关键词： 目标检测   全局感知   下采样   上采样   外破隐患   输电线路  

摘要： 超高压架空输电线路在电力系统中至关重要,但常面临建筑施工、山火等外力因素引发的事故。这不仅损害了国家经济,影响电网稳定性,还对电力工作人员的人身安全造成威胁。基于深度学习的目标检测方法为检测外破隐患提供了新方案,但现有方法往往依赖局部邻域信息执行采样操作,限制了感知范围和表达能力。为解决这一问题,提出了一种基于YOLOv10的实时全局感知增强方法GAE-YOLO,旨在提高超高压架空输电线路外破隐患目标的检测精度。针对传统方法中局部感知的局限,设计了2个新的上下采样模块:全局感知下采样模块(GADM)和全局感知上采样模块(GAUM)。GADM通过学习特征图的全局空间信息生成全局感知权重,优化下采样过程的感知性能;GAUM则通过利用深层特征图的通道信息生成全局感知权重,动态增强采样点的隶属关系,有效突出目标边界。为验证GAE-YOLO的有效性,构建了一个针对超高压架空输电线路外破隐患的大规模数据集,并在该数据集上取得了93.05%的平均精度均值(mAP),相较于基线模型mAP提升了5.13%。实验结果表明,GAE-YOLO能够显著提高外破隐患目标的检测精度,具有重要的应用价值,为电网安全运行提供了新的技术支持。

关键词： 深度学习   计算机视觉   行人搜索   目标检测   粒计算   数据处理   特征提取   生成对抗网络   对齐  

摘要： 现有行人搜索方法着重于从有限的标注场景图中学习有效的行人表征,虽然这些方法取得了一定的效果,但学习更具有身份辨别力的行人表征通常依赖于大规模的标注数据,而获取大规模的标注数据是一个资源、劳动密集型的过程。为此,该文提出了一种场景图多粒度遮挡特征增强算法,对原始场景图进行多粒度随机遮挡,扩充训练数据,并从遮挡后的场景图中生成具有多样化信息的虚拟特征,最后利用生成的虚拟特征增强真实特征中的行人表征。进一步,基于生成对抗学习,该文设计了多粒度特征对齐模块,用于对齐遮挡图像特征和原始图像特征,保持两者语义一致性。实验结果表明,在CUHK-SYSU和PRW数据集上,该算法能够显著提升行人搜索任务的搜索精度。

关键词： 裂缝检测   动态蛇形卷积   反向残差注意力   MPDIoU   Lion优化器   CrackDetectX  

摘要： 混凝土结构产生裂缝会严重影响建筑物的安全稳定运行。为实现混凝土出露裂缝的实时高效检测,提出了一种新的单阶段混凝土裂缝检测模型CrackDetectX,该模型由基础特征提取网络、多级特征融合网络、检测头三部分组成。采用动态蛇形卷积(DSConv)精准捕捉裂缝特征,添加反向残差注意力模块(iRMB)融合不同尺度的上下文信息,使神经网络能够为特征图产生更好的像素级注意力。在检测头中引入一种基于MPDIoU的损失函数,全面考虑边界框所有信息,使模型更好地处理边界框宽度及高度的差异。此外,在模型中还引入Lion优化器保存动量信息,并利用其独特的更新规则来更新梯度,提高模型训练的效率。最后对所建模型进行评估,平均精度AP_0.5/%、AP_0.5-0.95/%、参数量、计算量及推理速度分别为93.1%、77.8%、1.62 M、4.3 GFLOPs和61.4 FPS,均优于对比方法,表明所提模型具有良好的鲁棒性,是一种高精度、高效率、轻量化的混凝土出露裂缝检测方法。

关键词： 多目标跟踪   YOLO   计算机视觉   深度学习  

摘要： 【目的】针对监控视频跨域环境下的多目标跟踪画面中,频繁遮挡、轨迹开始终止时刻未知、目标太小、目标间交互、表观相似以及摄像头视角变化等问题,提出一种改进的多目标跟踪算法。【方法】该算法最大化利用低分检测对象,将未匹配的低分对象进行二次匹配,目标跨域后,依据摄像头拓扑排序规则,以及相邻摄像头的未匹配跟踪轨迹,同时对检测器YOLOv5算法进行优化改进,通过信息流的层层递进,有效解决多尺度问题和小目标信息提取不充分等问题,在相邻的摄像头中快速匹配到跟踪对象,以提高跨域环境下特定多目标跟踪的精度。【结果】对比消融试验表明,本改进算法MOTA达到了62.8%,IDswitch也显著降低。

