关键词： 钢轨扣件   目标检测   YOLOv5   注意力机制   卷积网络   轻量化  

摘要： 铁路钢轨扣件的缺陷检测是铁道安全巡检中极为重要的工作之一。为提高钢轨扣件维护工作的效率,基于深度学习的方式进行巡检。而使用当前主流的目标检测模型进行钢轨扣件缺陷的检测时,模型体积大、参数量多等因素导致无法同时平衡检测准确度和速度。采用压缩与激活(SE)注意力机制与坐标注意力(CA)机制组成的双注意力机制对YOLOv5模型进行改进;重新设计网络,选用MobileNetv3作为主干网络,同时引入含有GSConv模块的Slim-Neck结构和轻量级上采样算子,以降低计算成本;将YOLOv5的坐标损失函数修改为SIoU,以提升训练时的收敛速度,使得模型更加轻量化。使用改进后的模型在钢轨扣件数据集上进行测试,结果显示,单张扣件图片的检测时间为53.8 ms,检测速度为17.9帧/s,并且模型大小仅有8.3 MB,符合模型体积小、检测效果佳的要求。

关键词： 漂浮物   自注意力机制   目标检测  

摘要： 针对水上漂浮物图像检测识别任务中传统DETR(Detection Transformer)框架在底层特征处理方面的不足,提出一种基于改进的DETR框架的方法。设计CF-DETR(Context-Free Detection Transformer)模型,以增强底层特征处理能力。在解码器中引入注意力机制,将编码器提取的特征转化为目标检测结果。实验结果表明,改进的模型在检测水上漂浮物时,显著提升了准确率和召回率,在平均精度方面也优于其他目标检测模型。

关键词： 穿墙雷达   分布式雷达   无线组网   信号增强   目标检测   目标匹配   联合定位  

摘要： 超宽带雷达具有抗干扰能力强、穿透性强等特点,被广泛应用于穿墙人体目标探测。单发单收雷达具有体积小、重量轻的优势,但是无法实现目标的二维定位。MIMO阵列雷达能够实现对于目标的定位,但是存在着体积与分辨率之间的相互制约,同时运算时间较长。该文基于分布式穿墙雷达,提出了一种基于分布式雷达的多目标自动检测方法。首先,对回波信号进行时域预处理、时频转换等,基于恒虚警检测的目标距离测量方法获取目标候选距离单元,使用滤波矩阵进行候选信号增强;基于生命信息对增强后信号进行关联,实现目标匹配;最后使用定位模块来实现雷达位置自确定,进而实现生命目标位置的快速、自动检测。为了避免偶发误差对最终定位结果的影响,该文使用定位场景剖分的方法实现穿墙场景下的生命目标二维定位。实验结果表明,该文所提方法可以实现穿墙场景下多目标的检测定位,在实测数据中运算时间为0.95 s,优于其他对比方法4倍以上。

关键词： 模式识别   深度学习   目标检测   YOLOv8  

摘要： 为了使采摘机器人能够在果园复杂环境下(如不同光照条件、叶子遮挡、密集的苹果群和超远视距等场景)对成熟程度各异的苹果果实进行快速且精确的检测,本文提出一种基于改进YOLOv8的苹果果实检测模型.首先,将EMA注意力机制模块集成到YOLOv8模型中,使模型更加关注待检测果实区域,抑制背景和枝叶遮挡等一般特征信息,提高被遮挡果实的检测准确率;其次,使用提取特征更加高效的三支路DWR模块对原始C2f模块进行替换,通过多尺度特征融合方法提高小目标检测能力;同时结合DAMO-YOLO的思想,对原始YOLOv8颈部进行重构,实现高层语义和低层空间特征的高效融合;最后,使用Inner-SIoU损失函数对模型进行优化,提高识别精度.在复杂的果园环境中,以苹果作为检测对象,实验结果表明:本文所提算法在测试集下的查准率、召回率、mAP_(0.5)、mAP_(0.5~0.95)以及F1分数分别达到86.1%、89.2%、94.0%、64.4%和87.6%,改进后的算法在大部分指标上均优于原始模型.在不同数量果实场景下的对比实验结果表明,该方法具有优异的鲁棒性.

关键词： 目标跟踪   运动规划   无人艇   双向拟合算法   保距跟踪   操纵性  

摘要： [目的]针对无人艇在对水面移动船舶进行保距跟踪过程中,由于目标摆脱运动度大且环境中定位精度不足,导致跟踪过程中出现振动与滞后问题,开展无人艇跟踪策略的研究。[方法]首先采用基于多项式和粒子群的双向拟合算法对雷达采样数据进行误差消除;然后基于无人艇与动态目标船的运动态势,以无人艇保距稳定跟踪为导向,规划无人艇航速航向。[结果]实艇试验结果表明,经双向拟合算法滤波后的数据更平滑,符合船舶运动规律;无人艇基于规划的航速航向可稳定跟踪目标船。[结论]该方法能有效满足无人艇稳定跟踪需求,对单目标跟踪具有良好的效果。

