关键词： YOLOv7   目标检测   Wise-IoU   LAMP剪枝   通道知识蒸馏   TensorRT  

摘要： 针对矿井下输送机特殊运行环境下输送带撕裂的检测难题,提出一种线激光辅助下的改进YOLOv7轻量化检测算法。首先,针对输送带撕裂以小目标为主,不需要最大的检测层,从而简化网络模型,达到减小模型体积和减少参数量的目的。此外,采用动态非单调FM的Wise-IoU损失函数,使模型更加关注普通质量的样本,提高模型检测性能。然后,使用LAMP剪枝方法,提高模型的计算速度并降低计算复杂度,实现检测网络的轻量化,采用通道知识蒸馏无损提高模型精度,最后使用TensorRT加速模型,达到更快的检测速度。实验结果表明,与基准模型相比,改进后模型的参数量和计算量分别减少了86.8%、49.2%,mAP@0.5:0.95达到了62.4%,并且检测速度提升151.0 fps,模型大小从71.3 MB减少到12.8 MB。经过改进后的模型,提高了对输送带撕裂故障检测的准确性和实时性。

关键词： 深度学习   目标检测   数据集   YOLOv8  

摘要： 针对复杂交通监控场景下现有方法在车辆检测任务上检测精度差的问题,文章提出一种基于改进YOLOv8s模型的高精度车辆检测方法RMT-YOLOv8s,使用RMT替换YOLOv8s的骨干特征提取网络,增强模型对复杂场景图像的特征提取与表示能力;在特征融合和增强阶段引入混合域注意力方法CPCA,利用视觉注意力机制CPCA分层细粒度地提取与增强车辆特征,增强模型的特征融合和增强能力。在UA-DETRAC数据集的实验结果表明,RMT-YOLOv8s在准确率、召回率、mAP@0.5以及mAP@0.5:0.95指标分别能达到98.1%、98.0%、98.9%和93.8%,相较于基准的YOLOv8s模型,其四个指标分别涨点1.9%、2.7%、1.5%和3.0%,有效增强了模型在不同场景下的车辆目标检测能力。

关键词： 机器视觉   深度学习   目标检测  

摘要： 【目的】利用视觉检测技术对挖掘机作业区域进行分析,以保证施工作业效率和安全。【方法】研究采用了SGBM匹配算法,并将其与YOLOv5目标检测算法相结合,构建了一种综合的图像检测框架。通过构建专门的数据集并进行训练,研究确定了符合检测要求的图像检测模型,并输出了二维图像检测框和图像特征。【结果】所提出的方法具有很高的性能表现,精确度达到98.3%,召回率达到96.4%,平均精度为98.7%。【结论】该方法能够满足目标检测的高准确度要求,可有效检测挖掘机作业过程中的工作环境并识别装载车辆,可为挖掘机作业过程的自动化提供可靠的技术支持。

关键词： 水下自主航行器   坐落式回收   深度学习   特征点提取   位姿估计   目标检测  

摘要： 自主水下航行器(AUV)在任务进行过程中或完成后需通过自主回收实现能源补充与数据下载等操作,是否能进行高效、精准地回收引导决定了AUV的回收效率,成为其能否广泛应用的关键.针对AUV坐落式回收过程中的近距离光学引导定位问题,提出一种基于深度学习的单双目位姿测量算法.首先,面向恶劣的水下光学成像条件,结合暗通道先验去雾和YOLO v9目标检测网络,实现一种可适应不同水质、光照强度且鲁棒性强、可靠性高的引导光源提取算法.同时,针对回收过程中的特征匹配问题,设计一种不依赖于AUV速度的全向特征匹配算法,实现3D-2D特征匹配.此外,针对坐落式回收典型的多阶段引导特点,分别基于PnP原理和SVD分解设计面向不同阶段的单、双目引导定位算法.最后,基于多次仿真和实物实验,验证算法在精确位姿估计方面的可行性和有效性.

关键词： 遥感影像   目标检测   轻量级模型   YOLOv5   MobileNetv3  

摘要： 针对低功耗场景下实施遥感影像地面目标实时检测问题,基于YOLOv5s提出一种轻量化改进模型。以使用ECA模块作为注意力结构的MobileNetv3代替CSPDarknet53作为骨干网络进行特征提取,同时将所有骨干网络输出的特征图送入融合网络中来获取信息更为丰富的特征图,并使用改进K-means++算法来进行锚点框聚类。以开源数据集为基础构建训练数据集,并通过多种策略进行数据增强来克服正样本的长尾分布问题。实验结果表明,本文模型对遥感影像中不同尺度的目标均能实现高精度检测,并且在多种环境中均表现出良好的泛化能力;同时,本文模型占用内存小,能够部署在低功耗硬件环境中对遥感影像内的多类地面目标开展实时检测。

