关键词： 目标检测   瓦斯抽采   钻杆识别   YOLOv5  

摘要： 随着煤炭开采深度的增加,瓦斯突出成为制约煤炭开采的重要因素。煤矿井下瓦斯钻杆计数对井下瓦斯抽采具有重要的指导意义。目前,主要使用的传统人工计数方式较为费时费力。为解决上述问题,提出一种基于YOLOv5的煤矿井下瓦斯钻杆智能识别方法。该方法通过目标检测算法YOLOv5对钻杆特征进行充分提取和聚合,并输出最终检测结果。通过多角度布置摄像头采集钻杆数据,构建了BOLT-1000钻杆数据集,并搭建了实验平台进行训练和验证。实验结果表明,该方法在自制数据集上具有较高的精确度和鲁棒性,能够准确识别井下瓦斯钻杆。

关键词： 无人机   YOLOv10   目标检测   CA注意力机制   EIoU损失函数   海上救援  

摘要： 无人机由于其成本低廉、敏捷、灵活并且可以搭载高分辨率摄像头和传感器,正在成为各个行业不可或缺的工具。在检测环境中,无人机可以适应复杂地形以及恶劣气候,收集到大气、土壤等各项珍贵数据。在工业探索领域,无人机可以代替人工对于危险地域的探查,降低事故的发生率。在海上救援方面,无人机可以快速定位到遇险的船舶,提升救援人员的救援效率。然而,无人机在此情况下的目标检测任务仍然面临不小挑战,如目标被障碍物遮挡、太阳光照的变化等。为了提高无人机在海上救援中的船舶检测性能,本文提出了一种基于改进YOLOv10(You Only Look Once,YOLO)的目标检测算法,加入了CA注意力机制,并采取EIoU损失函数。实验结果表明,相对于原始的YOLOv10模型,实验数据集在ACE-YOLOv10模型中获得了更好的结果。

关键词： 疲劳检测   深度学习   目标检测   通道剪枝   轻量化  

摘要： 煤矿井下无轨胶轮车和露天矿山运输矿卡驾驶员的疲劳驾驶问题对安全生产构成重大威胁。基于深度学习的疲劳驾驶识别是当前研究热点,但现有的疲劳驾驶检测网络模型大多结构复杂,并且依赖高性能计算资源,难于在边缘设备部署。基于YOLOv5s模型,在保证检测准确度的前提下,使用通道修剪和迁移学习技术实现了疲劳驾驶检测模型的轻量化。实验结果证明,模型尺寸明显减小,参数量和计算量分别减少了78.7%和62%,推理时间为每帧图像6.9 ms;与6种主流的目标检测网络进行对比,进一步验证了该模型的优越性。该疲劳驾驶检测模型轻量化处理方法在保持较高检测精度的同时,大幅度提高了实时性和可部署性。

关键词： 航拍图像   病虫害识别   目标检测  

摘要： 分析基于航拍图像的病虫害识别场景,发现该场景对网络中浅层特征图中小目标的信息提取要求较高。为解决这个问题,对SSD网络进行了改进,优化了目标检测层,提出一种双主干网络的策略DB-SSD(Dual Backbone SSD),即在保持原本的VGG16网络不变的基础上,额外增加一条更能表示浅层细节信息的ResNet50作为次主干网络,来丰富特征图的表达。实验表明,在识别基于航拍图像的病虫害方面,所提检测算法具有明显的优势。

关键词： 视觉目标跟踪   非高斯噪声   噪声抑制  

摘要： 为提高视觉目标跟踪在复杂噪声环境下的健壮性,采用基于非高斯噪声抑制的方法,研究目标跟踪中的噪声特性。通过设计噪声识别策略和多尺度特征增强,结合自适应抑制模块,有效抑制非高斯噪声对视觉目标跟踪精度的影响。结果表明,所提方法在噪声干扰下表现优越,提高跟踪算法的稳定性和精度,具有较好的应用前景。

