关键词： 深度学习   变电站   仪表   YOLOv5  

摘要： 在建设智能化变电站中,高效准确的测量仪表是必不可少的一环。在变电站内,由于工作环境的复杂性,使得移动侧设备难以实现对多类小目标的快速准确检测。针对仪表对象高度相似性的问题,本文研究提出了一种利用轻型SS-YOLOv5型网络进行功率仪表探测的新方法。该方法基于YOLOv5,利用轻量化的ShuffleNetV2对其进行结构优化,并运用可分割的深层卷积来抽取仪表的数据减少在融合过程中的运算复杂性,从而加快识别的速度。采用移动窗模型与Swin Transformer相结合的方法,使整体与局部的信息相互融合,提高了图像的特征抽取性能。在此基础上,通过自行搭建的变电站仪表影像库,对模型进行测试与验证。试验证明,该方法在检测压力计、电流表、电压表等仪表图象时,其所需的模型参量可降低92.1%,而对物体探测的速率提高44.1%,从而形成1套实用方法,促进我国电力系统的信息化和智能化建设。

关键词： 深度学习   图像处理   改进的YOLOv5s   交通标志   小目标检测  

摘要： 针对复杂道路交通场景中交通标志检测识别精度低的问题,提出了一种改进YOLOv5s算法的目标检测识别方法。采用迭代自组织数据分析算法对TT100K数据集进行聚类分析选择更适合的先验框,新先验框能够更加全面地覆盖交通标志的尺寸,提高模型的检测精度;对特征图进行上采样操作,获得更大尺度的特征图后与主干网络特征图融合,得到特征信息更加丰富的新特征图用来小目标的检测识别,提高了小目标检测识别的精度;用真实框和先验框宽比和高比的差值替代真实框和先验框宽高比的差值对定位损失函数进行改进,解决了宽高比相同但实际尺寸不同时惩罚消失问题。实验结果表明改进算法与YOLOv5s算法相比,提高了9.55%的平均精度均值,对小目标的检测识别具有更好的效果。

关键词： 船舶通航   目标检测   注意力机制   空洞卷积  

摘要： 为提升船舶在通航场景下对海上目标的识别效果,保障其航行安全性,针对传统目标检测算法存在的漏检和误检问题,提出一种改进的海上目标检测算法。基于主流的目标检测算法YOLOv5,通过引入有效挤压激励(EffectiveSE)注意力机制、多尺度上下文增强模块和多梯度路径卷积结构等3种手段对该算法进行改进。采用通航船舶采集的海上目标图像数据集进行消融试验,结果表明,3种改进手段均能有效提高模型的识别精确率和召回率,明显改善原算法存在的漏检和误检问题。对该改进算法与其他常用的海上目标检测算法进行对比试验,结果显示,改进后的算法对海上目标的平均识别准确率可提升至89.6%,单帧图片检测时间为8.6ms,相比其他算法检测效果明显提升。改进算法提高微小目标识别精度,实现对通航环境下海上目标的实时高精度检测,满足实时目标检测需求。

关键词： 深度学习   目标检测   YOLOv5   道路场景   自动驾驶  

摘要： 自动驾驶中的目标检测作为现今计算机视觉的基础任务之一,近年来受到了人们的广泛关注,而道路场景的目标检测与识别又是自动驾驶中最核心的模块之一.YOLOv5(YOLO-YouOnly Look Once)目标检测算法常用于对车辆行驶过程中的道路场景目标进行检测和识别,该算法通常可以获得优异的检测速度,但在检测精度上却差强人意.基于YOLOv5模型进行改进,针对损失函数CIoU可能会导致梯度爆炸的问题,将损失函数由CIoU改为EIoU,使得检测准确性有所提高;运用多尺度特征融合的方法加入超小检测头模块,将原始网络模型从3检测头变为4检测头,并通过K-means聚类方法,选取了三个最适合数据集的候选框大小,解决了原始模型对微小目标检测不准确的问题.在VisDrone2019数据集上进行训练,最终模型网络的mAP-50可以达到42.8%,相比于原始模型提升了7.6%,实验结果表明提出的方法相较于YOLOv5原始模型更适用于道路场景的目标检测与识别任务.

关键词： 可见光-红外目标跟踪   显著内容感知   相关滤波   深度特征   特征融合  

摘要： 为解决当前可见光和红外(RGB-thermal-infrared,RGB-T)视频的目标跟踪方法中目标矩形框不能很好地指明目标形状,使得跟踪器参数训练未能充分关注目标部分,以及单层深度特征难以兼顾类别语义信息和空间结构信息的问题,提出一种显著内容感知的深度特征融合RGB-T目标跟踪算法.首先针对可见光和红外2种模态,提取并融合目标的显著图;然后根据融合显著图优化空间正则项权重系数图,加强显著区域中训练样本对滤波器训练的影响;最后采用预训练的卷积神经网络分别提取2种模态的多层深度特征,这些特征包含了丰富的类别语义信息和空间结构信息并在响应图阶段融合.在RGB-T跟踪数据集GTOT和RGBT210上的实验结果表明,该算法在跟踪精度上达到88.4%和72.7%,在跟踪成功率上达到71.9%和51.0%,与现有算法结果对比,验证了该算法的有效性.

