关键词： 裂缝识别   深度学习   目标检测   生成对抗网络   注意力机制  

摘要： 混凝土裂缝是影响混凝土结构服役性能的重要因素之一,研究开发一种引入生成对抗网络和注意力机制的SSD目标检测修正算法,对精准识别裂缝目标具有重要意义。通过建立全卷积神经网络与生成对抗网络(GAN)相结合的改进网络结构,以工程采集的有限裂缝样本图像为基础生成高质量图像数据以解决数据集获取难的问题;同时引入混合注意力机制(CBAM)以增强SSD特征提取网络对较小裂缝的感知能力。研究结果表明:使用引入注意力和生成对抗网络的目标检测算法检测混凝土表面裂缝,在裂缝识别时各项性能指标均超过了83%,平均准确率AP更是达到了91.51%,相较于原始的SSD目标检测算法提高了10.36%。

关键词： 目标检测   安全帽佩戴检测   YOLOv8   坐标注意力机制   轻量化  

摘要： 在安全帽佩戴检测中,存在着目标密集、遮挡等问题,现有的检测方法在精度和实时性方面表现不佳.针对此问题,提出一种轻量级的检测模型CA-YOLO,旨在提升检测的准确性与实时性.首先,使用MobileNetv3网络对YOLOv8的主干网络进行改进,减少参数量和计算量,提升网络的检测速度.在Neck部分引入DCNv3模块来提升模型在空间特征上的提取效率.其次,在网络中加入多尺度特征提取模块和坐标注意力机制模块,通过添加全局信息,丰富特征信息,提升网络特征提取效果.最后,将CIoU损失替换为Alpha-IoU函数,通过设定权重系数,加速对目标的学习过程,进一步提高检测的精度.实验结果表明,与YOLOv8模型和现有的经典及新颖算法相比,CA-YOLO模型的平均检测精度达91.33%,比YOLOv8模型提高0.54个百分点,模型大小和参数量分别减少41%和39%,检测速度提高16.9%.相较于其他模型,CA-YOLO模型在准确率和实时性方面取得了良好的平衡,满足了对作业人员安全帽佩戴检测的需求.

关键词： 无人机航拍图像   小目标检测   SiLU   ConvMixer   更高效的解耦头  

摘要： 无人机航拍图像目标检测是无人机应用的一项重要技术,针对无人机航拍图像中目标尺度变化大、小尺寸目标分布密集、背景复杂而导致的漏检和误检问题,本文提出一种基于YOLOv7-tiny带ConvMixer检测头的无人机航拍图像小目标检测算法。首先,将激活函数LeakyReLU替换为SiLU,弥补LeakyReLU缺少的非线性表达,提升模型训练时的收敛速度与模型泛化能力;其次,为了增强对多尺度目标的特征提取能力,额外设计了小目标检测层,并衍生出一个微小目标检测头,增大了模型感受野,更好地解决目标尺度剧烈变化带来的大尺度方差问题,提升了小目标的检测能力;此外,在预测头部分集成ConvMixer层,ConvMixer中的深度卷积和逐点卷积有助于找到传递给预测头的特征信息中的空间和通道关系,提升对微小目标的处理能力;最后,将YOLOv7-tiny的耦合检测头替换为更高效的解耦头,对定位与分类任务解耦出单独的特征通道,增强对目标的分类和定位能力。为了全面验证每个改进点的有效性,本文从两个方向设计了消融实验,并对比分析了改进算法与其他算法的检测性能。实验结果表明,本文算法在Visdrone2021数据集上平均精度均值(mAP)达到40.9%,较基线算法提升了3.7%,模型内存为28.2 MB,检测速度达到35.8帧/s,改进算法综合性能与对比的主流先进算法相比更优。通过检测效果分析可知,本文算法在无人机航拍图像检测上的误检和漏检问题得到较大改善。综上,本文算法的准确性和实时性能胜任航拍图像小目标检测任务。

关键词： 远程诊断   计算机视觉   传感器  

摘要： 本文提出一种通过传感器测量技术、远程诊断技术和AI(人工智能)技术相融合实现的云辇X功能无人检测系统。利用远程诊断技术激活车辆动作,通过视觉技术、传感器技术检测车辆的动作,实现云辇X底盘独有的弹跳、摇篮和舞蹈等功能的检测,并且在该检测系统中融合了无人驾驶技术,实现了车辆转运、激活、检测的全自动无人检测。

