关键词： 图像处理   深度学习   位姿估计   视觉定位   电力工件  

摘要： 针对当前带电作业领域中缺少深度学习数据集的问题和电力工件位姿预测精度低的问题,自建3种常用电力工件及遮挡场景下的数据集,并提出了基于双重注意力机制的位姿估计算法。首先,为了使模型能够自适应地捕获长距离的依赖关系,采用双重注意力机制来聚集图像的全局特征信息;其次,为了提高注意力机制的特征融合效率,提出基于双重注意力的残差级联模块,通过残差级联形式融合局部与全局特征;最后,通过引入新的约束强化反向传播过程,改进损失函数,减少恢复特征尺寸过程中的信息丢失。使用了自建电力工件数据集的位姿估计实验表明,该算法能提取更丰富的语义信息,基于三维模型点平均距离的准确率达到81.74%,显著提升了预测精度。该方法可提高电力工件位姿估计的性能,为带电作业提供可靠技术支持。

关键词： 智能变电站   多视角巡视   AI巡视   目标跟踪   跟踪系统  

摘要： 为了优化AI巡视视频目标跟踪系统多视角目标的捕捉能力,设计了一种新的智能变电站多视角AI巡视视频目标跟踪系统,对系统硬件和软件进行优化。系统硬件由DSP、视频解码器、视频编码器和控制电路四部分组成,选用TM9053113型DAV媒体专用处理器进行数据处理的同时,采用ADV21839型的视频解码器和DM3344型的视频编码器实现解码和编码。软件部分利用高斯单背景模型进行目标分割,计算代价函数从而实现实时跟踪和连续跟踪。实验结果表明,智能变电站多视角AI巡视视频目标跟踪系统能够精准地捕捉目标,丢失率低于0.1%。

关键词： 高斯模型   光伏电场   无人机巡检   检测方法  

摘要： 目前常规的无人机避障目标检测方法主要采用超声波技术实现对目标轮廓的获取,由于缺乏对图像的形态学处理,导致检测精度较差。对此,提出了基于高斯模型和YOLOv3的光伏电场巡检无人机避障目标检测方法。首先结合混合高斯模型,对巡检图像的前景与背景进行分离处理,并采用滤波算法对前景图像进行去噪处理。然后结合分类损失函数以及位置损失函数,对特征点的梯度值以及方向进行计算,实现障碍物图像的特征提取,最后对提取到的避障目标边缘进行补偿处理,实现避障目标检测。在实验中,对提出的方法进行了避障目标检测精度的检验。最终的测试结果表明,采用提出的方法进行无人机避障检测时,算法的mAP值较高,具备较为理想的检测精度。

关键词： 目标检测算法   网络模型   检测精度   智慧水利  

摘要： 为了提升水利船只的监管效率,针对遥感影像背景复杂、目标地物尺度差异大的问题,提出一种多尺度融合的YOLO v5目标识别算法YoMresNet(YOLO v5 Resnet Networks),实现对不同大小的地物进行高精度识别。首先以YOLO v5网络为基础模型,其次效仿残差模型代替YOLO v5模型中Neck的部分卷积并减少卷积层数以减小模型的体积;最后在模型的检测头部通入MHSA进行参数优化实现对船只目标的检测精度。在大型遥感数据集DIOR上进行了对比实验,并利用本项目组在辽河干流防洪提升工程拍摄的图像并制作的数据集上进行再次验证,结果表明YoMresNet模型相较于YOLO v5模型以及Faster R-CNN进行对比,检测精度有了显著提升,文章提出的方法有效提高了水利监管的效率,能够准确识别辽河干流目标地物,为搭载移动端嵌入式无人机等设备的实时目标检测提供参考价值且检测精度和速度均满足实际生产要求。

关键词： 自动驾驶感知   对抗样本   运动模糊   目标检测   卷积神经网络  

摘要： 在自动驾驶感知系统中,卷积神经网络(CNN)作为关键技术在车辆感知和决策中发挥着重要作用。然而,其面临的对抗样本攻击威胁对自动驾驶系统的安全性和稳定性产生了严重影响。现有的对抗样本生成方法通常直接在图像中添加对抗扰动,导致对抗样本视觉质量下降,伪装性不足,易被人类观察者识别。针对这一挑战,引入交通场景中车辆运动引起的图像模糊先验知识,提出一种运动模糊伪装对抗样本生成方法。通过模拟车辆和行人在移动过程中产生的模糊效应,生成具有运动模糊特征的对抗样本。为了保持图像的运动模糊同时有效实现对抗攻击,设计一种目标隐身的对抗样本损失函数。实验结果显示,在ICDAR公共数据集上,图像检测框数量为0,通过Brenner梯度函数得到的图像模糊度指标为69.28,证明了该方法可以生成运动模糊伪装对抗样本。

