关键词： 计算机视觉   图像匹配   安防系统   智能监控系统   安防监控系统   数据库   安防领域   检索  

摘要： 随着工业智能化的快速发展,工业安防领域对于高效、准确的监控系统需求日益增长。传统的安防系统往往依赖人力监控,不仅效率低下,还容易受到人为因素的干扰。随着计算机视觉和深度学习技术的发展,基于图像的智能监控系统逐渐成为主流,图搜图技术作为其关键技术之一,能够实现快速准确的图像匹配和检索,对提升工业安防监控系统的智能化水平具有重要意义。Milvus作为一款高性能的开源向量数据库,专为向量相似性搜索和AI应用设计。它具有高吞吐量、低延迟的特点,适用于处理大规模向量数据。本文旨在探索Milvus在工业安防领域的应用,特别是实现安防图片的图搜图功能,以期提高安防监控的效率和准确性。

关键词： 5G通信   电力输电线   故障目标检测  

摘要： 本文提出了一种基于5G通信的电力输电线故障目标检测方法,通过构建超密集网络增强信号覆盖,利用5G核心网实现低时延高可靠通信。该设计采用长短时记忆单元优化数据处理,利用边缘智能降低数据传输延迟,采用波束成形技术实现精确信号覆盖,并用混合自动重传请求机制增强通信可靠性。实验结果表明,该方法在数据传输延迟、信号丢包率、检测准确率和网络覆盖率等方面表现优异,显著提升了故障检测的实时性和准确性。

关键词： 目标检测   车辆检测   YOLOv7   注意力机制   深度学习  

摘要： 为了提高计算机识别检测车辆的准确度与速度,提出了一种基于改进YOLOv7-Tiny的车辆检测算法。在众多目标检测模型中,YOLOv7有着非常快的检测速度和较高的检测精度,非常适用于实时检测任务。在原YOLOv7-Tiny模型的基础上进行改进,将最浅层ELAN-T模块纳入特征金字塔,通过跳跃连接的方式将浅层特征与深层特征跨层融合,使输出的特征信息更加丰富。同时引入SE注意力机制,将计算资源分配给对当前任务更为关键的信息。并且更换了非线性激活函数HardSwish,以提高模型的表达能力。在华为发布的2D自动驾驶数据集SODA10M上进行实验,结果表明,改进后的模型对所有四种目标的检测精度都有所提高,平均精度mAP@0.5达到了66.1%,比原YOLOv7-Tiny模型61.0%提升了5.1%。

关键词： 棱镜   旋转双棱镜   目标指向   虚拟系统   目标跟踪   粒子群优化算法  

摘要： 针对旋转双棱镜系统逆问题求解复杂和目标跟踪误差大等现状,提出了一种基于虚拟系统的旋转双棱镜目标跟踪方法。基于非近轴光线追迹法构建了映射实际旋转双棱镜系统出射光束空间指向的虚拟系统,并将粒子群优化算法引入虚拟系统;根据待跟踪目标的位置信息,粒子群中的粒子基于相互协作和信息共享机制估计棱镜转角并优选最佳棱镜转角。若估计棱镜转角映射的虚拟旋转双棱镜系统出射光束指向与待跟踪目标之间的估计误差小于实际误差,则实际棱镜转角将被优选的棱镜转角替代并应用于实际的旋转双棱镜系统。开展静态目标和动态目标实验,结果显示,平均指向误差(静态)和稳定后的跟踪误差(动态)分别为9.43 pixel和13.04 pixel,验证了本文所提方法在旋转双棱镜目标跟踪应用中的可行性。

关键词： 轨道交通   钢轨   表面伤损   目标检测   图像识别  

摘要： 基于智慧工务对钢轨轨面状态和伤损的精准识别、定量化修理等需求,结合深度学习和机器视觉,提出了钢轨轨面伤损细粒度图像识别与量化方法。通过采集轨面状态和伤损图像并实现伤损细粒度标注,建立轨面伤损RD-1094数据集,其中的目标密度达到了每图22.9个。建立轨面伤损深度学习目标检测算法,通过对RD-1094数据集的训练和学习,实现了对0.5~30mm的剥离掉块、波长20~200mm的波磨等轨面伤损及其各自发展阶段特征的识别,达到毫米级细粒度。算法对单双排波磨、细小密集和轻重伤剥离掉块、单支和成片疲劳裂纹等能较好的兼容性,可以实现轨面光带形位、伤损尺寸、轻重伤总数、分布面积、波磨波长等状态和伤损的量化评估。

