关键词： 人工智能   云视频会议系统   语音处理   图像处理   自然语言处理   多模态融合  

摘要： 铁路云视频会议系统在铁路日常生产和运营中发挥着重要作用。通过对当前铁路云视频会议系统进行调研分析,发现系统存在功能单一、智能化程度低等问题。结合系统使用需求,提出一种现实可行的技术方案:在既有铁路云视频会议系统的内部服务网络和外部服务网络分别增设业务应用服务器、存储服务器和计算服务器,在终端接入区增设全景会议相机和麦克风阵列等设备;将基于人工智能的语音处理、图像处理、自然语言处理和多模态融合等技术应用于铁路视频会议系统,实现实时翻译与字幕显示、发言者方位识别、自动纪要生成与分类归档等智能化功能应用;从国产自主可控和系统安全角度对系统主要设备配置提出选型建议。该方案部署后可大幅提升会议效率和系统服务质量,为铁路云视频会议系统未来升级和高质量发展提供技术支撑。

关键词： 水下抛石   施工质量管控   探测技术   计算机视觉  

摘要： 水下抛石是长江中下游河道整治工程中广泛应用的护岸结构型式,但其施工质量管控至今仍是一大难题。在总结当前护岸工程水下抛石施工质量管控技术现状的基础上,分析了水下抛石质量管控的重难点,探讨了基于结果和基于过程的质量管控技术发展方向,指出基于计算机视觉技术的施工过程自动化、智能化管控是对现有管控手段的全面革新,是提高水下抛石施工质量的有力手段。

关键词： 安全帽检测   检测精度   YOLOV8模型  

摘要： 由于施工场景复杂、背景噪声干扰以及目标遮挡等因素,传统算法对安全帽检测的精度不高。为提升检测精度,本文提出一种改进的YOLOv8算法。采用融合注意力的轻量级主干FasterNet强化特征提取能力,并设计SPPF-LSKA模块和引入LSKA机制,以增强图像长距离依赖建模与上下文关联。通过结合Slimneck思想、构建LightFuse模块,以优化多尺度特征融合并抑制背景干扰。实验结果显示,改进的YOLOV8模型相较于原始模型的召回率提升了1.1%,mAP50提升了0.9%,mAP95提升了0.4%。

关键词： 仿生机器海豚   水下目标识别   YOLOv5n检测网络   目标跟踪  

摘要： 针对仿生机器海豚水下识别与跟踪任务要求低延迟与高实时性等特点,提出一种基于改进YOLOv5n的仿生海豚目标识别与跟踪方法。该方法使用轻量化网络GhostNet替代原YOLOv5n的主干网络,从而减少算法网络结构的浮点运算次数,提升仿生海豚水下目标检测与识别的实时性与可靠性,并最终与DeepSORT跟踪算法融合,完成对识别目标的跟踪任务。仿真与实验结果表明:改进后的算法更加轻量化,且识别效率高,跟踪误差小,验证了算法在仿生海豚水下目标识别与跟踪任务中的可行性与高效性。

关键词： 无人机航拍图像   小目标检测   特征提取   多尺度变化   YOLOv8   上下文信息   感受野   损失函数  

摘要： 针对无人机航拍图像中存在小目标、目标遮挡、背景复杂的问题,提出一种基于高效特征提取和大感受野的目标检测网络(efficient feature and large receptive field network,EFLF-Net)。通过优化检测层架构降低小目标漏检率;在主干网络融合新的构建模块以提升特征提取效率;引入内容感知特征重组模块和大型选择性核网络,增强颈部网络对遮挡目标的上下文感知能力;采用Wise-IoU损失函数优化边界框回归稳定性。在VisDrone2019数据集上的实验结果表明,EFLF-Net较基准模型在平均精度上提高了5.2%。与已有代表性的目标检测算法相比,该方法对存在小目标、目标相互遮挡和复杂背景的无人机航拍图像有更好的检测效果。

