关键词： 场景结构知识   大模型   分割一切模型   协同显著性目标检测   深度学习  

摘要： 现有的协同显著性目标检测(CoSOD)方法通过挖掘组内一致性与组间差异性来学习判别性表征,这种范式因缺乏语义标签的引导导致所学表征的判别性受限,难以应对复杂的非协同目标的干扰。为了解决这一问题,提出一种新的场景结构知识增强的CoSOD模型SSKNet。SSKNet利用大模型mPlug构建目标间场景结构语义关系并通过分割一切模型(SAM)将这种结构语义关系转移到最终的协同显著性结果中。具体来说:首先,为了学习语义知识,引入图像场景理解大模型,对图像组中的图像进行理解,并得到表示结构语义的文本描述组,这些文本描述组以文本的形式描述图像的显著内容;接着,为了获取协同显著信息,设计协同提示提取(CoPE)模块,通过在一组描述文本中使用协同注意力机制获取协同显著文本;最后,为了将协同显著文本转化为协同显著掩码,引入SAM,将协同显著文本以文本提示的方式引导SAM分割协同显著目标,获取最终的协同显著检测掩码。在3个公开数据集CoSal2015、CoCA和CoSOD3k上的实验结果表明,SSKNet模型的综合评估指标Fβ的取值分别为0.910、0.750和0.887,达到了先进水平。

关键词： 红花   目标检测   改进YOLOv5   数据增强   非结构环境  

摘要： 为实现农业非结构环境下采摘机器人对红花的准确识别,提出了一种基于改进YOLOv5的红花目标检测算法。将CBAM注意力机制嵌入到YOLOv5网络,提高了小尺寸目标物在高层次特征中的表现力;建立一种Alpha-IoU目标位置损失函数对原损失函数GIOU存在的梯度消失问题进行改进,提高了被遮挡红花的预测率,并通过在目标检测网络中增加分割检测模块,提高宽和高小于最低像素的小目标物检测精度,利用图像扩增数据集对改进后的YOLOv5算法进行训练,再分别与改进前后YOLOv5网络和Faster R-CNN网络在不同红花品种、不同自然光照情况、不同天气条件和不同遮挡情况下进行对比。试验结果表明:改进后的YOLOv5算法P值、R值分别为90.45%和0.90,对非结构环境下盛开期的未采摘红花mAP值达到94.48%,在不同影响因素下都可以准确识别出红花且置信度较高,可为红花采摘机器人自动化作业中的红花识别提供技术支持。

关键词： 振动舒适度评估   人行桥   计算机视觉   全路径   分段光流法   MMTracking  

摘要： 针对当前结构振动舒适度评估方法和标准只考虑结构响应而忽略结构主要使用者(人)的感受,或仅以结构的振动响应代替行人的实际感受来进行振动舒适度评估,以及传统采集方法不能同时实现结构和人的数据采集的现状,建立一种基于计算机视觉的激励‐传播‐感知全路径人行桥振动舒适度评估方法。方法采用计算机视觉技术获取行人激励下人行桥和行人的运动视频,利用分段光流法和MMTracking算法获取二者的振动响应,通过提取和转换获取相应的行人加速度,进而以加速度均方根值对人行桥振动舒适度进行评估。为验证方法的可行性和准确性,在实验室人行桥模型上进行相关试验。结果表明,基于计算机视觉的方法能够同时实现行人和人行桥响应的非接触测量,并具有较高的精度,而全路径人行桥振动舒适度评估方法比常规只将结构振动响应作为或代替行人实时响应来进行振动舒适度评估更加合理。

关键词： 弧光检测   受电弓   深度学习   图像处理   实时监控  

摘要： 随着高速铁路技术的迅猛发展,受电弓的安全运行成为确保动车组稳定供电与高效运行的关键。针对受电弓运行过程中可能发生的弧光现象,本研究开发了一套基于深度学习技术的弧光检测系统,旨在实现受电弓安全性的实时监控。该系统通过分析高速摄像机捕捉到的视频数据,利用图像处理技术自动为图像标注“电弧”或“非电弧”,有效降低了数据处理难度。此外,通过关键帧提取和差分技术,本系统显著提升了数据处理效率,减少了对计算资源的需求。实验结果证明,该检测系统能够准确地识别出电弧现象,为评估受电弓的安全状态提供了强有力的技术支持。未来的研究将致力于模型的进一步优化,特别是提升系统在极端环境条件下的适应性和检测准确性,并探索减少硬件成本的方法。本研究不仅对提升铁路运输安全性有着重要意义,也展现了该技术在电力工业和化工产业等其他领域的安全监控潜力。