关键词： 供水管道   内窥检测   缺陷特征   图像识别  

摘要： 基于某单位开展的市政供水管道带压内窥检测工作,通过搜集和整理带压内窥检测的图像数据,提出了一系列供水管道内部缺陷图像处理算法,并对某地区供水管道的内部缺陷特征进行了分类和评判研究。研究结果表明:由于环境光线、水流流速和管道材质等因素的影响,导致缺陷图像容易掺杂一定的高斯噪声和脉冲噪声。同时,由于摄像头自带的灯光设备往往无法均匀照射到整根管道的内表面,导致检测获得的内部缺陷图像容易出现亮度不均衡的问题。因此,建议采用双边滤波方法去除带压内窥检测缺陷图像的高斯噪声与脉冲噪声,同时采用CLAHE算法对去噪后的缺陷图像进行对比度增强。基于处理后的图像,可将供水管道的内部缺陷分为结构性缺陷和功能性缺陷两类。其中,结构性缺陷主要包括腐蚀和管瘤两种,功能性缺陷主要包括气囊、杂质和异物三种。这五种缺陷类型在供水管道中出现的频率由高到低依次为:异物、腐蚀、管瘤、杂质和气囊。

关键词： 港口大型设备   神经网络   目标检测   YOLO算法   调度规划  

摘要： 为提升港口大型设备的工作效率,文中设计了一种面向港口设备的智能化云控制系统,并在该系统中嵌入了基于目标检测网络的设备识别算法和结合遗传算法的装备调度策略。采用YOLOv5作为目标检测网络原型,改进了网络算法结构,并且在网络训练过程中通过剪枝和量化压缩了网络体积。目标检测实验结果显示,相较于传统的YOLOv5,优化后算法的目标检测评价参数mAP提升了0.16,网络实现速度缩短约5.49ms。针对港口设备调度建立问题模型和目标函数,采用改进遗传算法求解最短时间、最短路径的最优解,装备调度实验结果表明,通过所提算法得到的结果更接近实际最优数据。

关键词： 智能化巡检   输电线路通道   目标检测   窗口自注意力网络   自适应空间特征融合  

摘要： 针对输电线路通道异物检测背景复杂以及小目标情况下检测效果不佳等问题,提出一种基于窗口自注意力网络与YOLOv5模型融合的输电线路通道安全检测算法.首先,选用窗口自注意力(S-T)网络优化主干网络,扩大模型感受视野,增强提取有效信息的能力.其次,改进自适应空间特征融合(ASFF)模块,增强多尺度特征融合能力.最后,考虑到真实框与预测框不匹配的问题,引入结构相似性交并比(SIoU),优化边界误差,提高小目标定位准确性.实验结果表明,本文模型对线路通道多目标入侵检测精度达到90.2%,且提升了小目标检测效果;与主流目标检测算法相比,可以更好地满足输电线路通道中的异物检测需求.

关键词： 人工智能   计算机视觉   深度学习   腐蚀图像检测与分析  

摘要： 金属结构和设备在使用过程中的腐蚀不仅会导致巨大经济损失,还可能引发环境污染和安全隐患。因此,采取快速的腐蚀检测与分析技术显得尤为重要。随着人工智能算法的不断进步,其在腐蚀图像检测与分析领域展现出巨大潜力。文章综述了人工智能,特别是计算机视觉技术和深度学习的发展,探讨了其如何改变传统检测技术的格局,并通过自动化、数据分析和特征提取等方法,有效解决腐蚀图像检测与分析的效率和准确性。最后,总结了人工智能在该领域中需要解决的一些关键问题,旨在探讨人工智能在腐蚀研究领域的应用潜力,为未来检测与评估技术的研究提供新视角,促进人工智能广泛应用。

关键词： YOLOv5m   FasterNet   轻量化   注意力机制   解耦头   EIoU  

摘要： 针对无人机航拍图像背景复杂、目标物较小且模型部署困难的问题,提出了面向航拍图像的轻量化目标检测算法。在YOLOv5m的主干网络中引入FasterNet轻量化模块替换C3模块,压缩模型参数量,提升模型的推理速度;在特征融合网络,采用改进的CBAM_L机制,专注于捕捉航拍图像中的小目标信息的同时提高了模型的目标识别精度;将检测网络中检测头替换成解耦头,解决航拍图像输出变量时分类和回归的冲突问题,并把网络中损失函数替换成EIoU,有效提升了模型回归精度。在公开数据集VisDrone上验证结果表明,改进后模型的平均精度均值(mAP@0.5)提高了0.014,参数量缩减到原模型的34.3%,计算量缩减到原模型的32.4%,检测速率达到77帧/s,表明该算法在检测准确性和速度上都取得出色的性能。