关键词： YOLOv8n   注意力机制   并行化设计   上采样   损失函数  

摘要： YOLOv8n算法在面对背景繁杂、目标密集、像素点小的情况下,表现出识别精度欠佳、目标漏检及误识别的问题.针对上述问题,提出一种LNCE-YOLOv8n安全装备佩戴检测算法.包括提出线性多尺度融合注意力LMSFA(linear multi-scale fusion attention)机制,自适应聚焦关键特征,提升对小目标信息提取的能力且减少计算.提出C2f_NewNet(C2f_New network)结构,通过有效的并行化设计,保持高性能且减少深度.结合轻量级通用上采样算子CARAFE(content-aware reassembly of feature),实现跨尺度的高效特征融合与传播,在大的感受野内聚合上下文信息.基于SIoU(symmetric intersection over union)损失函数提出ESIoU(enhanced symmetric intersection over union),提升模型在复杂环境中的适应性和精度.实验采用safety equipment数据集进行训练测试,结果表明LNCEYOLOv8n算法相比YOLOv8n算法,精度提升了5.1%,mAP50提升了2.7%,mAP50-95提升了3.4%,有效提高建筑工地复杂场景的工人安全装备佩戴检测精度.

关键词： 电力配网施工   深度霍夫变换   目标检测   畸变矫正子网络   语义分割  

摘要： 传统人工巡检效率低、成本高、覆盖范围有限,难以满足现代电力配网施工的复杂监测需求。为此,提出一种基于深度霍夫变换直线检测和基于YOLOv8目标检测的电力配网施工合规性监测系统。该系统利用深度霍夫变换技术检测电力设施,并引入畸变矫正子网络来校正图像畸变,提高复杂场景下的检测性能。采用YOLOv8算法进行目标检测,识别施工现场的人员、工具和标识。实验结果表明,基于深度霍夫变换直线检测方法在电线杆和电线检测中优于传统直线检测方法,基于YOLOv8的目标检测算法能够实现高精度识别,为电力配网施工合规性监测提供了可靠支持。

关键词： 水产养殖   南美白对虾   目标检测   质量估测   双目视觉  

摘要： 南美白对虾的育种及养殖过程中,体长体重等性状参数是育种和生产过程管理的重要参考数据,一般需要进行较为频繁的测量,目前主要采用人工测量,费时费力、易出错、效率低。本文提出了一种结合目标检测、关键点检测、双目视觉的浮游对虾尺寸测量方法,在足够的数据与训练的前提下,通过Faster R-CNN检测网络解决浮游对虾定位问题;使用RTMPose网络进行关键点检测,通过关键点判断对虾姿态再决定是否计算对虾长度;利用双目相机成像原理,计算对虾二维关键点在三维空间中的坐标。经试验验证,本文长度测量结果相对平均误差为3.46%,质量估测结果相对平均误差为8.19%,为水产养殖业在线无损实时监测对虾智能装备提供关键技术参考。

关键词： 航空伽马能谱测量   铀矿勘查   特征参数   岩性圈定   图像处理  

摘要： 本文在论述航空伽马能谱测量系统基础上,根据甘肃龙首山地区不同岩性地质体分布特征和测区航空伽马能谱切割线测量的铀、钍、钾质量分数数据,先验性地建立了不同岩性地质体放射性元素(铀、钍和钾)质量分数的高斯概率分布模型。根据航空伽马能谱测量获得的全测区铀、钍和钾质量分数数据,采用非线性最小二乘法拟合,构建了测区不同岩性地质体的分离模型,获得了不同岩性地质体高斯分布的钾、铀、钍质量分数均值与标准差。在此基础上,以0.6 m(Th)+0.2 m(U)+0.2 m(K)之和作为测区岩性特征参数Y,对测区不同岩性地质体分布范围进行了初步划分,并采用平滑、锐化、高斯聚类等图像增强处理方法,使不同岩性地质体边界变得更为清晰。Kappa系数检验表明,本方法的岩性区分效果达到一般的一致性。此外,以不同岩性的铀增量(ΔU)和钾增量(ΔK)为特征参数,采用图像增强处理方法,在测区圈定了6处铀质量分数增量异常和3处钾质量分数增量异常。所圈定的钾含量增量异常与铀含量增量异常在空间上吻合良好,有4处铀质量分数增量异常与已知铀矿床(矿点)分布一致,反映了测区内铀元素迁移富集与碱性热液活动具有相关性。本文采用航空伽马能谱测量特征参数与图像处理相结合的方法来划分测区岩性和预测铀矿床(点),具有重要的生产意义和地质找矿价值。