关键词： 人工智能   建筑施工   安全管理   深度学习   计算机视觉  

摘要： 正如信息技术和智慧化的发展脚步不断加快,人工智能在指导并加强建筑施工安全的管理方面扮演着日益重要的角色。此研究的主旨,便是运用人工智能之技术,从根本上改进现行的安全监管体系,降低建筑事故的发生,同时提高建筑施工的效率。本文将介绍当前建筑施工安全管理的具体状况和遇到的挑战,同时也为人工智能如何积极改善建筑安全管理提供了深入的解读。充分利用各式各样的现代人工智能技术,如深度学习、自然语言处理、计算机视觉等,这些技术都可以被广泛应用于建筑施工安全管理的各个环节。与此同时,我们也可以通过深度学习预测可能会出现的施工风险,利用自然语言处理技术分析不同的安全报告,以及用计算机视觉识别出施工现场的安全隐患。如此一来,无论是在预防意外事故的发生,还是在提高施工效率和安全性上,都将取得显著的成果。最后,研究结果表明,利用人工智能技术可以有效地预防建筑施工事故,提升施工现场的安全管理水平,大幅提高施工效率,为建筑施工安全管理的未来发展开辟了新的道路。

关键词： 显著性学习   目标检测   幕墙   非规则板材   跨模态融合  

摘要： 针对现有幕墙安装机器人缺乏非规则板材检测能力的问题,提出了一种基于显著性学习的板材检测方法,通过分析板材与背景的显著性关系来定位目标,避免板材纹理、形状、大小等因素对检测精度的影响。该方法基于可见光-深度(red-green-blue depth,RGB-D)双模态特征信息,使用多尺度残差互补模块来抑制跨模态特征的发散问题,并结合多尺度注意力引导模块和融合感知模块以实现精细的显著推理,同时构建了包含180幅RGB-D图像的幕墙板材数据集(curtain wall panel,CWP)来做模型测试。将提出的方法在4个公开数据集进行训练与测试,结果表明,所提算法性能优于8种显著性检测方法。在自建CWP实验测试中,提出的方法在Sα、Fβ、Eξ、MAE指标分别达到0.843、0.802、0.864、0.053,证明了所提算法针对未知的非规则幕墙板材检测具有很好的鲁棒性。

关键词： 目标跟踪   边缘端   Transformer   多头注意力(MHA)   知识蒸馏  

摘要： 目的将面向服务器端设计的跟踪算法迁移部署到边缘端能显著降低功耗,具有较高的实用价值。当前基于Transformer的跟踪算法具有明显的性能优势,然而部署在边缘端时,却可能产生较高的延迟。为了解决这个问题,提出了一种面向边缘端的线性分解注意力(linearly decomposed attention,LinDA)结构,可有效降低Transformer的计算量和推理延迟。方法LinDA将多头注意力近似表示成数据依赖部分和数据无关部分的和:对于数据依赖部分,用简单的向量元素间相乘及求和表示,避免了复杂的转置和矩阵乘法;对于数据无关部分,直接利用统计得到的注意力矩阵,然后加上一个可学习偏置向量。这种分解既具有全局注意力,又保持了数据依赖的优点。为了弥补线性分解带来的精度损失,还设计了一种知识蒸馏方案,它在原始的损失函数上增加了两部分蒸馏损失:1)将真实包围框替换成教师模型预测的包围框作为监督目标,称为硬标签知识蒸馏;2)将教师模型预测得分的相对大小作为监督目标,称为关系匹配知识蒸馏。基于LinDA结构进一步实现了一种面向边缘端的目标跟踪算法LinDATrack,并将其部署在国产边缘计算主机HS240上。结果在多个公开数据集上进行了评测。实验结果表明,该算法在该计算主机上可达到61.6帧/s的跟踪速度,功耗约79.5 W,功耗仅占服务器端的6.2%,同时其在LaSOT和LaSOT_ext上的成功率(success rate,SUC)相对于服务器端基线算法SwinTrack-T最多仅下降约1.8%。结论LinDATrack具有良好的速度和精度平衡,在边缘端具有较大的优势。

关键词： 绝缘子   卷积神经网络   注意力机制   Faster RCNN  

摘要： 电网绝缘子的识别及定位是电网运行状态有效检测的前提,基于无人机拍摄的输电线路复合绝缘子图像,为解决传统人工巡检输电线路安全系数高、作业效率低下的问题,提出了基于改进的卷积神经网络绝缘子设备研究识别的方法。算法通过添加注意力机制CBAM和SENet,实现对输电线路器件定位的有效改进,实验结果表示,改进的模型较之前减少了运行时间,目标检测精度提高了8.2%,有效提高了对输电线路绝缘子检测的性能和鲁棒性,取得了比已有算法更有优势的检测结果。

关键词： 目标检测   注意力机制   多尺度注意力机制   代理注意力机制  

摘要： 阐述一种基于复合注意力机制的端到端目标检测模型。基于复合注意力机制的端到端目标检测方法在性能、速度和效率上都取得了显著提升。整体架构参考了端到端的目标检测模型DETR,编码器结构采用多尺度注意力机制,解码器结构采用代理注意力机制,实现了提高性能和鲁棒性的目标。实验结果表明,模型在准确性和训练成本方面均取得了显著改善。