关键词： 深度学习   目标检测   数据集   YOLOv8  

摘要： 针对复杂交通监控场景下现有方法在车辆检测任务上检测精度差的问题,文章提出一种基于改进YOLOv8s模型的高精度车辆检测方法RMT-YOLOv8s,使用RMT替换YOLOv8s的骨干特征提取网络,增强模型对复杂场景图像的特征提取与表示能力;在特征融合和增强阶段引入混合域注意力方法CPCA,利用视觉注意力机制CPCA分层细粒度地提取与增强车辆特征,增强模型的特征融合和增强能力。在UA-DETRAC数据集的实验结果表明,RMT-YOLOv8s在准确率、召回率、mAP@0.5以及mAP@0.5:0.95指标分别能达到98.1%、98.0%、98.9%和93.8%,相较于基准的YOLOv8s模型,其四个指标分别涨点1.9%、2.7%、1.5%和3.0%,有效增强了模型在不同场景下的车辆目标检测能力。

关键词： 机器视觉   深度学习   目标检测  

摘要： 【目的】利用视觉检测技术对挖掘机作业区域进行分析,以保证施工作业效率和安全。【方法】研究采用了SGBM匹配算法,并将其与YOLOv5目标检测算法相结合,构建了一种综合的图像检测框架。通过构建专门的数据集并进行训练,研究确定了符合检测要求的图像检测模型,并输出了二维图像检测框和图像特征。【结果】所提出的方法具有很高的性能表现,精确度达到98.3%,召回率达到96.4%,平均精度为98.7%。【结论】该方法能够满足目标检测的高准确度要求,可有效检测挖掘机作业过程中的工作环境并识别装载车辆,可为挖掘机作业过程的自动化提供可靠的技术支持。

关键词： 水下自主航行器   坐落式回收   深度学习   特征点提取   位姿估计   目标检测  

摘要： 自主水下航行器(AUV)在任务进行过程中或完成后需通过自主回收实现能源补充与数据下载等操作,是否能进行高效、精准地回收引导决定了AUV的回收效率,成为其能否广泛应用的关键.针对AUV坐落式回收过程中的近距离光学引导定位问题,提出一种基于深度学习的单双目位姿测量算法.首先,面向恶劣的水下光学成像条件,结合暗通道先验去雾和YOLO v9目标检测网络,实现一种可适应不同水质、光照强度且鲁棒性强、可靠性高的引导光源提取算法.同时,针对回收过程中的特征匹配问题,设计一种不依赖于AUV速度的全向特征匹配算法,实现3D-2D特征匹配.此外,针对坐落式回收典型的多阶段引导特点,分别基于PnP原理和SVD分解设计面向不同阶段的单、双目引导定位算法.最后,基于多次仿真和实物实验,验证算法在精确位姿估计方面的可行性和有效性.

关键词： 遥感影像   目标检测   轻量级模型   YOLOv5   MobileNetv3  

摘要： 针对低功耗场景下实施遥感影像地面目标实时检测问题,基于YOLOv5s提出一种轻量化改进模型。以使用ECA模块作为注意力结构的MobileNetv3代替CSPDarknet53作为骨干网络进行特征提取,同时将所有骨干网络输出的特征图送入融合网络中来获取信息更为丰富的特征图,并使用改进K-means++算法来进行锚点框聚类。以开源数据集为基础构建训练数据集,并通过多种策略进行数据增强来克服正样本的长尾分布问题。实验结果表明,本文模型对遥感影像中不同尺度的目标均能实现高精度检测,并且在多种环境中均表现出良好的泛化能力;同时,本文模型占用内存小,能够部署在低功耗硬件环境中对遥感影像内的多类地面目标开展实时检测。

关键词： YOLOv7网络   变压器套管   红外图像   目标检测   智能诊断  

摘要： 为提升变电站套管红外图像智能诊断效果,提出构建一个基于改进YOLOv7网络的变电站套管红外图像智能诊断模型。首先,在YOLOv7基础检测网络的基础上对其特征提取模块进行改进,以提升其目标检测速率;然后在YOLOv7网络中引入卷积注意力机制模块注意力机制,以提高网络检测精度;最后将改进的YOLOv7网络用于变压器套管红外图像的智能诊断。结果表明:在参数量为1200时,改进YOLOv7模型的平均精度值、每秒帧数和每秒浮点运算次数分别为96.6%、30帧/s和8次,均优于其他检测模型。将本模型部署至智能诊断系统中后,可有效提升变电站套管红外图像目标检测速率和精度,证明本模型可实现套管红外图像发热缺陷故障诊断,具备有效性。

