关键词： YOLOv9算法   安全检测   目标检测   特征提取网络  

摘要： 随着我国铁路线路里程的不断增加,铁路线路维修作业环境的安全保障成为我国铁路安全管理的重要内容。雪天环境下,雪花和光照会干扰铁路线路维修作业环境检测图像,显著影响安全检测精度。基于此,分析雪天铁路线路维修作业环境安全检测的需求,以YOLOv9算法框架为基础,从特征提取、模型去噪、模型轻量化3方面进行有针性的改性,提出一种基于改进YOLOv9的雪天铁路线路维修作业环境安全检测算法,在特征提取融合中使用SAConv模块,增强模型的深层次特征提取能力;在下采样中使用HWT模块,利用哈尔小波变换对频率分级,提升模型的去噪能力;在卷积中利用GhostConv模块,对模型准确率影响不大的情况下降低模型的参数量。基于公共数据集VOC和自建的雪天铁路线路维修作业环境安全检测数据集的试验结果表明:改进YOLOv9算法在VOC中平均准确率达到85.1%;在自建数据集中平均准确率达到98.4%,召回率达到97.0%,满足现有使用场景的需求,为保障铁路线路维修作业环境安全提供重要的技术支撑。

关键词： 目标检测   知识引导   图联合注意力   多标签图像分类  

摘要： 主流的目标检测方法通常局限于单独处理每个区域,忽视了重要的全局上下文信息和物体类别之间的关联。提出一种知识引导的图联合推理目标检测方法(knowledge-guided graph conjoint reasoning object detection method,GCRKG),其包括全局关系推理(global relational reasoning,GRR)模块和全局知识映射(global knowledge mapping,GKM)模块,旨在通过模仿人类推理过程来提高目标检测性能。GRR模块通过综合考虑类别的特征、共现和语义相关性知识之间的相对重要性,利用图联合注意力网络(graph conjoint attention networks,GCAT)完成类别关系推理。GKM模块利用多标签图像分类概率和目标检测分类器类别概率,将类别关联知识有效地映射到视觉区域。将映射特征与原始视觉区域特征做拼接增强,以预测出更合理的结果。在VOC和COCO两个数据集上与基线模型的对比结果表明了该方法的有效性和优越性。

关键词： 毫米波   雷达成像   计算机视觉   烟箱缺条  

摘要： 为解决条烟装箱后缺条检测问题,设计了一种基于毫米波雷达成像与计算机视觉的烟箱缺条检测系统。该系统首先利用毫米波雷达采集烟箱内条烟反射回波数据;然后,使用合成孔径雷达成像算法实现对条烟反射回波数据的二维图像重构;最后,通过采集大量烟箱缺条图片,利用计算机视觉技术训练缺陷样本,实现对烟箱缺条的智能识别。通过长期观察取样,该在线检测系统缺陷检出率高于99.9%,误报率低于0.033%。该方法安全可靠,检出率与误报率满足实时检测要求,且安全可靠,适用于不同规格烟支的检测。

关键词： 遥感影像   目标检测   快速金字塔池化   无锚点框机制   合成特征金字塔  

摘要： 针对现有卷积神经网络遥感影像目标检测算法结构复杂、算力需求高等问题,提出一种基于无锚点框机制的轻量级检测方法,部署于星载、手持等终端设备上开展实时检测。以MobileNetv3作为骨干网络,在末端增加快速特征池化金字塔来充分融合各尺度特征;使用合成特征金字塔代替特征金字塔,缓解特征图间尺寸截断而导致的小目标检出率不高;使用无锚点框机制输出目标框,缓解锚点框冗余占用计算量的同时,避免先验锚点框不合理而导致的漏检。实验结果表明,部署于在低算力设备上的改进模型,在公开数据集上检测精度较原模型提高13.4%,检测速度可达到30.5 F/s,能够开展高精度、实时级的检测输出。

关键词： 计算机视觉   表面缺陷检测   深度学习   弱监督学习  

摘要： 目前表面缺陷检测领域缺少一种标签制作成本低且检测效果好的深度学习方法。因此,提出一种使用二元分类标签的弱监督卷积神经网络。该模型使用Segdec-Net的模型框架,重新设计分割子网络的卷积层结构,解决缺陷轮廓分割不准确的问题,并提高分类效果。对分类子网络进行结构精简、随机失活处理等改进,缓解过拟合问题,进一步提高分类效果。实验结果表明,该方法分类平均精确率达到96%,相比同类方法提高22.7百分点。

关键词： 目标检测   深度学习   RT-DETR   道路交通场景检测   注意力机制  

摘要： 由于道路交通场景存在许多遮挡和小目标物体,很容易出现误检测和漏检,因此提出一种基于RT-DETR的改进目标检测模型来提升检测性能。在特征提取网络方面,采用经过Shuffle Attention(SA)注意力机制增强的ResNet-18,用来加强网络特征提取能力;同时引入Cascaded Group Attention(CGA)机制替换原模型尺度内特征交互(AIFI)模块中的多头自注意力机制(MHSA),成功减少计算冗余,提升了模型性能。最后,构建专门针对道路交通场景的数据集进行实验。模型在RTX4070ti GPU平台上进行了性能验证。性能评估表明,改进后的模型在平均精度(mAP)上达到72.9%,较原RT-DETR模型提升2.1%。此外,在每秒帧数(FPS)方面,改进模型同样表现出色、达到132.1,优于RT-DETR 9帧和YOLOv8m 23帧。综合实验结果显示,本研究提出的改进模型不仅保持了高检测精度,还成功地加速了模型计算。这些改进对于实时且精确处理道路交通场景的目标检测具有重要的实用价值。

