关键词： 指针式表计   低成像质量   目标检测   空间对齐   读数识别  

摘要： 由无人巡检设备拍摄的指针式表计图像不可避免地存在拍摄角度偏移、表盘区域模糊、光照反射强烈等低质量情形。现有方法针对低成像质量指针式表计存在读数识别准确率低、实时性差等不足。为此,该文依照“先检测、后对齐、再识别”的逻辑思路设计并实现了一种端到端的高精度读数识别方法。具体而言,首先,基于改进YOLOv5模型构建轻量级、高效能的表盘目标检测模块MDM(meter detect module);其次,基于空间变换思想引入表盘图像对齐模块MAM(meter alignment module)对检测到的表计区域进行几何标准化校正;然后,构建高效的表盘数值读取模块MRM(meter reading module)对校正后的表盘示数进行识别。该文收集了大量低成像质量指针式表计图片并在该数据集上进行了实验验证,结果表明,所提方法相比已有方法能更准确地识别低质量指针式表计图片读数,即使在光照不均、表盘部分遮挡等复杂场景下仍能取得较高的识别准确率。

关键词： 变电站   指针式仪表检测   小目标检测   YOLO11n   多尺度特征   损失函数  

摘要： 针对变电站指针式仪表尺寸较小难以识别的问题,该文提出改进YOLO11n的变电站指针式仪表检测算法。引入可重参数化重聚焦卷积(RefConv)强化特征提取能力;分组混洗卷积(GSConv)降低计算复杂度;采用空洞空间金字塔池化模块(ASPP)扩大网络感受野的同时提高多尺度感知能力;利用可伸缩的IoU损失函数(SIoU)对模型训练进行监督,实现对变电站场景中的指针式仪表的准确检测。实验表明,所提算法检测精度达96.9%,相较于原始YOLO11n算法,精度提升3.5%,参数量下降4.5%,有效平衡了精度与实时性需求。该方案为变电站智能巡检系统提供了高精度、低延时的检测方案,对推动电网设备智能化监测技术发展具有重要意义和价值。

关键词： 显著性目标检测   双域边缘融合网络   空间域   频率域   拉普拉斯金字塔   傅里叶变换   像素聚合   特征融合  

摘要： 为解决现有RGB显著性目标检测模型在处理复杂背景和噪声干扰时,存在边缘特征对噪声鲁棒性不足以及难以准确区分真实边缘的问题。提出一种基于双域边缘融合网络的RGB显著性目标检测模型。该模型通过结合空间域的拉普拉斯金字塔技术与频率域的傅里叶变换和自适应掩膜技术,强化RGB图像多尺度和全局边缘信息的提取,并提升其识别颜色信息时的抗噪能力。新模型还通过像素重排提高特征图的空间分辨率,以保留更多的语义信息与细节特征。在5个基准数据集上的实验结果表明,与现有的8种RGB显著性目标检测模型相比,该模型在3个评价指标上取得较好的结果。

关键词： 目标检测   水表识别   Android   智能抄表系统   YOLO   CRNN  

摘要： 为解决传统水表人工抄表过程中存在的效率低、易漏抄、难核验等问题,设计并实现了一种基于PA-YOLO检测识别模型的智能水表抄表系统。该系统主要包括Android移动端与后端服务两部分:抄表人员通过前端APP拍摄水表图像,后端采用PA-YOLO网络模型自动完成水表读数,并将信息储存至数据库。针对复杂环境下的图像干扰问题,在多类真实场景图片上对模型进行训练与优化。实验结果表明,该系统在水表图像检测与识别中具有较高精度和良好鲁棒性,能够有效提升抄表效率和数据可靠性。

关键词： 目标检测   YOLO11n   红外船舶检测   多尺度模型  

摘要： 提出一种基于YOLO11n的船舶红外图像目标检测算法AGT-YOLO,旨在解决模型精度和召回率偏低、小目标识别困难以及复杂海况下的多尺度识别问题。通过引入改进后的GhostHGNetv2网络,增强背景区分能力;设计ASF-P2优化颈部网络,以提升对低分辨率图像和极小目标的检测能力;研究任务自适应对齐检测头(Task Adaptive Alignment Detection Head, TAADH)替换原有检测头,提升定位和分类性能;同时,融入AFGCAttention注意力机制,提高全局信息处理能力和模型的泛化能力。实验结果表明,与基准模型YOLO11n相比,AGT-YOLO的召回率提高了4.4%,平均精度均值@50(mean Average Precision at IoU=0.5,mAP@50)提高了3.1%,并在复杂环境下展现出较强的多尺度识别能力和鲁棒性。