关键词： YOLO11   路面缺陷检测   目标检测   深度学习  

摘要： 本文针对路面缺陷检测方法在精度、效率及小目标检测能力方面的不足,提出了一种基于YOLO11的改进算法。通过设计EIEStem模块替代骨干网络的前两个卷积层,融合边缘特征和空间信息,有效提升了模型对小缺陷的检测能力。实验结果表明,改进算法在mAP0.5、推理速度(FPS)等指标上均展现显著优势:在mAP0.5上达到0.854,比原YOLO11提高1.5%,相比Faster-RCNN提升12.7%;推理速度达到113.3 FPS,相较YOLO11提高了约15.8%,远超Faster-RCNN的21 FPS。此外,计算量仅小幅增加,GFLOPs从6.3增至6.4,验证了改进算法的高效性与优越性。This paper addresses the limitations of road defect detection methods in terms of accuracy, efficiency, and small object detection capabilities. An improved algorithm based on YOLO11 is proposed by introducing the EIEStem module to replace the first two convolutional layers of the backbone network, integrating edge features and spatial information to enhance the detection capability for small defects. Experimental results demonstrate that the improved algorithm achieves significant advantages in key metrics such as mAP0.5 and FPS: achieving an mAP0.5 of 0.854, which is a 1.5% improvement over the original YOLO11 and a 12.7% increase compared to Faster-RCNN. It achieves an inference speed of 113.3 FPS, approximately 15.8% faster than YOLO11 and far exceeding the 21 FPS of Faster-RCNN. Additionally, the computational cost only increased slightly, with GFLOPs rising from 6.3 to 6.4, confirming the efficiency and superiority of the improved algorithm.

关键词： 人工智能技术   机器学习   图像处理   可解释性   数据价值   神经网络   跨学科领域   生物医学成像  

摘要： 人工智能和机器学习作为当代科技发展的核心驱动力,正在深刻改变世界。近年来,深度学习模型的突破性进展,如生成对抗网络(GAN)和图神经网络(GNN),进一步拓展了人工智能的应用边界。但该领域仍面临如何提高模型的可解释性、增强其在复杂环境中的稳定性和泛化能力,以及如何在保护隐私的同时充分利用数据价值等挑战。围绕行业痛点与挑战,香港理工大学李青教授课题组(以下简称“课题组”)提出最小二乘生成对抗网络(LSGAN),解决了传统GAN面临的关键挑战,在图像处理、生物医学成像等多个跨学科领域实现了创新应用,推动了人工智能技术的跨界融合。

关键词： 卷积神经网络   监督学习   原子力显微镜   针尖形状预测   深度学习   图像处理  

摘要： 原子力显微镜(AFM)探针针尖形貌尺寸是表面微纳结构精确测量、局域物理化学特性准确表征中的关键参数。基于数学形态学的传统方法,针尖盲估计方法可以仅根据扫描图像来评估针尖形状尺寸,但其往往能给出的是针尖尺寸上限值并非真正的针尖尺寸。而且此种方法受扫描噪声影响较大,获得的尺寸精度难以完全满足需求。针对该问题,基于编码器-解码器架构的卷积神经网络,进行了AFM针尖形貌尺寸的稳定、准确的估计研究。在网络的监督学习训练中,以包含不同半径和数量的纳米颗粒结构,应用数学形态学膨胀算法模拟一系列设定半径针尖的扫描图像作为训练数据集,并以平均绝对误差作为损失函数来更新网络参数。结果表明,卷积神经网络模型对于针尖半径包含在训练集范围内的探针所得扫描图像具备准确预测针尖尺寸的能力。但是当扫描图像的对应针尖尺寸超出该范围时,预测的准确性会降低。此外,通过引入叠加噪声的训练数据,模型的预测能力显著提高,可以准确预测含噪声的扫描图像所用探针的针尖尺寸,且无需额外去噪处理。随后在实际AFM扫描图像上的测试结果证实了该方法预测针尖形貌尺寸的有效性。最后通过模拟和实验数据验证了同样的方法还可以用在受针尖效应影响的图像处理上。

关键词： Hough变换   Yolov5   倾斜校正   条码识别   图像处理   机器视觉  

摘要： 为了解决复杂背景下条形码不易定位识别的难题,提出一种基于Hough变换和深度学习相结合的方法对条形码进行校正定位。首先对待检测图像进行灰度化、高斯模糊以及边缘检测等预处理;然后利用Hough变换检测条形码图像中的线段,进行旋转校正,校正后的图像经Yolov5对条形码进行识别和提取,完成条形码的识别分割。文中方法对不同样式条形码均有较好的识别效果,旋转校正的精确度达到99.31%,识别平均精确度达到99.40%,召回率达到99.79%,推理时间为10.5 ms。提出的方法可对任意角度倾斜进行校正,识别条码具有较高的准确率,对条形码定位识别具有一定的应用价值。

关键词： YOLOv5s   路面坑槽   目标检测   自适应空间特征融合(ASFF)   FasterNet  

摘要： 为提高道路安全巡检工作中路面坑槽隐患的检测效率和自动化水平,降低交通事故发生概率,构建一种基于改进YOLOv5s的路面坑槽隐患智能检测模型。在原YOLOv5s网络中加入自适应空间特征融合(ASFF)模块,将主干网络替换为FasterNet网络,引入轻量通道注意力(ECA)模块;通过消融试验分析改进模块对检测模型性能的影响,验证目标检测效果,并开发交互式可视化检测界面。结果表明:改进后的模型精度、召回率和平均检测精度分别提升了4.1%、9.9%和5.6%。较原网络有较为显著的提升,具有良好的检测效果,能够满足路面坑槽自动化检测的应用需求,提高巡检效率,减少因路面坑槽导致的交通事故。