关键词： 对抗样本   对抗训练   目标检测   电力巡检   鲁棒性  

摘要： 人工智能技术在电力巡检中的应用是重要的技术革新,特别是基于深度神经网络的目标检测技术,然而研究表明深度神经网络易受到对抗样本攻击,导致目标检测模型做出错误判断,增加电力系统的安全风险。文章面向基于深度学习的目标检测算法的对抗样本防御问题开展研究,致力于提升模型的鲁棒性的同时保持对干净样本的自然精度,提出基于对比学习复用扰动的对抗训练防御策略,利用SimCLR对比学习框架对模型进行对抗训练,使模型从特征层面学习对抗样本和干净样本的一致性,并采用复用扰动策略生成对抗样本,以提高对抗训练的效率。实验证明所提方法成功防御多种对抗攻击并保持对干净样本的精度,有效提升目标检测模型的鲁棒性,适用于在电力巡检领域面对复杂的场景时保持准确输出的能力,有效提升电力巡检的智能化水平。

关键词： 卷积神经网络   自然语言理解   计算机视觉   数据收集   智能时代   AI   智能化发展   安防  

摘要： 在科技迅猛发展的今天,人工智能(AI)正以其强大的力量重塑世界。纵观AI 1.0到AI 2.0的转变过程,AI 1.0以CNN卷积神经网络为核心,开启了感知智能时代,尤其在计算机视觉和自然语言理解领域取得了超越人类的成绩,为安防行业的智能化发展提供了核心动力,注入了新的活力。然而,AI 1.0在应用中也遭遇到一些瓶颈,如高昂的数据收集和标注成本,以及数据集和模型之间的孤立性,限制了其效能。

关键词： 目标检测   光伏故障   特征融合   融合注意力  

摘要： 针对红外图像对比度较低、故障特征不明显的问题,提出全新的融合注意力机制(fusion attention mechanism,FAM),增强有效故障特征信息。创建新的融合金字塔池化(fusion spatial pyramid pooling,FSPP),增强特征提取能力。引入一种改进多层次融合卷积(multi-level fusion convolution,MFConv),利用MFConv构建的多层次跨阶段局部网络(multi-level cross stage partial network,MCSP)模块代替CSP模块,在提高少量模型参数量情况下,增加模型检测准确性。实验结果表明,在IoU阈值为0.5的情况下,该方法的平均精度(mAP)达到了93.1%。为光伏系统提供了可靠、高效的故障检测解决方案,从而使其成为提高系统性能和降低维护费用的实用解决方案。

关键词： 计算机视觉   模式识别   Vision Transformer(ViT)   深度学习   自注意力  

摘要： 视觉Transformer(Vision Transformer,ViT)是基于编码器-解码器结构的Transformer改进模型,已经被成功应用于计算机视觉领域。近几年基于ViT的研究层出不穷且效果显著,基于该模型的工作已经成为计算机视觉任务的重要研究方向,因此针对近年来ViT的发展进行概述。首先,简要回顾了ViT的基本原理及迁移过程,并分析了ViT模型的结构特点和优势;然后,根据各ViT变体模型的改进特点,归纳和梳理了基于ViT的主要骨干网络变体改进方向及其代表性改进模型,包括局部性改进、结构改进、自监督、轻量化及效率改进等改进方向,并对其进行分析比较;最后,讨论了当前ViT及其改进模型仍存在的不足,对ViT未来的研究方向进行了展望。可以作为研究人员进行基于ViT骨干网络的研究时选择深度学习相关方法的一个权衡和参考。

关键词： 机器视觉   休止角   图像处理   最小二乘法  

摘要： 阐述为了实现粒状种子休止角的精准快速标准化测量,将机器视觉技术应用于种子休止角的无接触测量中。整个分析过程包括图像数据采集、算法设计和数据处理、结果分析等环节,验证了通过机器视觉测量粒状种子休止角的可行性。