关键词： 机器视觉   缺陷检测   手机屏幕玻璃盖板   手机外壳   深度学习   数据集   性能评价指标   图像处理  

摘要： 智能手机在现代人们的学习、工作与生活中扮演着十分重要的角色,手机的大批量生产给手机表面(手机屏幕玻璃盖板、手机外壳)缺陷检测工作提出了更高的要求,而基于机器视觉的检测方式能够更加快速准确地实现对手机表面缺陷的检测。以该领域面临的挑战为思路,总结了近10年来基于机器视觉的手机表面缺陷检测的研究进展。首先列举了手机表面存在的典型缺陷,并分析了机器视觉应用于手机表面缺陷检测工作中面临的部分难题,其中包括算法的精度、实时性、鲁棒性3个方面;然后分别针对上述问题的改进方法进行了分析与对比;进一步总结了目前可供使用的手机表面缺陷数据集及算法的性能评价指标;最后根据手机表面缺陷检测领域面临的问题进行了总结与展望。

关键词： 机器视觉   多目标跟踪   特征提取   FairMOT  

摘要： 多目标跟踪算法中的FairMOT提出了平衡检测和重识别分支的均衡学习策略,有效的平衡了目标检测和重识别两大任务,是目前单阶跟踪段范式算法中最优的算法,但由于DLA34骨干网络的特征提取能力有限,面对实际应用场景中复杂的跟踪场景时,往往会因为出现漏检和误跟等现象导致模型的跟踪效果下降。为了有效的提升模型骨干网络的特征提取能力,本文针对此问题设计了基于元素相乘结构的深度聚合骨干网络,提出了FairMOT-Star算法。该算法利用了元素相乘结构带来的隐藏维度提升原理,实现了简洁高效的目标特征提取。同时使用EIoU_Loss作为检测框回归任务的回归损失函数,更加精准的描述了检测框和真实框之间的位置和形状关系,提升了检测框的预测精度。匹配关联部分使用卡尔曼滤波算法预测目标的运动信息,匈牙利算法完成时序维度上前后帧目标和轨迹的关联匹配。在MOT16数据集上进行了实验测试,MOTA精度达到了86.0%,模型的权重参数量为19.59 M,相比于FairMOT模型参数量减少9.7%的同时,MOTA精度提升了3.5%,较好的优化了FairMOT算法的计算参数量和跟踪精度。

关键词： 电力安全带   深度学习   目标检测   检测精度   检测速度  

摘要： 针对室外电力检修场景成像干扰大、图像背景复杂、电网检修作业人员未能及时正确佩戴安全带的问题,提出了一种电力安全带的智能检测方法。首先,利用均值聚类训练目标框来调整网络的锚框,使网络获得检测目标的先验知识;然后,在主干网络中提取更加丰富的特征图,使用广义交并比损失代替原始边框的回归损失;最后,通过预测层直接回归目标类别。研究结果表明,相较常规检测方法,采用所提方法平均检测精度为83.15%,且检测速度可达到每秒62帧,兼有更高的检测精度和更快的检测速度。

关键词： 小目标检测   无人机   图像处理   图像融合   YOLOv8  

摘要： 针对无人机小目标检测精度低、误检率较高的问题,提出了一种基于双模态图像融合的无人机小目标检测算法。首先设计了基于前端、中端和后端融合策略的红外与可见光图像融合基础框架。其次基于后端融合策略和YOLOv8目标检测框架,构建了双通道图像融合检测算法。本文算法通过双路特征融合模块融合红外与可见光图像的特征,并在颈部网络层引入BRA(bi-level routing attention)模块增强模型识别小目标的能力。实验结果表明,在DroneVehicle数据集上,本文方法与单一基于YOLOv8的红外和可见光图像检测结果相比,平均精度均值(mAP)分别提升了14.78%和12.99%,相比于PSFusion融合检测方法,mAP提升了7.1%。

关键词： 卫星遥感图像   目标检测   超分辨率   特征融合  

摘要： 受制于图像光谱信息承载能力限制,基于可见光或红外的单模态目标的检测方法通常难以有效应对遥感图像复杂场景。针对这一问题,文章提出一种基于分层融合机制的超分辨率(超分)遥感图像目标检测方法,有效融合可见光和红外数据信息。首先,基于残差融合模块和单分支增强模块构建分层融合机制,其中残差融合模块整合可见光与红外图像的潜在互补信息,单分支模块进一步强化双模态数据融合特征表达。其次,构建超分辅助分支,增强目标细节特征生成能力,进一步提高检测精度。实验结果表明:文章方法在VEDAI与Drone Vehicle数据集上的检测精度优于传统主流目标检测方法,分别达到了79.45%与81.29%,有效提高了遥感图像目标检测的准确性。

关键词： 高处作业吊篮   AI智能化视频识别技术   计算机视觉   声光报警  

摘要： 当前,高处作业吊篮安全监管面临的挑战,特别是在施工人员数量统计、防护用品穿戴情况监控及危险操作行为识别等方面存在的不足。基于此,本研究设计并开发了一套创新的AI智能化视频识别技术驱动的吊篮安全管理平台。该平台采用五层技术架构体系,涵盖数据采集、数据传输、基础服务平台、业务应用及用户交互层,实现了对吊篮作业全过程中人员数量的精准识别、安全帽与安全带佩戴情况的自动检测,以及施工人员危险操作行为的即时捕捉与预警。此平台的部署显著提升了高处作业吊篮的安全管理水平,为施工人员的生命安全构筑了坚实的防线。