关键词： 缺陷检测   改进后的YOLOv8模型(CP-YOLOv8)   CA注意力机制   CSPPC模块   WIoUv3   目标检测   轻量化设计  

摘要： 针对胶合板单板表面缺陷的复杂多样性和特征提取困难,且基于深度学习的缺陷检测算法参数量和计算成本较大,难以在算力较低的设备上得到有效应用等问题,构建一种基于改进YOLOv8的单板表面缺陷(活节、死节、孔洞、裂缝和缺口)检测模型。为提升模型的检测精度和轻量化性能,对胶合板单板表面缺陷检测模型进行改进。首先,采用新的高效注意力机制(coordinate attention,CA),该机制能够增强特征提取的精度和网络的空间信息感知能力,避免过多的计算负担;其次,提出一种基于部分卷积(PConv)的全新结构——CSPPC(CSP(cross stage partial)pyramid convolution),提升计算效率和多尺度特征的融合能力;最后,引入改进的加权交并比损失函数——WIoUv3,提升模型的定位精度和鲁棒性。试验结果表明,改进后的YOLOv8模型(CP-YOLOv8)在胶合板单板表面缺陷检测任务中表现出色,模型的平均精度均值(mAP)达到93.8%,在原模型的基础上提升0.9%,改进模型浮点运算次数(GFLOPs)和参数量降低至7.2 G和2.58 M,分别降低0.9 G与0.42 M,能够充分满足实际应用需求,为胶合板单板质量检测提供一种高效、精准且轻量化的解决方案。

关键词： 目标跟踪   对抗攻击   对抗检测   频域分解   性能差异  

摘要： 针对跟踪模型存在被对抗攻击的风险且当前缺少相关的对抗检测方法,利用频域手段解决这一问题.结合扰动噪声视觉不可见的特点,首先理论证明了扰动噪声主要存在于图像的中高频段.然后定量地分析出视频序列的低频分量对跟踪性能的贡献最大且受对抗攻击的影响最小.最后根据上述理论证明和定量分析,提出了基于频段跟踪性能差异的检测框架,其中的频域分解模块用于提取视频序列的低频段分量;目标跟踪器及其同构同参的镜像跟踪器分别以视频序列的全频段和低频段分量为输入;判别模块通过对比2个跟踪器的输出差异,判定当前视频序列是否为对抗输入.该检测框架以跟踪器为载体,无需对抗训练,仅通过对比不同频段跟踪性能的差异性,即可实现对抗检测.大量的实验结果表明提出的检测框架不仅能够有效地检测当前主流的对抗攻击,如CSA,TTP,Spark,检测精度高达97.55%,而且对跟踪器的原始跟踪性能影响较小.此外,检测框架具有泛化性,能够灵活地集成到多个跟踪器,如SiamRPNpp,SiamMask,SiamCAR,SiamBAN.

关键词： 鸟瞰图视角   目标检测   跨阶段局部网络   双网络结构  

摘要： 在鸟瞰图下基于视觉的3D目标检测中,会出现因伪点云生成过程中细节信息丢失而导致小目标和远距离目标检测性能不足以及计算量参数量较大的问题。为此,本文提出了一种基于视觉的双分支结构的3D目标检测方案。首先,采用跨阶段局部网络进行特征提取,以增强模型对多层次特征的学习能力并提升计算效率;其次,引入辅助特征提取网络,充分利用多尺度特征信息,强化对小目标和远距离目标的特征表达;最后,通过高效的特征融合策略,综合处理伪点云特征与辅助分支输出的特征,实现二维细节与三维信息的有效融合。实验结果表明,在nuScenes数据集上,所提方法的平均精度较BEVDet提升约2%,检测得分提升6.5%。由此可见,本文方案在兼顾计算效率的前提下,有效提高了3D目标检测精度,为无人驾驶系统的环境感知提供了有力支持。

关键词： 海上搜救   目标检测   风车状卷积   YOLOv11   注意力机制  

摘要： 针对无人机海上人员搜救任务中复杂环境下目标检测精度与实时性的需求,对改进YOLOv11算法进行了研究;通过结合风车状卷积优化网络主干,设计特征增强模块(FEM)与自适应权重的双向特征金字塔网络(BiFPN),并引入动态注意力机制,实现了对海上人员微小目标及遮挡目标的特征增强与噪声抑制;采用SeaDronesSee数据集进行实验分析,测试结果表明,改进后模型的检测精度(mAP@0.5)达到78.47%,推理速度(FPS)为511.79 Hz,优于传统的YOLO系列算法;经实际应用验证,该算法能够满足海上搜救任务的高精度与实时性要求,为智能化应急救援提供了有效技术支持。

关键词： 智慧城市   目标检测   火灾检测   深度学习   轻量化   特征融合   YOLOv5  

摘要： 为解决城市火灾检测算法在追求高精度时,参数量庞大、算法复杂度高、检测速度慢等问题,提出了一种改进YOLOv5s的轻量级火灾检测算法(LPC-YOLOv5s)。在骨干网络中,在集成模块Stem Block模块基础上结合ReLu激活函数,设计和构建了LCBlock降低模型复杂度,提高模型检测速度,引入PConv模块减少骨干网络冗余特征的提取。在颈部结构中引入了C3Ghost模块,增强特征融合能力,降低火灾错检率。实验结果表明,改进后的算法相较于YOLOv5s,Parameters减少了2.1 M,mAP提升了0.5%,Recall提升了1.7%,模型复杂度降低了76.6%。