关键词： 智能农机   计算机视觉   自动驾驶   作业路径规划   图像识别   环境感知  

摘要： 探讨了计算机视觉技术在智能农机自动驾驶与作业路径规划中的应用,分析了图像识别、环境感知、目标检测、三维环境重建等技术在智能农机中的作用,针对当前智能农机面临的数据安全问题、农田环境多变性对视觉系统的影响,以及成本与设备性能的平衡等问题,提出了相应的改善策略,以期为未来智能农机的发展提供参考。

关键词： 知识蒸馏   目标检测   特征模仿   注意力机制   语义分歧  

摘要： 知识蒸馏通过传递教师模型知识提升学生模型性能.然而对于轻量化的学生模型而言,全盘吸收教师特征图内的隐含知识是困难的,为此本文提出一种基于空间-通道注意力精炼的协同蒸馏方法(SCAR-KD),通过从原始特征图中提炼关键判别信息,缓解学生与教师的语义分歧.具体而言,本文采用了一种多尺度空间-通道注意力模块(SCSA),从师生特征图的通道和空间维度中精炼出具有判别性的注意力增强特征进行蒸馏,同时解耦出空间注意力图加权给原始特征图进行动态蒸馏.该方法实现了双重知识迁移.实验结果表明,YOLOv8n-SCAR-KD相较于基线YOLOv8n在VOC和VisDrone数据集上mAP@0.5:0.95分别从64.1%提升至65.3%,从20.7%提升至21.6%,超过了现有的主流蒸馏方法,验证了方法的有效性.

关键词： RGB-D显著性目标检测   多尺度模态增强   注意力机制   并行多层解码  

摘要： 显著性目标检测任务旨在自动定位场景中最吸引人的物体。针对显著性目标检测算法中跨模态互补特征难以充分利用和层级特征融合易丢失有用信息的问题,提出一种基于多尺度模态融合的RGB-D显著性目标检测网络(MMFNet)。该模型主要由多尺度模态增强模块和并行多层解码结构组成。多尺度模态增强模块以空洞卷积细化多模态特征,通过注意力机制融合不同感受野特征减少冗余信息。并行多层解码结构采用级联的双解码器设计,以通道注意力机制实现层级特征的自适应校准,进一步优化预测的显著图,学习到更多的跨层级信息。在四个基准数据集上的实验表明,该网络模型在四种评价指标上优于近年来的九种先进方法,获得了优异的性能。

关键词： 电力巡检   塔基遮挡   图像处理   YOLOv7  

摘要： 为解决电力塔基巡检依赖人工以及遮挡程度判断依据模糊的问题,本文构建数据集,提出一种基于更客观、合理的塔基遮挡程度划分依据的检测方法。采用YOLOv7目标检测算法,提出一种快速识别塔基遮挡程度的检测方法。为了测试方法的效果,进行试验,并对试验结果进行对比分析,验证了本文算法在塔基遮挡程度检测任务中的检测精度和鲁棒性。试验结果表明,本文方法能够提高电力塔基巡检的便捷性和自动化程度。

关键词： 近似乘法器   近似计算   近似压缩器   图像处理  

摘要： 近似计算作为一种提高芯片能效的有效方法,已受到工业界和学术界的广泛关注和研究.把近似计算与硬件电路相结合的设计方法,可以在满足更多计算精度的需求下有效提升系统性能、并降低系统功耗,这在可容错应用中具有良好的应用前景.本文提出一种精度可调的加法电路,及基于此加法器的精度动态可调的无符号近似乘法器(UAMDAA),通过调整外部精度控制信号,使得UAMDAA近似乘法器可以在8种不同精度模式下工作.UAMDAA近似乘法器在精度最低的工作模式下的面积、功耗和延迟,相比精确乘法器分别降低了60%、58%、27%.并开展了误差分析、硬件开销分析以及该乘法器的图像处理应用分析,实验结果表明,本文提出的UAMDAA近似乘法器和现有的研究成果相比,在精度、硬件指标以及输出图像质量方面具有明显的优势.