关键词： 计算机视觉   深度学习   库存盘点  

摘要： 自动化库存盘点在现代供应链管理中扮演着越来越重要的角色。它不仅可以优化库存管理流程,提高整体运营效率,还能显著降低运营成本,同时增强客户服务体验。提出了一个基于深度学习的视觉库存盘点方法,利用在ImageNet数据集上预训练的ResNet18网络,通过迁移学习技术适应新的库存分类问题,从而实现对仓库中物品的自动化识别和分类,不仅提高了盘点的效率,还显著提升了盘点的准确性。实验结果表明,提出的方法在“MVTec D2S”数据集上能够达到98.84%的F1-score,并对比了不同预训练卷积神经网络(CNN)对识别性能的影响,证明了该方法的可行性和有效性,为后续研究提供了有价值的参考,对推动供应链管理的自动化和智能化具有重要的意义。

关键词： 太赫兹雷达   目标检测   交通监控   安全防护   多模态   感知系统   应急救援   安全监控  

摘要： 低空对地监控是我国公共安全监控和人民安全防护的重要手段,机载探测感知系统与技术是低空对地监控能力实现的核心要素。太赫兹雷达成像为全天候、视频级、高分辨监视提供新的技术与装备,为交通监控、应急救援、安防反恐等领域提供可靠信息来源。如何基于机载太赫兹雷达视频中的动/静目标信息,进行重点区域目标检测、识别、跟踪,值得深入探索。此外,视频SAR与可见光、红外宽谱段集成,还可以视频级高刷新率实现低空对地多模态、高精度感知,多模态传感信息集成将有力提升重点目标识别跟踪鲁棒性。本专题拟对以上问题进行探讨。

关键词： 方形扁平无引脚封装缺陷检测   YOLOX   目标检测   深度学习  

摘要： 为了实现方形扁平无引脚封装(QFN)芯片表面缺陷检测自动化检测,针对现有检测算法耗时长且准确度不高等问题,提出一种基于YOLOX改进算法的QFN芯片表面缺陷检测方法。通过在主干特征提取网络中添加CA注意力模块,并使用VariFocal损失函数代替原模型中的目标分数损失函数,在轻微增加网络参数量的基础上提升了检测精度。通过改进模型YOLOX-PRO、主流算法和添加模块在自制QFN芯片缺陷样本数据集上的训练测试,以及对比分析,实验结果表明:改进后的算法模型能准确地识别划痕、孔洞、引脚缺失三种缺陷,置信度相对较高,并且模型的平均精度均值达到98.61%,单张缺陷图像的检测速度不超过40 ms,优于传统机器学习算法,能够满足工业生产中对QFN芯片缺陷的实时性检测要求。

关键词： 深度学习   YOLOv8   草莓   目标检测  

摘要： 【目的】解决转色期草莓特征不明显而难以分类及检测的问题,提高机械化采摘场景下草莓检测及成熟度分类的精度与效率。【方法】首先,完成了草莓图像采集和标注、数据集制作等预处理步骤,对数据集的标注情况进行分析与可视化;其次,研究了基于YOLOv8的改进模块,将主干网络替换为FasterNet,引入BiFormer注意力机制,将损失函数修改为FocalEIoU;最后,将YOLO-BiFaster改进模型与YOLOv8n基线模型进行对比,验证改进算法的优越性。【结果】改进后模型的参数量大幅减少,浮点运算量由8.1G降为5.9G,mAP50相比YOLOv8模型提高了1个百分点,达到90.9%;YOLO-BiFaster的mAP50指标在训练初期振荡较小,收敛速度高于基线模型,平均精度均值在训练后期超过基线模型。【结论】改进后的模型具有较高的分类效率和检测精度,为采摘机器人的开发提供了视觉基础,为自动采收的实现提供了基于深度学习的目标识别技术支持。

关键词： 高分影像   地理空间信息   高分辨率遥感影像   尺度分析   道路提取   多分辨率   光谱差异   不连续性  

摘要： 以建筑物和道路为代表的人工目标的空间位置、面积等信息不仅在城市规划、社会经济环境分析、交通管理等领域发挥着重要作用,而且也是基础地理数据库和智慧城市建设的重要地理空间信息。高分影像中的建筑物与道路提取主要面临以下几个难点:①高分影像放大了对地观测尺度,地表信息高度细节化使得地物类内光谱差异增大而类间光谱差异相对减小,“同物异谱”与“异物同谱”现象更加显著;②高分影像中的地物具有多分辨率特点,基于单一尺度分析方法无法取得最好的结果,同时也很难充分发挥高分辨率遥感影像多分辨率的作用;③语义环境复杂,由于阴影、车辆等干扰信息的影响,高分影像中道路目标表现出的空间拓扑不连续性、区域光谱异质性高等特点,导致现有方法稳健性低。论文围绕高分影像多尺度形态学特征分析及其在建筑物和道路检测中的应用开展相关研究工作。对高分影像建筑物和道路提取中的关键技术进行了研究和探索,并提出了相应的解决方案。具体研究内容和成果如下。