关键词： 输电线路   螺栓缺销   故障检测   YOLOv8s   协同注意力   C2f_DASI   逆卷积  

摘要： 针对无人机采集的输电线路螺栓图像目标占比小、背景复杂,导致螺栓缺销故障检测精度低的问题,提出一种基于改进YOLOv8s的输电线路螺栓缺销故障检测算法。在YOLOv8s的基础上改进目标检测层,通过增加上采样的倍数来提升模型对小目标特征的获取能力;其次构建协同注意力模块,突出螺栓目标尺度信息的同时弱化背景信息,进一步增强复杂背景下目标检测的能力;随后设计C2f_DASI模块,丰富目标特征的语义信息,并提升网络处理复杂特征的非线性映射能力以及整体的特征表示能力;最后,通过引入逆卷积模块调整卷积核大小来降低模型计算的复杂度。实验结果表明,相比于原模型,改进后模型平均精度均值提升了5.8%,在螺栓缺销故障检测方面的平均精度、召回率和准确率分别提升了11.6%、6.0%、4.1%,能够有效地检测出输电线路螺栓的缺销故障。

关键词： 安全帽佩戴检测   Enhanced-YOLOv5s   目标检测   CBAM   ECA   智慧工地  

摘要： 针对施工现场人员安全帽佩戴情况检测困难、传统人工巡检效率低、主观性强等问题,亟需设计一种智能化解决方案。本研究旨在设计一种高效的安全帽佩戴检测算法,以提升施工安全监管的智能化水平。以YOLOv5s目标检测框架为基础,针对施工现场小目标检测精度低、遮挡干扰严重等特点,在YOLOv5s网络中引入卷积块注意力模块(CBAM)与高效通道注意力模块(ECA),构建Enhanced-YOLOv5s模型;自建施工场景图像数据集,采用mAP、Precision、Recall等指标评估模型性能。实验结果表明,Enhanced-YOLOv5s模型在保持网络轻量化的同时,显著提升了特征提取能力与检测鲁棒性,尤其在小目标检测精度与稳定性上表现优异,可实现对安全帽佩戴情况的高效检测。该算法为智慧工地安全监管提供了切实可行的技术路径,对深度学习目标检测算法在工业场景的应用推广具有参考价值。

关键词： 野生菌   目标检测   YOLOv8   多头自注意力机制   CIoU   C2f  

摘要： 针对野生菌种类繁多,传统的人工识别准确率低、效率低下的难题,提出了一种基于YOLOv8的野生菌分类新方法;引入C2f-MSBlock卷积,更好地获取野生菌的多尺度特征,减少了计算成本;引入多头自注意力机制模块,避免模型陷入局部最优从而提升分类模型的精度;针对传统检测头难以有效捕捉野生菌在菌伞和斑点等细节上差异的问题,提出了一种不对称双检测头的方案;针对边界框回归中出现的损失问题,引入了Inner-CIoU损失函数,使得模型可以灵活调整边界框的尺度大小,减少了边界框损失;实验结果表明,在野生菌分类任务中,相较于野生菌领域最优的3DRe-OLO算法,改进后方法使mAP@0.5提升了0.3%,精确率提升了1.2%,召回率提升了0.3%,验证了改进的有效性。

关键词： 图像处理   机器视觉   PCB裸板   缺陷检测   AOI   胶路检测  

摘要： 印制电路板是现代电子制造业的基石,承担着实现信息化与自动化电子产品功能及连接的核心任务。在印制电路板的生产过程中,由于存在机械结构、板材质等客观因素的影响,线路缺损等问题时有发生。为解决这一问题,引入了机器视觉检测技术。通过该技术可快速对PCB裸板进行缺陷检测,使生产人员能实时获取胶路检测的反馈信息,进而优化生产工艺,提高生产效率并提升产品质量。

关键词： 自动驾驶   YOLOv8   多分支辅助特征金字塔网络   PIoUv2损失函数  

摘要： 自动驾驶场景下的目标检测面临复杂环境干扰、多尺度目标分布及目标遮挡等挑战,现有算法在特征融合能力、细节表征精度和定位回归性能方面仍存在不足。为此,提出了一种改进的YOLOv8检测算法DMP-YOLO。使用多分支辅助特征金字塔网络(Multi-Branch Auxiliary Feature Pyramid Network, MAFPN)优化原颈部结构,增强复杂交通场景中的多尺度特征融合能力;在骨干网络中提出C2f_DEConv模块,将标准卷积替换为细节增强卷积(Detail-Enhanced Convolution, DEConv),通过高频特征保持与局部纹理强化,显著提升对小尺度车辆及遮挡目标的细节捕捉能力;引入PIoUv2(Powerful Intersection over Union version 2)损失函数优化改进边界框损失,通过动态尺度敏感因子与几何约束优化,改善目标边界框的回归精度。在KITTI数据集上的实验表明,DMP-YOLO的各项性能指标都有显著提升,其中mAP@0.5达到89.0%,较基线YOLOv8提升了2.6个百分点,mAP@0.5:0.95提升了2.9个百分点,为自动驾驶场景下的高精度实时检测提供了有效解决方案。