关键词： 表面缺陷   YOLOv11n   共享卷积   目标检测   轻量化   注意力机制  

摘要： 针对立井罐道表面缺陷检测模型检测准确率低、识别困难、参数量大等问题,提出多增强轻量级高效-你只看一次第11版纳米型(multi-enhanced lightweight efficient-you only look once version 11 nano,MELE-YOLOv11n)模型。首先,设计了高效通道注意力双流(efficient channel attention dual-stream,ECA-DS)和深度可分离卷积-高效多尺度注意力(depthwise separable convolution-efficient multi-scale attention,DWEMA)模块,增强模型在矿井复杂环境中对目标缺陷特征的适应性,提高模型的检测性能。然后,采用了卷积3尺度可变核双路径全内核(convolutional three-scale kernel-adaptive dual-path-omni-kernel,C3K2-OK)模块,捕捉不同尺度的特征图信息,缓解信息丢失问题。最后,针对原有检测头计算量大的问题,提出轻量级共享细节增强卷积检测头(lightweight shared detail-enhanced convolutional detection head,Detect-LSDECD)模块,使用共享策略结合细节增强卷积增强模型的轻量化性能。结果表明,与YOLOv11n模型相比,MELE-YOLOv11n模型在立井罐道表面缺陷数据集上的平均精确率均值提高了2.5%,参数量降低了0.3×106个。MELE-YOLOv11n模型能够满足准确性和轻量化之间的平衡需求,可以为立井罐道表面缺陷的自动化检测提供有力的技术支持。

关键词： 可见光图像   红外图像   自适应多模态特征融合   目标检测   RFC-YOLOv8  

摘要： 为解决在夜间、大雾和有遮挡等复杂环境中多目标检测精度显著降低的问题,提出了一种基于可见光-红外图像的双模态特征融合的目标检测算法——RFC-YOLOv8。该算法借鉴了YOLOv8的特征提取网络,采用并行结构,分别对可见光图像和红外图像进行多尺度特征提取。通过残差融合网络(RFN)自适应地融合可见光和红外图像特征。在Neck部分,融合了CBAM注意力模块,进一步加强了不同尺度融合特征的上下文联系。此外,添加了一个小目标检测头用以提升对小目标的检测能力。实验结果表明,RFC-YOLOv8算法在M3FD数据集上的mAP50高达87.7%,在FLIR数据集上的mAP50高达85.6%。相较现有5种先进的可见光-红外特征融合目标检测算法,该算法的mAP50在两个数据集上分别提升了4.8~6.1个百分点和1.9~6.4个百分点,显著提高了可见光和红外融合图像的检测性能。

关键词： 多信息融合   目标检测   视频图像   激光雷达  

摘要： 为了使船舶满足海洋、内河等复杂环境中的应用需求,提升目标检测的准确性和实时性,提出了基于对多源数据的特征提取及信息融合策略。通过构建一个多层次的融合框架,实现对海上目标自动识别系统(AIS)、视频图像、雷达信息不同信息源的有机融合。首先,利用卷积神经网络(CNN)对多模态信息进行特征提取和归集,然后,结合视频图像与激光雷达的数据,通过加权机制实现信息的高效动态融合。实验结果表明,与现有技术相比,所提算法在目标检测与跟踪方面的准确率具有显著提升。在复杂环境中,尤其是在低能见度条件下,该融合算法表现出更强的鲁棒性,且能够有效降低误检与漏检的概率。

关键词： 深度学习   遥感图像   目标检测   CenterNet   Hourglass-104   损失函数  

摘要： 现有的目标检测算法难以很好地处理尺度差异较大的遥感图像目标,容易产生误检和漏检。针对遥感图像中的目标重叠难以检测和小目标漏检的问题,提出了一种改进CenterNet算法。在Hourglass-104主干网络之后设计一种四元回归注意力,采用端到端可学习的标记采样方式来预测图像目标,使网络能够捕获丰富的上下文信息并对多尺度目标进行建模,实现计算效率与表征能力之间的良好平衡。设计中心偏移特征融合机制用于网络对多层次目标的整合,通过对检测目标四个矩点和中心点的权重进行动态调整,可以高效地提升网络检测性能。引入Soft-DTW损失函数从时间序列角度对损失梯度进行动态微分处理,有效实现遥感图像目标像素的最佳匹配,进一步促进损失曲线的回归拟合状态。改进后的CenterNet算法在RSOD和NWPU VHR-10遥感公共数据集上进行训练并测试,实验结果表明:在RSOD上的mAP可以达到97.0%,在NWPU VHR-10上的AP和mAP可以达到60.0%和95.4%。与当前主流的目标检测算法相比,改进后的CenterNet算法存在明显的提升和优势。