关键词： 智能视频监控   安全监测   目标检测   GOTURN   区域入侵检测  

摘要： 针对检修车间面临的危害设备和人员安全的入侵行为,传统的视频监控方法不仅耗费大量人力资源,而且效率低下。为解决这一问题,结合目标检测与目标跟踪任务,该文提出了一种基于YOLO与GOTURN的检修车间入侵检测方法。首先由PTZ球机采集视频,再经过YOLO目标检测和GOTURN目标跟踪,得到人员边界框坐标并通过检测点的相对位置分析得出是否存在入侵行为。实验数据表明,基于YOLO和GOTURN的检修车间入侵检测方法相对于其他方法具有较高的准确率,在实际的检修车间入侵检测系统中设定IoU阈值为0.5时,人员跟踪准确率达到90%以上,检测精度达到了93.84%,并且能够有效判断入侵行为。

关键词： YOLOv7网络   变压器套管   红外图像   目标检测   智能诊断  

摘要： 为提升变电站套管红外图像智能诊断效果,提出构建一个基于改进YOLOv7网络的变电站套管红外图像智能诊断模型。首先,在YOLOv7基础检测网络的基础上对其特征提取模块进行改进,以提升其目标检测速率;然后在YOLOv7网络中引入卷积注意力机制模块注意力机制,以提高网络检测精度;最后将改进的YOLOv7网络用于变压器套管红外图像的智能诊断。结果表明:在参数量为1200时,改进YOLOv7模型的平均精度值、每秒帧数和每秒浮点运算次数分别为96.6%、30帧/s和8次,均优于其他检测模型。将本模型部署至智能诊断系统中后,可有效提升变电站套管红外图像目标检测速率和精度,证明本模型可实现套管红外图像发热缺陷故障诊断,具备有效性。

关键词： 车辆检测   多尺度特征融合   注意力机制   Soft-CIOU损失函数   YOLOv4   深度学习   目标检测   小目标  

摘要： 在交通监控中进行车辆检测过程时,存在车辆互相遮挡和远距离目标尺寸不足的问题,导致在检测中存在漏检和误检情况。针对此问题,文中提出一种基于YOLOv4(You Only Look Once version 4)的多尺度融合与注意力机制的交通车辆检测算法。在YOLOv4的路径聚合网络中增加一个新的特征层进行多尺度特征融合,提升模型对底层纹理特征的提取能力。在YOLO Head检测头前嵌入ECA(Efficient Channel Attention)通道注意力模块,对聚合后的特征进行合理的抑制和增强,将CIoU(Complete Intersection over Union)损失函数替换为Soft-CIoU损失函数,提高小目标车辆对损失函数的贡献度。在公开车辆数据集UA-DETRAC与KITTI中的实验结果表明,相较于原YOLOv4算法,所提算法的平均精度分别提升了2.45百分点和1.14百分点,检测速度达到41.67 frame·s^(-1)。相较于其他先进算法,所提算法在检测精度上表现良好。

关键词： 配网操作机器人   视觉引导   深度学习   图像处理  

摘要： 针对配网的带电搭线作业,提出了一种可适用于配网作业机器人的基于视觉引导的自主搭线方法。通过配网操作机器人的摄像头采集高空高压带电作业的隔离刀闸、避雷器、跌落式熔断器以及拆搭引线等元器件的图像信息,对图像进行数据处理、分析,以此作为配网操作机器人自主定位元器件位置信息的依据,通过实时的深度学习及图像处理技术能够发现任务元器件,定位元器件的搭线区域空间坐标信息,并反馈给配网操作机器人自主完成依据设定工序的带电作业任务。通过M3D-RPN的3D目标检测网络实现配网的作业元器件实时精准检测与定位功能,并反馈给配网操作机器人目标的搭线区域空间坐标,完成作业任务。

关键词： 长输管道   高后果区   YOLOv5s   目标检测   智能识别模型  

摘要： 针对目前长输管道高后果区识别效率低,需耗费大量的人力、物力和时间成本,该文借助目标检测算法YOLOv5s,利用遥感影像及无人机航飞影像数据,结合高后果区识别规范,对不同类型的高后果区建立高后果区智能识别模型,通过评估,模型准确率和召回率均达到90%以上,能有效识别高后果区。又以国内某管道高后果区为例,进一步验证模型的有效性,数据表明,该模型智能识别出的高后果区信息与传统人工辅助识别信息一致,能满足长输管道高后果区自动识别的实际需求,为高后果区风险管理提供及时准确的数据支持,为高后果区识别的自动化、智能化管理开拓新思路。