关键词： 道路工程   融合算法   高速公路收费站   目标检测   电子车牌  

摘要： 塞内加尔高速公路收费系统效率不高,尤其在节假日突发性车流井喷情况下,收费站易出现严重拥堵和延误。该文通过分析塞内加尔高速公路现有收费方式的局限性,将图像检测算法和电子车牌识别技术与现有的MTC及ETC收费方式相结合,构建了基于车辆信息识别的融合收费方式,旨在对塞内加尔高速收费系统进行优化,降低其使用成本,提升收费效益。以塞内加尔BPV Thiès收费站为例,针对不同布设方案进行试验仿真,结果表明:与现状收费方式相比,高峰时段可以分别减少34.99%和62.49%的进站延误,以及38.01%和62.44%的出站延误;当ETC渗透率提高到50%时,融合收费方案进一步降低进出站的平均延误分别达到80.57%和79.64%。由此可见,融合收费技术能够显著提高收费效率,对塞内加尔地区高速公路收费方式具有实际指导意义。

关键词： 目标检测   差速器壳体   YOLOv8   小目标   注意力机制   下采样  

摘要： 针对由差速器壳体表面缺陷特征信息多样性缺失和特征表达不足引起的误检漏检率高、检测精度低的问题,提出了一种改进的ConvNextV2-YOLOv8缺陷检测算法。提出ConvNextV2-P2模块,在主干网络ConvNextV2中引入全局响应归一化增强模型特征信息多样性表达,并增加P2检测层提高对小目标缺陷的检测能力。使用卷积和注意力融合模块CAFM增强GhostModle的局部和全局特征表达,在保持轻量化的同时提高模型整体检测性能,并融合至C2f提出C2f-GAFM模块。引入深层鲁棒特性下采样DRFD,提升模型多尺度信息的提取和融合能力,增强算法模型的鲁棒性。实验结果表明,与原YOLOv8算法相比,ConvNextV2-YOLOv8的精确率达到了98.5%,召回率达到了89.1%。mAP50和mAP50-95分别提升至94.2%、87.1%,提高了1.6%、5.9%。在NEU-DET数据集上进行泛化性实验,效果优于其他算法模型。

关键词： 目标检测   多谱段融合   近红外图像   光照感知   注意力机制  

摘要： 基于红外/可见光融合的方法能够有效改善道路交通、安防监控等开放场景下的目标检测的效果。现有方法较少针对红外/可见光差异性设计特征交互机制,使得检测的精度和鲁棒性受限。因此,设计了一种基于双流结构的红外/可见光图像融合网络,充分考虑了不同模态图像间的差异,通过提取和融合不同模态图像的多层次特征信息,实现开放环境下目标的精准识别。针对可见光图像质量容易受到环境光照变化影响的问题,设计了轻量化的图像光照感知模块,通过权重分配函数动态调整红外/可见光的融合权重,提高了融合算法的适应性和准确性。同时,设计了无参数的3D注意力模块,以自动识别网络所提取特征的通道和空间重要性,并根据模态间的重要性不同分配不同的融合权重,其能够在不增加网络参数量的前提下提高网络融合的效果。此外,构建了一套近红外/可见光数据集(NRS),为开放场景的目标识别任务提供了更多源的数据。最后,在自主构建的数据集NRS和公开数据集M^(3) FD上对模型进行了一系列测试。结果表明,所提方法检测精度分别达到93.5%,92.2%(mAP_(.50)),能够为开放场景中的目标精准探测识别提供支撑。

关键词： 机械缺陷   机器视觉   图像处理   卷积神经网络  

摘要： 文章对基于卷积神经网络的机械零件表面缺陷检测系统进行了深入地研究,包括系统设计、图像预处理与缺陷检测算法等方面。文章首先研究了基于视觉方案的机械零件表面缺陷检测系统的基本原理,并探讨了基于环形光源与工业相机的图像采集方法;其次研究了图像预处理技术,为后续缺陷检测提供了清晰的特征信息,并对卷积神经网络在表面缺陷检测中的应用进行了研究。实验表明,该方法可以对复杂背景下采集的机械零件图像进行增强,并检测出缺陷所在位置,为工业零件表面缺陷检测提供了一种高效、可靠的解决方案。

