关键词： 锈蚀缺陷   目标检测   深度学习   YOLOv8  

摘要： 随着人们对电能的需求不断增加,维持电力系统的稳定运行尤为重要。锈蚀会导致电气设备发生故障,从而影响电网的正常运行,产生巨大的经济损失。本文通过机器视觉方法,有效结合图像处理技术和深度学习技术,设计并实现了基于YOLOv8算法的电气设备锈蚀缺陷检测系统。该缺陷检测系统可以检测简单和复杂情况下的电气设备锈蚀情况,具有较高的鲁棒性和准确率。

关键词： 病害识别   目标检测   图像处理   YOLOv5   深度神经网络  

摘要： 针对书画文物保护工作中人工病害调查和病害图绘制效率低的问题,探索了基于深度神经网络的目标检测技术识别书画病害的可行性。选择YOLOv5系列模型并根据本研究任务特点对其结构做了优化,包括FGSM算法、CmBN策略、Dropblock正则化和CIOU-Loss损失函数。利用博物馆馆藏书画文物素材,融合Mosaic数据增强方法进行书画文物图片的增强,设计了滑动窗口检测技术、图像逐层分析和定位裁剪技术,初步训练出了2个具备病害识别功能的模型,根据模型性能检验指标最终选择了YOLOv5x6作为本研究任务的模型。测试结果表明,该模型以较高的准确率和查全率识别出了待检测病害,用时仅为人工的千分之一。该技术的引入可极大提高文物病害识别效率,并且在病害识别过程中保持客观、稳定的标准。

关键词： 风景园林   河道景观   图像语义分割   虚拟现实   随机森林   视觉感知  

摘要： 视觉感知研究是风景园林学科的重要方向之一。城市河道是建成环境的重要组成部分,对其进行视觉感知研究有利于揭示河道景观特征与公众感知之间的关系。目前,大数据、深度学习和虚拟现实等技术的快速发展为建成环境视觉感知研究提供了技术支撑。在此背景下,提出基于计算机视觉技术和沉浸式虚拟现实技术的城市河道景观视觉特征分析方法,以实现对大尺度河道景观灵活且高效的视觉评价。以伦敦泰晤士河为例,利用计算机视觉技术对水面视角的全景图像进行像素级语义分割,实现多种景观要素的识别与量化分析。同时,通过沉浸式虚拟现实技术获取受试者对城市河道景观的主观视觉感知评价,并进行总体比较及空间分布特征分析。基于以上分析,探讨客观视觉分析与主观视觉感知结果之间的相关性,并采用随机森林算法分析影响主观视觉感知的客观环境因素。研究方法弥补了传统定性分析的不足,可为城市河道环境评价和优化提升提供依据,并为相关研究提供新思路。

关键词： 带式输送机   智能识别   计算机视觉   研究进展  

摘要： 目前,我国煤炭运输主要采用带式运输机,皮带运输是煤矿生产中重要的环节,直接影响煤矿的生产安全和生产效益。我国煤矿生产经历了从动力化、机械化、信息化到智能化的发展转变,目前煤矿生产转型升级正处于智能化阶段。智慧矿山建设要求实现安全、无人、高效、绿色生产,对智能化升级提出了新要求。研究对煤矿带式输送机运行状态智能化识别技术进行回顾与论述,提出基于计算机视觉技术识别带式输送机运行状态的实现方法,并对未来发展方向进行展望。

关键词： 侧扫声呐图像   图像降噪   目标检测   YOLOv8-USI   过拟合   数据增强   生成对抗网络   GhostNet模块  

摘要： 为解决水下声呐图像中目标形状小、信息少等识别精度低带来的漏检、误检问题,本文提出一种改进YOLOv8水下声呐图像目标检测方法(YOLOv8-Underwater Sonar Image,YOLOv8-USI)。首先对水下声呐图像进行图像增强、图像降噪等预处理,并利用生成对抗网络对水下声呐图像训练集进行扩充,防止过拟合现象;其次,引入GhostNet模块解决YOLOv8网络结构参数量多的问题,从而提高水下目标识别速度;接着根据预处理后声呐图像的特征,提取水下声呐图像中的目标特征信息。最后,根据识别到的目标物体置信度,验证声呐图像中目标物体的漏检与误检情况。实验结果表明,输出结果图的目标识别效果与整个检测过程速度均有所提高,时间加快0.08 s,因此YOLOv8-USI网络结构可有效提高水下声呐图像目标检测精度与速度。