关键词： 车载毫米波雷达   合成孔径雷达   目标检测   最大稳定极值区域   形态学滤波  

摘要： 为了推进辅助泊车技术,需要向驾驶员提供准确且可视化的行车场景信息。由于车载环境的复杂性以及车载毫米波雷达合成孔径雷达(SAR)图像中干扰信息的杂多,难以直接通过目标分离实现目标检测。文中提出一种基于最大稳定极值区域(MSER)的车载毫米波雷达SAR图像目标检测方法。此方法基于车辆成像后的尺寸的先验信息,通过检测车载毫米波雷达SAR图像MSER区域、划分并标记空闲停车区域向驾驶员提供车位使用情况,利用形态学滤波平滑MSER区域边界,优化目标检测结果。同时,根据检测结果以自适应宽度的矩形框标记目标保证目标检测的准确性。最后通过对实测数据的仿真与分析验证了所提方法的有效性。

关键词： 同步定位与地图构建   动态环境   多视图几何结构   目标检测   特征点   轻量型  

摘要： 目前大多数的SLAM系统主要针对静态场景,然而,在实际环境中不可避免地存在许多动态对象,这将大大降低算法的鲁棒性和相机的定位精度。针对动态对象造成的轨迹偏差问题,文中提出一种结合目标检测网络和多视图几何结构的动态SLAM算法。首先,基于YOLOv5算法框架,将骨干网络CSPDarkNet-53替换为轻量型L-FPN(Lite-FPN)结构,并使用VOC2007数据集进行预训练。与YOLOv5s原始模型相比,新网络的计算量减少了45.73%,检测速率提高了31.90%;然后,将检测物体划分为高动态对象、中动态对象以及低动态对象,利用多视图几何方法计算阈值,并根据阈值对中高动态对象进行二次检测,以决定是否剔除预测框中的特征点;最后,在TUM数据集上的实验结果显示,该方法在定位精度上平均提升了82.08%,证明了其在准确性方面的显著改进。

关键词： 单目3D目标检测   大核卷积   深度可分离卷积   条形卷积   多尺度目标  

摘要： 为了充分利用单目图像提供的特征信息,提出上下文信息增强和深度引导的单目3D目标检测方法.设计高效的上下文信息增强模块,使用多个大核卷积自适应地增强多尺度目标的上下文信息,利用深度可分离卷积和条形卷积操作有效减少大核卷积的参数量和计算复杂度.统计分析3D目标框各个属性的预测误差,发现3D目标框的长度和深度属性预测不准确是导致预测框偏差大的主要原因.设计深度误差加权损失函数,在训练过程中进行目标的长度和深度预测监督,提高长度和深度属性的预测精度,进而提升3D预测框的准确性.在KITTI数据集上开展实验,结果表明,所提方法在数据集的多个级别上的平均准确度高于现有的单目3D目标检测方法.

关键词： 输电线路   外破隐患识别   低误报率   有效区域认知  

摘要： 输电线路作为电能传输的重要载体,其安全稳定运行是保障电力系统稳定供电的基础;而输电通道周围施工机械或人力破坏等因素严重威胁输电线路的安全运行,当前通过杆塔监控装置进行输电通道外破隐患智能检测的方法得到相关领域的广泛关注,但无差别地对采集到的监控图像进行外破隐患辨识会导致大量误报。该文提出一种基于特定区域目标检测的输电通道外破隐患智能识别方法,以实现对于输电通道周围有效范围内外破隐患的低误报率辨识。利用双阶段的目标检测方法捕获图像中的所有外破目标;利用直线检测得到输电线路的位置,并据此求得输电通道的有效范围,从而实现对于外破目标的有效范围认知与筛查;利用实际采集到的输电外破隐患图像进行实例分析及验证。

关键词： DFS   爬墙机器人   目标检测   仿真  

摘要： 由于爬墙型机器人能够替代人们执行高风险任务,已逐渐成了当前机器人领域的主要研究焦点之一。作为一种专门为斜拉桥缆索表面的瑕疵检查设计的爬墙式机器人,它相较于人工操作更具经济效益和安全性能,有着巨大的商业潜力,所以对这种缆索表面检测机器人的研发与创新是十分必要的。基于DFS技术的爬墙机器人目标检测系统研究与仿真做出研究,以供参考。