关键词： FasterRCNN   AlexNet   光伏组串   故障识别   深度学习   无人机巡检   目标检测  

摘要： 文章提出了一种基于Faster RCNN与Alex Net的光伏组串故障识别策略。该策略利用Faster RCNN对设备运行状态图像进行目标检测,实现对故障区域的快速定位;通过Alex Net对故障区域进行深层次特征提取,学习故障区域的特征表示;构建分类器或回归器,实现故障类型的识别或故障程度的评估。试验结果显示,所提出的算法在光伏板红外图像识别任务中达到了99.08%的准确率,展示了其在故障识别中的高效性和鲁棒性,为无人机智能巡检系统的实际应用提供了强有力的支持。

关键词： 高光谱图像   异常目标检测   图信号   拉普拉斯矩阵   图傅里叶变换  

摘要： 为提高高光谱图像异常目标检测的精度,提出一种基于拉普拉斯矩阵图的异常目标检测方法(Laplacian Matrix Graph for Anomaly Detection,LGD)。通过构造全连接图和高斯核函数构造的近邻矩阵,将高光谱图像中异常目标的位置和光谱信息进行联合处理,实现了高光谱数据不同波段之间的信息融合;利用图的傅里叶变换和拉普拉斯矩阵性能,将图信号的总变差作为判断异常目标的评价函数,实现了异常目标像素点的准确检测,避免了常规检测算法中的矩阵求逆问题,降低了算法的复杂度。在异常检测常用的AVIRIS-I、AVIRIS-II、ABU-urban-2、ABU-urban-4和EI Segundo 5种高光谱数据集上,进行了算法性能验证。实验结果表明:该算法在5种数据集上异常目标检测的AUC值与ROC曲线均优于其他算法,在检测精度上具有明显优势。

关键词： 计算机视觉   在线检测   变电检修  

摘要： 阐述计算机视觉技术在变电检修领域的应用优势,包括在智能变电站、在线检测技术、线路监测优化和综合智能系统中的应用。分析表明,计算机视觉技术有效提高了变电设备检修的效率、准确性和安全性。

关键词： YOLOv8   航拍图像   目标检测   注意力机制  

摘要： 针对无人机航拍图像小目标检测精度低的问题,提出一种改进YOLOv8s的小目标检测算法。算法网络中,通过增加协调注意力机制(Coordinate Attention,CA)来提升目标特征提取能力;改进C2f模块并在颈部网络中引入CARAFE上采样算子,从而降低模型参数,增强多尺度特征融合能力。同时,添加一个160×160尺度的小目标检测层去替换大目标检测层,减少网络深度,提高模型对小目标的敏感度,解决误检漏检问题。实验结果表明:在VisDrone2019数据集上,相较于原YOLOv8s,改进算法的精确率P提升了6.95%,召回率R提升了8.36%,平均精度mAP50提升了13.06%,并且参数量降低了73.02%。改进算法在小目标检测方面展现出良好性能,在多项指标上优于其他YOLO系列算法,体现了其在小目标检测领域的竞争力。

关键词： 车联网   协同感知   自动驾驶   单车智能   目标级融合   目标检测   检测模型   智能交通  

摘要： 随着车联网技术的快速发展,其在降低单车智能成本、提升道路交通安全及效率方面展现出显著优势。针对自动驾驶中的超视距、盲区和遮挡等感知长尾难题,基于车联网通信设备和自动驾驶计算单元开发了一套具备良好兼容性和可拓展性的目标级协同感知系统,配套的软件环境方便部署检测模型和后期融合算法。通过对传输链路时延测试和感知结果可视化分析,系统能够有效整合感知结果,且能在现有检测模型基础上进行低成本升级,增强自动驾驶感知能力和范围。该系统推动协同感知技术从理论研究向实际应用的转变,具备向实际道路交通系统扩展的潜力。

关键词： 激光散斑   图像处理   面内位移   系统L值  

摘要： 激光散斑测量技术因其非接触式、高灵敏度和高分辨率的特点,已广泛应用于微小位移的精确测量。散斑图像的形成源于激光照射到物体表面后,由于表面微观结构的不规则性,激光光斑产生干涉现象,形成一系列随机分布的散斑点。这些散斑点的变动能够反映物体表面微小的位移变化,因此成为研究面内位移的重要工具。在激光散斑测量系统中,L值对于面内位移的准确测量至关重要。运用激光散斑统计理论,结合Matlab和Python进行激光散斑图像处理,设计了一套测量物体面内位移系统L值的实验装置。结果表明,测量得到纯铜片面内位移系统的L值为32.19 mm,测量值波动幅度小,标准差为0.3454 mm。通过该系统L值,可以对纯铜片等被测物体的面内位移进行测量。