关键词： 深度学习   目标检测   路面病害   YOLOv5s   可变形卷积   轻量化  

摘要： 针对现有的路面病害检测算法在复杂环境下检测精度低、模型复杂度高的问题,在YOLOv5基础上,提出了一种融合可变形卷积的轻量级路面病害检测算法(lightweight deformable convolution YOLOv5,LDC-YOLOv5)。首先,针对真实路面病害复杂不规整的特点,使用可变形卷积(Deformable Conv)和深度卷积(Depthwise Conv),设计了一种轻量级特征提取模块,代替原网络主干部分的C3模块,使卷积核聚焦在无规则裂缝病害上,增强病害特征提取能力。其次,针对特征融合阶段出现算法复杂度过高的问题,使用轻量级卷积GhostConv,构建一种轻量级特征融合模块,代替原网络颈部网络部分的C3模块,降低网络参数和复杂度;为避免真实路面出现光照不均,出现阴影遮挡路面病害目标而造成的病害漏检的情况,在主干网络部分,引入轻量级注意力机制TripletAttention,增强算法对病害信息上下文之间的理解能力。最后在IEEE公开数据集RDD2022和Kaggle公开数据集Road Damage上进行测试,实验结果表明,与YOLOv5s相比,mAP50在两个数据集上分别提升了1.4%和4.2%,且模型参数量仅为YOLOv5s的67.6%。

关键词： 铁芯振动   声成像技术   变压器   故障检测   声学信号处理   图像处理  

摘要： 铁芯振动声成像技术是一种新兴的变压器故障检测方法,能通过对变压器铁芯振动产生的声波进行分析,实现对变压器内部故障的快速定位和准确诊断。本研究以某电力公司的一台220kV变压器为对象,利用铁芯振动声成像技术对其进行故障检测。首先,通过对变压器运行状态的监测和数据采集,获取了铁芯振动信号的原始数据。然后,利用声学信号处理和图像处理技术,对原始数据进行滤波、降噪和图像重建等处理,得到了变压器铁芯振动声成像图像。最后,通过对声成像图像进行分析和比较,确定了变压器铁芯存在的故障类型和位置。实验结果表明,铁芯振动声成像技术能有效地检测变压器内部的故障,具有较高的准确性和可靠性。因此,铁芯振动声成像技术在变压器故障检测中具有广阔的应用前景,并且可以为变压器的维修和保养提供有力的技术支持。

关键词： 冲压零件   汽车安全系统导向爪   YOLOv5   目标检测  

摘要： 以汽车安全系统导向爪这一冲压零件为研究对象,提出了一种基于YOLOv5的目标检测算法对汽车安全系统导向爪表面缺陷进行检测。首先对原始数据进行筛选,去除无效数据;其次为解决样本不均衡问题,对部分数据进行增广;然后使用LabelImg工具对扩充后的数据集进行标注;接着将标注好的数据集放入模型中进行训练;最后将训练得到的最优权重用于测试。实验证明,YOLOv5的检测效果明显优于Faster R-CNN、SSD、RetinaNet这三种目标检测模型,其mAP可达98.4%,平均检测时间为6.2 ms。基于YOLOv5的缺陷检测方法能够满足实际生产线的检测速度和精度要求,对冲压零件缺陷检测具有重要指导意义。

关键词： 计算机视觉   智能电视   场景识别  

摘要： 随着计算机视觉技术的快速发展,其在智能电视场景识别中的应用展现出巨大潜力,为实现个性化推荐和智能化调节提供了新的可能性。基于此,分析计算机视觉技术在智能电视场景识别中的应用,探讨图像处理、深度学习与特征提取、多模态数据融合技术如何通过识别用户行为和环境条件进行场景分类。通过实验验证,所提方法在多种智能电视使用场景下,均展现出卓越的识别准确率和快速响应能力。

关键词： 显著性检测   自适应感受野   注意力机制   多尺度特征  

摘要： 基于CNN的显著性检测技术已逐渐替代传统的显著性检测技术。现有显著性检测技术大多数不加以区分不同层的特征,对不同层特征以同样方式处理。为了提取丰富的多尺度信息,将主干网络VGG-16分为低、中、高三层,并对不同层特征使用不同的注意力机制;为了提取更多信息,根据输入信息的不同用SK卷积来自适应增大感受野;最后将得到的特征优化后融合。在五个常用数据集上进行测试该模型,并与其他显著性检测算法进行比较。通过定性与定量评估,该模型性能较好。