关键词： 智能视频监控   安全监测   目标检测   GOTURN   区域入侵检测  

摘要： 针对检修车间面临的危害设备和人员安全的入侵行为,传统的视频监控方法不仅耗费大量人力资源,而且效率低下。为解决这一问题,结合目标检测与目标跟踪任务,该文提出了一种基于YOLO与GOTURN的检修车间入侵检测方法。首先由PTZ球机采集视频,再经过YOLO目标检测和GOTURN目标跟踪,得到人员边界框坐标并通过检测点的相对位置分析得出是否存在入侵行为。实验数据表明,基于YOLO和GOTURN的检修车间入侵检测方法相对于其他方法具有较高的准确率,在实际的检修车间入侵检测系统中设定IoU阈值为0.5时,人员跟踪准确率达到90%以上,检测精度达到了93.84%,并且能够有效判断入侵行为。

关键词： 配网操作机器人   视觉引导   深度学习   图像处理  

摘要： 针对配网的带电搭线作业,提出了一种可适用于配网作业机器人的基于视觉引导的自主搭线方法。通过配网操作机器人的摄像头采集高空高压带电作业的隔离刀闸、避雷器、跌落式熔断器以及拆搭引线等元器件的图像信息,对图像进行数据处理、分析,以此作为配网操作机器人自主定位元器件位置信息的依据,通过实时的深度学习及图像处理技术能够发现任务元器件,定位元器件的搭线区域空间坐标信息,并反馈给配网操作机器人自主完成依据设定工序的带电作业任务。通过M3D-RPN的3D目标检测网络实现配网的作业元器件实时精准检测与定位功能,并反馈给配网操作机器人目标的搭线区域空间坐标,完成作业任务。

关键词： 长输管道   高后果区   YOLOv5s   目标检测   智能识别模型  

摘要： 针对目前长输管道高后果区识别效率低,需耗费大量的人力、物力和时间成本,该文借助目标检测算法YOLOv5s,利用遥感影像及无人机航飞影像数据,结合高后果区识别规范,对不同类型的高后果区建立高后果区智能识别模型,通过评估,模型准确率和召回率均达到90%以上,能有效识别高后果区。又以国内某管道高后果区为例,进一步验证模型的有效性,数据表明,该模型智能识别出的高后果区信息与传统人工辅助识别信息一致,能满足长输管道高后果区自动识别的实际需求,为高后果区风险管理提供及时准确的数据支持,为高后果区识别的自动化、智能化管理开拓新思路。

关键词： YOLOv8   目标检测   可变形卷积   BiFPN   轻量化  

摘要： 工业场景下的布匹缝头检测在纺织应用领域越来越重要。然而,缝头检测面临着小目标尺寸、可利用特征少、复杂多变的环境因素等挑战,难以保证稳定且实时的检测的效果。针对这一系列问题提出一种基于改进YOLOv8的布匹缝头检测算法YOLOv8-DVB。根据Deformable Convolutional Networks v4的特点优化C2f模块,提出一种多尺寸特征采样的C2f-DCNv4模块,强化网络对不同尺寸特征信息的提取。在颈部网络,采用BiFPN结构作为特征融合的方式,通过引入自上而下和自下而上的双向通路,使得不同尺度的特征可以在多层次上进行更充分的融合。其次,引入更高效的VoV-GSCSP模块轻量化特征融合网络,帮助颈部网络降低计算量和参数量,减少计算负担。最后,设计一个专门的小目标检测层,优化小目标的特征提取。通过实验对YOLOV8-DVB模型与原模型以及YOLOv5、YOLOv7、和Faster R-CNN等进行比较,验证模型的检测准确率和检测精度。实验结果表明,该方法在自建数据集上获得84.7%的检测准确率,相比于原模型和其他网络模型都有着更高的准确率,能够快速有效的在复杂的工业生产环境中准确的检测到目标类别和位置。