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： 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： 图像识别模型   野生动物保护   模型构建   目标检测  

摘要： 图像识别模型作为人工智能的重要分支,在野生动物保护领域展现出巨大的应用潜力。本文首先概述了图像识别模型的基本类型,随后详细阐述了野生动物图像识别模型的构建流程,包括数据采集、预处理、模型训练等关键步骤,最后探讨了图像识别模型在野生动物保护中的具体应用场景。研究表明,图像识别模型能够显著提升野生动物保护的效率与精度,为生物多样性保护提供强有力的技术支持。未来,随着技术的不断进步,图像识别模型将在野生动物保护中发挥更加重要的作用。

关键词： 多模态   非局部注意力   RGB-T   显著目标检测   特征融合  

摘要： RGB-热成像显著目标检测(RGB-T SOD)旨在分割可见光图像和相应热红外图像中的常见突出区域。针对现有方法中没有充分利用多模态间的跨层级互补信息的问题,提出了一种用于RGB-T SOD任务的跨层级特征注意力学习网络(CALNet)。具体来说,该网络中包含一个跨层级注意力学习模块(CAL),CAL使用非局部注意力对多模态间的跨层级信息进行交互,能够充分探索不同模态和不同层级间的全局位置与局部细节线索。此外,网络还引入了全局信息模块(GIM)与多交互模块(MIB),二者能够在逐层级解码中建模和挖掘多类型信息,以实现更精准的RGB-T SOD。在公共数据集RGB-T上进行的广泛实验表明,所提出的网络与领域内先进的算法相比,取得了优异的性能。

关键词： 红外辐射偏振特性   高温金属   偏振度   目标检测  

摘要： 偏振特性是光场中除强度与光谱之外的又一维重要特性,在目标识别、军事侦察和红外目标探测等领域展现出广阔的应用前景。航天发动机、高速飞行器等人造物体通常温度可以达到几百摄氏度,因此具有高温自辐射特性。然而,高温情况下目标的红外偏振特性研究却相对较少,尤其是缺乏针对不同金属表面在较高温度下的偏振特性的深入探索。为了研究高温金属表面的辐射偏振特性,采用基于微面元理论的双向反射分布函数模型,结合镜面反射与漫反射特性,系统性地建立了基于金属自发辐射能量的偏振双向反射分布函数与红外辐射偏振度的数学模型。通过推导与计算,分析了不同表面粗糙度和温度条件下,金属对红外辐射线偏振度的影响规律。仿真结果表明,在相同温度下,金属表面的粗糙度越大,偏振度越低;相反,在相同粗糙度下,随着温度的升高,偏振度逐渐增加。同时利用LGC6122型长波红外相机与WP25M-IRC红外线栅偏振片,对金属铁和45号钢进行了在8~14μm波段内的目标自发辐射偏振热成像,获取了150、200、250、300、400和500℃下的长波红外线偏振度数据。针对实验观测而言,受普朗克黑体辐射定律影响,金属表面温度与其光谱积分偏振度呈正相关状态,温度越高,光谱积分偏振度越大。同时随着观测角度的增加,偏振度也逐渐增大,在70°~80°范围内达到峰值。该研究成果旨在提升红外目标检测等应用中热成像和光学传感技术的精度和其可靠性,并为未来进一步探索复杂环境下的红外探测技术提供参考。

关键词： 无人机   目标跟踪   孪生网络   多尺度特征融合  

摘要： 针对传统目标跟踪算法计算量大、跟踪精度低等问题,提出了一种结合孪生网络和Transformer的轻量级目标跟踪算法,能够有效应对无人机跟踪场景的各种挑战。首先,基于轻量级特征提取网络GhostNet设计模型的主干网络,提取目标的多尺度特征;随后,利用改进的Transformer结构搭建模型的多尺度特征融合层,充分融合目标的多尺度特征;最后,将改进的Transformer结构与孪生网络的互相关操作相结合,整合特征的全局与局部信息,实现对跟踪目标的精确定位。在UAV123、GOT-10k和LaSOT等数据集上的实验结果表明,所提算法跟踪性能优秀,跟踪速度达到87帧/s,在GPU和CPU平台上均实现了实时目标跟踪。