关键词： 光伏组件   积尘堆积   计算机视觉   图像处理   OpenCV   HSV颜色空间  

摘要： 针对光伏组件非均匀积尘识别问题,文中通过实验室内搭建的模拟平台,构建包含不同积尘等级的光伏组件表面图像数据集,依据积尘颜色特征建立多级积尘程度划分模型,进而提出了一种基于HSV颜色空间的光伏组件非均匀积尘识别与量化方法。结果表明,相较于K-means聚类与灰度阈值分割法,该方法在组件和整体的分类精度(CPA)上分别提升54.25%和64.2%,交并比(IoU)分别提升35.9%和27%,显著提升了分割性能。该方法利用计算机视觉,为光伏电站的智能状态监测、发电效能精准评估及清洁策略优化提供了可靠的理论支撑与技术方案。

关键词： 自动驾驶感知   多视角感知   目标检测   3D感知  

摘要： 感知系统作为自动驾驶的关键组成部分,直接影响车辆对周围环境的理解,是实现安全可靠自动驾驶的基础。相比传统2D图像检测感知技术提供的有限信息,3D感知可以提供更丰富的感知数据,但也存在空间信息融合不充分与时序信息利用不足的关键问题。提出一种融合时空信息的多视角3D感知网络,该网络包括多视角环视3D感知网络与时空融合网络MVSPNet。多视角环视感知网络可以通过精确的空间视角转换,高效地融合多相机图像数据,以构建统一鸟瞰图空间表征,实现多个相机数据的空间对齐和融合。相较于当前先进的单目基准模型FCOS3D,所提出网络的全类平均精度mAP达到了0.343,相对提升了14.7%。时空融合网络MVSPNet可以实现时序上多视角的图像融合,融合多帧数据,进一步显著提升了网络性能,融合2帧时序数据,mAP进一步提升了10.2%。实验结果充分证明了所设计的网络在有效融合多视角空间信息与时序信息方面的先进性,为提升自动驾驶系统在动态复杂场景下的3D感知提供了有效的解决方案,对推动安全、可靠的自动驾驶技术发展具有重要意义。

关键词： YOLO   信号灯检测   目标检测   数据增强  

摘要： 交通信号灯识别是自动驾驶中的核心技术之一。但现有方法在光照变化、远距离小目标、遮挡等复杂环境下的表现难以满足实时性和鲁棒性的要求。为此,研究基于YOLO算法,提出了一种高效的交通信号灯目标检测方法。首先,对数据集预处理,再分别训练YOLOv8和YOLOv5模型,并基于F1曲线、PR曲线及多种评估指标进行性能对比。实验结果表明,YOLOv8在精确率、召回率和平均精度均值等指标上均优于YOLOv5,展现出较好的检测准确性和鲁棒性。该研究验证YOLOv8在自动驾驶信号灯检测任务中的优越性,可为复杂交通场景下的安全驾驶提供技术支持参考。

关键词： 计算机视觉   深度学习   粮油   无损检测  

摘要： 粮油安全是重要的食品安全问题之一,在全球范围受到广泛关注。因此,快速、准确、高效的检测技术对于保障粮油安全至关重要,而传统粮油检测方法存在耗时长、主观误差大、实时性差等缺点,难以满足消费者对食品品质的高要求,计算机视觉和深度学习的结合为粮油检测提供了快速、高效、非破坏性的解决方案。本文首先介绍了深度学习和计算机视觉的基本原理及其在食品检测中的优势,重点分析了卷积神经网络、长短期记忆网络、生成对抗网络等算法在粮油检测中的应用案例,展示了这些技术在提高检测精度和效率方面的显著效果,总结了计算机视觉和深度学习在粮油及其制品无损检测中的应用进展。并从优化模型鲁棒性和可解释性、开发轻量级模型以适应资源受限的检测环境等方面讨论了在粮油安全领域应用中存在的局限性和未来发展趋势,旨在推动食品检测技术向更高效、精准的方向发展。

关键词： 深度学习   目标检测   合成孔径雷达(SAR)   轻量化网络结构   模型剪枝  

摘要： 复杂合成孔径雷达(synthetic aperture radar, SAR)影像场景下准确高效的目标检测算法能够提升监测装备的感知能力。针对海上复杂环境SAR图像舰船目标漏检、错检问题严重,提出了一种轻量级视觉感知模型DH-YOLO(double detection head-YOLO)。首先,提出了低维双检测头网络结构,解决SAR图像舰船小目标随着卷积导致的特征丢失问题;然后,提出了cosN-IoU(cosine normalized intersection over union)损失函数,设计新的锚框角度损失度量方式,并引入调节因子提高正样本的贡献。最后,提出了基于特征空间相似度的剪枝算法,依据滤波器相似度为可替换指标,完成网络特征信息剪枝,提高算法推理速度,实现轻量化处理。相较于当前主流算法,DH-YOLO在各方面均取得了不错的成绩,精度明显提高并且模型体积可压缩至190 kB,模型推理时间可降低至3 ms以下,能够满足SAR图像实时舰船目标检测。