关键词： 图像识别   计算机视觉   深度学习   酿酒葡萄   品种鉴定   少样本学习   元学习  

摘要： 酿酒葡萄品种的精确鉴定是实现葡萄园智慧化管理的关键环节。针对品种鉴定过程中,标注数据需求量大、成本高昂且对新品种适应性不足的问题,该研究提出了一种基于少样本学习的两阶段品种鉴定方法。首先,为了减少复杂背景对少样本学习模型的干扰,构建了Deeplabv3+语义分割模型,实现了前景叶片的精细提取;其次,采用基于度量的元学习方法,使用基于MobileNetV2网络结构并融合注意力机制设计的Mobile-CS作为主干网络,实现了在少样本条件下品种的准确鉴定,并在新的品种鉴定任务中快速适应。试验结果表明,Deeplabv3+模型在叶片分割上实现了97.52%的平均交并比;少样本学习模型在5-way 5-shot任务上达到了80.06%的平均准确率,优于经典卷积神经网络结构和经典少样本学习的方法。该研究的两阶段品种鉴定方法具有较高的识别准确率和较强的泛化能力,能够为农业领域的智能识别技术提供新的解决方案。

关键词： 目标检测   半监督学习   伪标签   数据集  

摘要： 随着深度学习在目标检测中的应用越来越广泛,其对标记数据的过度依赖问题日益凸显。为了缓解目标检测任务对高成本标记数据的依赖,半监督学习算法备受关注且飞速发展。如何有效挖掘无标数据中蕴含的信息,并获取高质量的伪标签,是当前半监督目标检测算法面临的问题。对此,提出双分支的教师-学生(Teacher-Student,TS)网络结构缓解传统单分支教师-学生网络结构中的耦合问题,有效挖掘、利用无标数据。基于所提出的双分支网络结构设计一种伪标签生成机制,以获取高质量的伪标签用于模型训练,从而提升模型性能。在PASCALVOC数据集和MSCOCO数据集上分别进行多组实验,结果表明提出的方法能有效提升模型性能。

关键词： 智能变电站   巡检机器人   图像处理   效益分析  

摘要： 在智能变电站中,智能巡检机器人可以有效提高巡检效率,通过人工智能算法预警预判,及时发现线路隐患,减少线路故障,降低输电线路发生风险的几率。研究了220kV智能变电站巡检机器人的结构,研究了巡检机器人的关键技术,包括红外测温技术和图像处理技术。最后,针对某220kV智能变电站分析了智能巡检机器人的应用效益。通过本文分析可知,采用智能巡检机器人可以显著提高巡检效率和故障发现率。

关键词： 地铁车辆   附着异物   图像识别   深度卷积神经网络   目标检测   数据集   模型训练   训练方法  

摘要： 现有的地铁车辆异物检测模型存在真实训练数据匮乏、检测精度低等问题,难以满足实际应用的需要。对此,从公开数据集和互联网中收集废弃塑料袋等异物图像并标注异物轮廓,利用随机旋转、缩放等方法扩展图像数据,利用泊松融合算法,将异物图像与可能附着异物的图像随机融合,生成附着异物图像数据集。采用随机mixup方法,利用扩充后的数据集,训练基于YOLOv4网络的地铁车辆附着异物检测模型,并开展验证试验。试验结果表明,利用扩充后的异物数据集,采用随机mixup方法训练后的检测模型,检测效果更佳。

关键词： 旋转目标检测   箱体定位   YOLOv7-tiny   特征融合   注意力机制  

摘要： 针对物流领域箱体拆垛场景中,箱体密集堆叠、排列杂乱且来料随机等导致难以精确定位的问题,提出了一种基于旋转框定位的轻量级箱体精确检测方法。在单阶段目标检测网络YOLOv7-tiny的基础上,针对箱体目标密集排列的问题,引入融合多尺度可变形卷积的特征选择模块改善箱体形变建模,提升上下文特征提取能力;融合坐标注意力(coordinate attention,CA)机制以增强目标位置特征表达;采用旋转框长边表示法精确表示箱体边界,并结合高斯分布的KL散度(Kullback-Leibler divergence,KLD)作为损失函数,实现箱体旋转框的高精度回归。实验结果表明,改进方法在箱体数据集上检测精度AP_(75)达到85.25%,与原模型相比提升了7.85个百分点,箱体中心点平均像素距离小于3个像素,平均偏移角度小于4°,在小幅增加模型参数量的基础上,检测速度达到26.52FPS,所提方法可以有效提高拆垛箱体的定位精度,满足实际拆垛需求。

关键词： 深度学习   FocalLoss   目标检测   图像处理  

摘要： 在无人机航拍数据集图像上提出基于改进YOLO-X的机动车识别算法,为工业巡检和交通监控业界提供思路。首次提出适用于局部特征样本的离线加在线分阶段数据增强方法。进一步改进焦点损失FocalLoss的同时,替换此前业界通用的交叉熵损失。重新设计目标检测Head组合,使模型检测精度mAP比业界通用模型提升0.042。建立在扩展感知域动态实时调整识别范围的算法,将运行时帧率提升19%。为航拍机动车算法实现纯ARM(Advanced RISC Machines)部署提供了可行性。