关键词： 多尺度特征   深层特征   高效提取   脉冲解耦检测头  

摘要： 由于出色类脑机制和自身节能性,脉冲神经网络(SNN)受到广泛研究,且在目标分类任务中取得显著进展,但其在目标检测领域的研究尚处于初步阶段。针对现有SNN目标检测算法在复杂场景下检测精度低的问题,本文构建了一种深层特征高效、轻量提取的脉冲神经网络目标检测架构——ES-YOLO。该架构提出了高效特征提取模块(SDF-Module),并结合多尺度特征提取的空间金字塔设计,显著提升了模型在复杂目标检测任务中的性能。此外,通过引入脉冲解耦检测头,进一步优化了模型的检测精度和实时性。实验结果表明,在VOC2012数据集上,ES-YOLO模型获得了60.5%的mAP@0.5和37.1%的mAP@0.5:0.95的性能指标,相比EMS-YOLO分别提升了4%和3.7%。该模型不仅缩小了与同等架构ANN模型的性能差距,而且整体能耗为同等架构ANN的1/5。为后续SNN在目标检测任务中的广泛应用提供支持。Due to the outstanding brain-inspired mechanisms and energy efficiency, Spiking Neural Networks (SNN) have garnered widespread attention and achieved significant progress in object classification tasks. However, research on SNNs in the field of object detection remains in its early stages. To address the issue of low detection accuracy of existing SNN-based object detection algorithms in complex scenarios, this paper proposes a novel, deep-feature-efficient and lightweight SNN-based object detection architecture—ES-YOLO. The architecture introduces an efficient feature extraction module (SDF-Module) and incorporates a spatial pyramid design for multi-scale feature extraction, significantly improving the model’s performance in complex object detection tasks. Furthermore, by integrating a spiking decoupled detection head, the model’s accuracy and real-time performance are further optimized. Experimental results on the VOC2012 dataset demonstrate that the ES-YOLO model achieves 60.5% mAP@0.5 and 37.1% mAP@0.5:0.95, representing improvements of 4% and 3.7% respectively compared to EMS-YOLO. The model not only reduces the performance gap between SNNs and equivalent ANN models but also achieves overall energy consumption that is only 1/5 that of the equivalent ANN architecture. This work provides support for the broader application of SNNs in object detection tasks in the future.

关键词： 人工智能时代   测绘遥感技术   图像处理  

摘要： 为解决传统测绘遥感效率低、精度差等问题,以智能化测绘遥感工程为例,对人工智能时代下的测绘遥感技术进行研究,提出基于机器学习,加强测绘图像识别;利用机器视觉,进行图像处理;采用深度学习,开展目标检索等方法处理遥感数据,以期为智能化测绘遥感工程提供技术参考。

关键词： 安全工程   电网登高作业   违章作业   目标检测   幽灵模块   注意力机制  

摘要： 电网登高作业众多,登高违章易造成高处坠落等严重事故。构建了轻量化且高精度的登高违章作业检测模型,以实现对不安全行为的高效检出。首先,基于YOLOv8算法框架构建基础网络模型,之后在颈部网络中引入幽灵模块(Ghost module),以构建轻量化模型;其次,在主干网络中引入高效多尺度注意力模块(Efficient Multi-scale Attention module,EMA),在保证轻量化基础上,提高模型精度;最后,基于网络层次分析法和模糊综合评价法,将孤立的不安全行为融合为登高作业综合评价体系。结果表明:相较于基础模型,本模型准确率提高3.3%,召回率提高9.9%,均值平均精度(mean Average Precision,mAP)mAP@50提高8.4%,mAP@50:95提高4.6%;在轻量化方面,参数量降低17.6%,计算量降低11.1%,模型所占存储容量降低16.1%,且漏检情况有所减少。

关键词： 机器视觉   缺陷检测   图像处理   卷烟  

摘要： 针对目前烟支表面缺陷检测中存在的可检类型单一、检测速度慢、准确率低等问题,设计了一种基于机器视觉的烟支缺陷检测系统。使用最大类间方差法(OTSU法)的类别方差作为判断依据,计算最佳分割阈值,并结合Canny算子优化其边缘。划分出感兴趣区域(ROI)之后采用使用基于形态学的Blob区域分析算法提取缺陷并进行判断是否剔除。以输送模块、图像采集模块、逻辑运算模块、剔除模块构建烟支缺陷检测系统。经实验验证,在实际加工条件下,该系统能有效检测出卷烟表面上的折痕、破损、脏污、水松纸错牙、爆口等缺陷,准确率可达98%,可以满足对工业生产线的在线检测要求。

关键词： 深度学习   轻量化   目标检测  

摘要： 为解决YOLO算法难以兼顾模型轻量化与高精度的问题,提出了基于轻量级骨干网络的目标检测算法。首先,利用复杂度更小、特征提取能力更高效的MobileNetV2轻量化YOLOV5的骨干网络,减少原网络的复杂度和冗余;然后提出融合深度可分离卷积与大核卷积的特征图金字塔模块,实现空间维度和通道维度信息的转换,高效增加目标感受野,避免小卷积核的低效堆叠,从而提升网络特征提取能力;最后,通过引入CIOU优化激活函数,增加检测框尺度的损失,获取更为准确的预测框,提升网络检测精度。在VOC数据集和COCO数据集上对提出算法进行验证,实验结果表明提出算法在保持较小参数量与计算量的同时具有更高的检测精度。

关键词： 发动机探伤   图像处理   神经网络  

摘要： 发动机作为现代机械系统的核心,其运行可靠性直接关系到整体性能的优劣。发动机故障不仅可能造成巨大的经济损失,更可能引发严重的安全事故。因此,对发动机进行及时的探伤检测与故障类型识别,不仅具有重要的理论价值,也具有显著的工程应用意义。本文系统探讨了现有发动机探伤识别方法,包括传统的基于物理特性的检测技术和基于图像处理的识别方法,同时重点研究了基于神经网络等新兴技术的应用前景,为推动探伤技术的智能化发展提供了理论支撑与实践指导。