关键词： 目标检测   烟雾火焰检测   改进YOLOv8   深度学习  

摘要： 烟雾与火焰检测在安全领域中具有重要的实际应用,尤其是在复杂环境下,如何精准识别烟雾与火焰目标仍面临较大挑战。本文提出了一种改进的YOLOv8算法,引入CBAM (Convolutional Block Attention Module)注意力机制,增强了网络对不同尺度特征的关注能力,从而提高了小目标和复杂场景下的检测精度。实验结果表明,改进后的YOLOv8模型相比于原YOLOv8模型,平均精度均值(mean Average Precision, mAP)提升了0.57个百分点,对烟雾与火焰两类目标的检测效果较好。Flame and smoke detection plays an important role in safety applications, especially in complex environments, where accurately identifying smoke and flame targets remains a significant challenge. This paper proposes an improved YOLOv8 algorithm, which introduces the CBAM (Convolutional Block Attention Module) attention mechanism to enhance the network’s ability to focus on features of different scales, thereby improving detection accuracy for small targets and complex scenes. The experimental results demonstrate that the improved YOLOv8 model has seen an enhancement of 0.57 percentage points in mean Average Precision (mAP) compared to the original YOLOv8 model, exhibiting superior detection performance for both smoke and flame targets.

关键词： 目标检测   YOLOv8n   剪枝   知识蒸馏   违禁品  

摘要： 为了更好满足X光安检图像中违禁物品检测的实时性与可行性,提出了基于YOLOv8的轻量化检测方法,在提高检测精度的同时使模型更加轻量化。首先使用改进后的HGNetV2网络替换YOLOv8的主干网络,减少网络模型参数量、计算量和内存占用,然后使用SIoU损失函数替换CIoU损失函数,再使用注意力机制MPCA(Multi-Path Channel Attention)改进的可变形卷积DCNv2融合到颈部网络中的C2f模块,提高网络对图像关键特征的捕捉能力。其次将改进后的模型通过LAMP剪枝方案进行模型剪枝,进一步压缩模型,最后通过知识蒸馏,提升剪枝后模型的检测精度。结果显示,在公共数据集SIXary上,改进后模型相较于YOLOv8n模型mAP提高1.3%,模型参数量、计算量和模型大小分别降低66.2%、59.3%和62%。证明了改进算法的有效性。

关键词： 飞机目标检测   深度学习   YOLOv5网络   注意力机制优化   特征融合  

摘要： 由于飞机目标的大小和形状差异、遮挡、密集分布以及复杂背景等因素,现有模型在检测过程中存在较多的错检和漏检。为此,提出一种基于改进YOLOv5的飞机目标检测模型,称为AT YOLOv5。首先在主干网络中融合坐标注意力模块,增强模型的特征提取能力,然后针对FPN在特征融合时多尺度表征能力降低的问题,提出了注意力特征融合网络,该结构基于注意力权重可以实现不同尺度特征的自适应融合。最后,改进小目标检测层,并在所有检测层中加入Swin Transformer模块,以增强网络模型获取全局信息和关联目标信息的能力。实验部分采用DOTA和RSOD数据集来验证模型的有效性及泛化能力。实验结果表明,提出的检测算法在DOTA数据集下AP 50相对于YOLOv5s网络提高了3.9%,AP 50:95提高了1.0%,对高分辨率遥感影像的FPS可达到64,在RSOD数据集下的AP 50也可以达到96.7%。本文算法可以有效实现飞机目标检测任务,具有较好的检测精度、实时性和鲁棒性。

关键词： 伪装目标检测   局部-全局特征相互补偿   局部-全局特征交叉协方差  

摘要： 在伪装目标检测(COD)领域中,最新提出的方法主要利用伪装目标的局部特征完成COD任务,输出的预测图存在目标轮廓粗糙和对象不完整的问题。针对上述问题,提出了基于局部-全局特征相互补偿的伪装目标检测方法,利用局部特征与全局特征相互补偿进行伪装目标的检测。设计一个非局部特征增强模块(N-LFEM),使用非局部机制来交互相邻局部区域,增强局部特征表达。构建一个局部-全局特征交互模块(L-GFIM),平均局部特征得到全局特征,执行局部特征与全局特征的相互补偿。设计一个局部-全局特征交叉协方差模块(L-GFCCM),通过语义对齐和交叉协方差获取空间指标定位伪装目标所在区域,选取相似性最高的特征图输出。在3个公开数据集上的实验表明,该算法优于其他8个最新模型。在COD10K数据集上,平均绝对误差(MAE)达到了0.028。

关键词： 信号装置   人工智能   图像处理  

摘要： 针对当前船闸信号装置缺乏倒计时显示和人工操作可能导致信号跳转不及时的问题,本文提出了一种提高船闸运行效率的信号装置系统。该系统采用红绿信号灯和倒计时器组成信号装置,通过监控摄像头和激光雷达等感知设备实时采集过闸船舶数据,并利用人工智能和图像处理技术进行处理和分析。系统能够根据闸室内船舶的进出情况,实现红绿信号的自动跳转和倒计时显示功能,从而提高船闸的运行效率,减少过闸时间损耗,提升船舶过闸的安全性和顺畅性。