关键词： 授粉机器人   末端执行器   设施番茄   目标检测  

摘要： 随着农业现代化理念的不断推广,中国设施农业栽植面积在不断扩大,已居世界前列。番茄作为设施农业中重要的经济作物之一,及时、高效、细致地对番茄花授粉是促使优质番茄生长的关键。目前设施番茄主要通过人工进行授粉作业,劳动力占比大、投入成本高。随着机器学习、机器视觉、互联网等技术的快速发展,授粉机器人将成为代替人力劳作、提高生产效率的关键技术。为全面、深入地了解设施番茄精准授粉机器人的发展现状及未来趋势,对国内外授粉机器人的发展应用情况进行概述,对设施番茄花朵的目标识别、检测等关键技术进行分析,概况了番茄授粉末端执行器的种类及结构,总结了目前采摘末端执行器研究中出现的问题并提出解决方案,并对液态喷雾式授粉末端执行器的发展及实用性做了分析讨论。最后对现今设施番茄授粉机器人末端执行器发展所遇到的共性问题做了分析和展望。

关键词： 图像处理   图像识别   目标检测   YOLOv8  

摘要： 针对鱼类目标检测存在精度低和计算量大的问题,提出了一种基于改进YOLOv8模型的轻量化鱼类目标检测方法YOLOv8-FCW。首先,引入FasterNet中的FasterBlock替换YOLOv8中C2f模块的Bottleneck结构,减少网络模型的冗余计算;其次,引入注意力机制CBAM(Convolutional Block Attention Module),实现高效提取鱼体特征,提升网络模型检测精度;最后,引入动态非单调聚焦机制WIoU(Wise Intersection over Union)替代CIoU(Complete Intersection over Union),加快网络模型的收敛速度,提升网络模型的检测性能。结果显示,与原模型相比,改进YOLOv8-FCW模型精确率提升了1.6个百分点,召回率提升了5.1个百分点,平均精确率均值提升了2.4个百分点,权重和计算量分别减少为原模型的80%和79%。该模型具有较高的精确率和较强的鲁棒性,能够帮助养殖者精确计算鱼群数量,提高养殖效率。

关键词： 桥梁结构   深度学习   目标检测   损伤识别   YOLOv7  

摘要： 为了解决桥梁结构表观损伤检测精度低的问题,提出适合用于检测桥梁各类表观损伤的BDI-YOLO(Bridge Defect Inspection-YOLOv7)目标检测方法。通过无人机采集桥梁结构损伤位置的图像,样本扩增与制作处理成可用于深度学习模型训练的数据集;引入可变形卷积、ECA注意力模块以及改进的双指标损失函数3种改进措施对网络模型进行优化;利用改进后的网络模型对损伤数据集进行训练与预测识别,将识别结果与现有的主流检测方法进行比较与讨论。通过消融实验证明了3种改进方法的有效性,其能够显著提高网络模型的检测精度;与其他检测方法对比,BDI-YOLO实现了更加优秀的精度与识别效果。

关键词： 光学遥感数据   舰船小目标   UPCBAM-RYOLO V5算法   上采样注意力机制   旋转角度  

摘要： 针对光学遥感数据中舰船小目标数量占比大,长宽比大且多个目标紧密排列难以检测的问题,提出一种基于YOLO V5(You Only Look Once V5)的光学遥感舰船小目标检测算法——UPCBAM-RYOLO V5(Upsampling Convolutional Attention Block Module-RYOLO V5)算法。该算法设计了一种上采样注意力机制模块,增强了网络对小尺寸目标特征提取能力,并在边框回归公式中引入旋转角度损失,提高了算法对舰船外观和方向的感知能力。基于GF1、GF2组成的舰船小目标数据集实验,结果表明,UPCBAM-RYOLO V5算法模型提升了舰船小目标检测的定位精度和分类精度,其中P、R、 MAP(Mean Average Precision)值分别达到93%、94%和95%,较传统YOLO V5模型分别提高3%、7%和7%。对网络中上采样注意力机制模块添加位置的消融实验结果表明,相较于在Backbone和Prediction处加入UPCBAM,在Neck处加入UPCBAM对遥感影像舰船小目标的检测影响最大,性能最优,P、R和MAP值分别提高了5%、4%和2%。从而验证了UPCBAM-RYOLO V5模型在光学遥感舰船小目标检测方面具有一定的研究意义。

关键词： 图像处理   焊缝   表面裂纹   图像识别  

摘要： 为提高焊缝表面裂纹的检验效率,有效降低检验成本和高空坠落风险,本文将图像识别技术应用于焊缝表面裂纹识别。针对自然条件下焊缝与图像背景对比度低的特点,提出了基于二维傅里叶变换的焊缝识别技术,实现了对焊缝方向和焊缝宽度的识别,有效降低了图像背景对裂纹识别结果的影响,提高了对焊缝表面裂纹的检出率。通过图像识别实验验证了本文提出的方法可以实现对焊缝表面裂纹的快速、有效筛查。