关键词： 计算机视觉   智能照明   照明系统  

摘要： 城市化进程的加快使得传统照明方式面临着资源浪费、能效低下和用户体验不佳等问题。计算机视觉技术作为新兴的智能感知手段,在动态照明调节方面应用潜力显著。通过对环境进行实时监测与分析,计算机视觉技术能够为照明系统提供更为精确的控制策略,实现对照明强度与色温的智能调节,从而提高能源使用效率,提升用户舒适度。因此,本文将围绕计算机视觉技术在智能照明控制系统中的应用展开探讨,以期为相关领域的技术创新与实践提供新的思路与参考。

关键词： 目标检测   岩石破碎   恶劣环境   边缘增强   颜色校正  

摘要： 岩石破碎作为采矿业中获取有价值矿物的关键环节,其效率与安全性对整个采矿过程至关重要。然而,露天采矿往往面临复杂多变的恶劣环境条件,如极端气候、光照不足、粉尘弥漫等,这些因素不仅显著降低了岩石破碎的效率,还大幅增加了发生安全事故的概率。在此背景下,本文提出一种基于改进YOLOv8n(You Only Look Once)的恶劣环境下岩石检测方法。该方法的核心之处在于:一是在YOLOv8n的主干网络的浅层引入差分边缘增强模块(Detail Enhancement,DE),通过增强检测目标的边缘信息,有效突出岩石在复杂背景中的轮廓特征;二是通过矩阵化颜色校正模块(Matrix-based Color Correction,MCC),构建全局颜色变换矩阵,对输入特征图进行全局颜色变换与局部细节优化,进一步提升特征表达的鲁棒性与准确性。实验结果表明,本文提出的方法能够显著提升恶劣环境下的岩石检测精度,为露天采矿中的岩石破碎作业提供了一种高效、可靠的检测技术。

关键词： 视觉目标跟踪   单流单阶段框架   多尺度特征融合   递归门控卷积   网络初始化  

摘要： 近年来,基于深度学习的目标跟踪网络取得了显著的进展.这些网络主要采用两种类型的框架:双流双阶段框架和单流单阶段框架.然而,前者忽视了在特征提取过程中的信息交互,后者则受限于骨干网络自身的局限性.因此,本文采用独立骨干网络来直接构建跟踪器,并设计了一种轻量化的多尺度特征融合架构,以较低的计算成本增强了网络对多尺度信息的感知能力;同时,引入递归门控卷积作为特征学习单元,以自适应高阶空间交互实现了网络对特征的深层挖掘;此外,本文使用DropMAE预训练模型来进行网络初始化,以提升网络的泛化能力.实验结果表明,所提出的目标跟踪网络在多个大型跟踪数据集基准上都表现出优异的性能,并能以78.4 FPS的速度进行实时跟踪.

关键词： 无人化作战平台   有生目标   人体骨架点   姿态估计   行为预估  

摘要： 针对无人化作战平台在复杂战场难于正确判断有生目标以及目标威胁程度的问题,以HRNet为基线模型,构建人体骨架点检测模型评价指标,引入中继监督学习,并提出了改进通道剪枝方法,以实现有生目标的快速准确检测;采用自顶向下的骨架点组合方法,获得多目标场景下每个目标的行为估计;采集了典型动作下的人体姿态数据,获得行为特征的先验知识,采用多层感知机和径向基核支持向量机,训练获得人员目标行为分类器,并进行了试验验证。结果表明:有生目标的检测正确率和推理速度均得到了有效提高,行为预估准确率≥95%。

关键词： YOLOv7-tiny   合成孔径雷达   舰船检测   小目标检测   软阈值化   轻量化  

摘要： 针对SAR场景的小目标、多噪声、复杂等特征,以及舰船目标场景的优化轻量检测模型需求,基于YOLOv7-tiny框架裁剪与优化,提出了可用于SAR舰船图像的轻量检测网络LW-YOLOv7SAR.它通过重参数化和Shuffle技巧,并结合GhostConv模块去除冗余信息的思想和方法,轻量化了模型,同时增强了模型多尺度信息提取的效率;为了便于部署和移植,模型使用易部署的激活函数hard-Swish和ReLU6.此外,在主干层引入结合空间通道注意力的软阈值化模块,增加了模型的去噪和泛化能力;为了提高小目标的检测精度,在模型中引入了加权的多尺度特征融合.经过理论分析和实验验证发现,对比YOLOv7-tiny, LW-YOLOv7SAR模型减少89%计算量、90%参数量、90%权重文件大小,由于减小了运算量,实现了模型推理时的功耗降低,因此也更符合绿色计算要求;在SSDD数据集上的检测准确率可达97.6%.