部网络的连接(Concat)模块，同时参照了Bi-FPN金字塔跨层连接的思想，对原颈部网络的FPN-PAN进行改进，提升颈部网络的特征融合能力。最后，使用了Wise-IoUv3来替换YOLOv8的CIoU来计算模型边界框损失，通过降低模型对纵横比较大缺陷的惩罚力度来提高检测精度。实验结果表明，改进YOLOv8的平均精确度的均值mAP达到了94.1%，相较于YOLOv8的mAP提高了8.6%，并且对于各类织物缺陷，算法的检测精度都保持在90%以上，满足工业对织物缺陷检测的实际需求。

关键词： Transformer模型   注意力机制   目标跟踪   无人机  

摘要： 目标跟踪在无人机(Unmanned Aerial Vehicle， UAV)视角下面临着目标尺寸较小、环境复杂，从而引发特征提取不足、目标遮挡等问题，已有的目标跟踪方法在无人机场景下适用效果不佳。为此，提出一种融合多分辨率特征结合CNN和Transformer架构的无人机跟踪器（MFTPT）。该模型结合CBAM注意力机制和特征金字塔网络构建了一个新的骨干网络，以增强模型对上下文关系的捕捉能力。并将提取到的不同分辨率多层次特征映射馈送到池化Transformer中，以学习高低分辨率特征之间的相互依赖性。此外，设计了一个针对小目标且能够丰富编码细节信息的特征优化层（FOI）。最后，在三个常用的无人机数据集UAV20L、UAV123和DTB70中开展的实验结果表明，MFTPT能有效提升跟踪精度和成功率。

关键词： 矿山安全   目标检测   知识图谱   智慧矿山   事故隐患推理  

摘要： 矿山事故隐患智能判别是制约矿山安全智能化转型的关键工程瓶颈，传统矿山事故隐患识别方法面临应用范围受限、语义推理能力不足的双重挑战，难以满足矿山安全领域智能化管理需求。分析了目标检测与知识图谱在矿山安全领域独立应用的局限性，结合两者的技术优势，提出一种基于信息融合的联合应用框架，将视觉感知结果结构化映射为知识图谱的语义节点，建立"矿山图像-知识图谱-隐患推理"的闭环认知链条，实现矿山事故隐患智能识别推理。首先，根据行业标准建立矿山实体三级分类体系，构建矿山实体知识图谱并将安全规程转换为Cypher规则库，为事故隐患推理提供依据；其次，改进YOLOv8n模型并引入SE注意力机制，增强矿山实体识别精度，结合矿山事故推理规则库实现矿山事故隐患识别推理；最后，设计实现了基于B/S架构的矿山事故隐患识别推理原型系统，将识别推理结果可视化展示并以典型场景应用。研究表明：该框架中的目标检测方法针对矿山复杂场景中的15类关键实体平均类别精度达到71.8%，其中皮带输送机识别精度达到90%，原型系统中的矿山事故隐患识别推理模块可自动推理当前场景是否存在事故隐患，验证了该框架针对复杂场景中的矿山事故隐患识别推理的可行性，为矿山事故隐患智能判别提供了新思路。

关键词： 合成孔径雷达   舰船   目标检测   旋转框   YOLOv5模型  

摘要： SAR图像舰船检测方法面临舰船多尺度、任意方向、密集排列等难题，旋转框检测方法能实现任意方向舰船的精确检测，但是现有旋转框检测方法难以兼顾高精度与实时性。为解决上述问题，提出了一个结合中点偏移量表示法和YOLOv5的旋转框检测网络模型，直接继承水平框的回归机制，并设计适应于旋转检测的多任务联合网络损失函数，解决了常用旋转框检测表示方法引入角度参数而产生的网络难以训练和网络预测层参数冗余的问题。此外，还提出了基于注意力机制的主干网络，结合图像全局和邻域信息，增强了感兴趣区域的重要性和模型的特征提取能力，提高了轻量化旋转框检测网络的性能。最后，在RSDD-SAR数据集上进行实验，实现了SAR图像任意方向舰船目标检测，并获得舰船相应的角度信息，相比当前其他旋转框检测方法，取得了较好的检测效果，平均精度为90.02%。尤其在复杂近岸场景下所提方法达到了最优的舰船目标检测性能，平均精度为70.5%，并且模型的参数量最少，仅为7.2M。其他相关实验也进一步验证了所提方法的有效性。